Bitcoin high frequency trading with Transformers
Συναλλαγές υψηλής συχνότητας Bitcoin με νευρωνικά δίκτυα Transformer

Master Thesis
Συγγραφέας
Marinis, Andreas
Μαρίνης, Ανδρέας
Ημερομηνία
2025-01Προβολή/ Άνοιγμα
Λέξεις κλειδιά
Transformers ; Bitcoin ; High frequency trading ; Neural networks ; Price movement prediction ; Machine learning ; Deep learningΠερίληψη
Τα τελευταία χρόνια, η αγορά κρυπτονομισμάτων, με το Bitcoin να βρίσκεται στο προσκήνιο, έχει αναδειχθεί ως μια ιδιαίτερα ασταθής και δυναμική εμπορική αγορά, κεντρίζοντας το ενδιαφέρον εμπόρων, ερευνητών και επενδυτών. Αυτή η διατριβή εξετάζει την εφαρμογή μοντέλων transformer στο high-frequency trading, εστιάζοντας στην ικανότητά τους να προβλέπουν τις κινήσεις της τιμής του Bitcoin χρησιμοποιώντας δεδομένα από το Limit Order Book (LOB) του ανταλλακτηρίου Binance. Οι παραδοσιακές μέθοδοι πρόβλεψης συχνά αποτυγχάνουν να συλλάβουν τις γρήγορες διακυμάνσεις που χαρακτηρίζουν τις αγορές κρυπτονομισμάτων. Ως εκ τούτου, η έρευνα εξετάζει προηγμένες τεχνικές μηχανικής μάθησης, συγκεκριμένα τις αρχιτεκτονικές transformer, οι οποίες έχουν αποδείξει ότι είναι υποσχόμενες σε καθήκοντα μοντελοποίησης ακολουθίας σε διάφορους τομείς.
Η μελέτη αναλύει τη μεθοδολογία που χρησιμοποιείται για τη συλλογή και προκατεργασία δεδομένων, προκειμένου να δημιουργηθεί ένα αξιόπιστο σύνολο δεδομένων ικανοποιητικό για την ανάλυση του high-frequency trading. Οι κύριες προκλήσεις, όπως η υπερπροσαρμογή του μοντέλου, η ανισορροπία των δεδομένων και οι πολυπλοκότητες των χαρακτηριστικών των χρηματοοικονομικών δεδομένων, όπως η μη στασιμότητα, εξετάζονται διεξοδικά. Μέσω εμπειρικών δοκιμών, η διατριβή αξιολογεί την απόδοση των μοντέλων transformer στην πρόβλεψη της τιμής και αναδεικνύει τα πλεονεκτήματά τους σε σχέση με τις παραδοσιακές προσεγγίσεις βαθιάς μάθησης.
Παρά τα θεωρητικά πλεονεκτήματα των transformers, τα ευρήματα αποκαλύπτουν περιορισμούς στην επιτυχία πρόβλεψης υπό συγκεκριμένες συνθήκες αγοράς. Αυτή η διατριβή παρέχει ενοράσεις σχετικά με την ενσωμάτωση χαρακτηριστικών που σχετίζονται με τον τομέα, τη σημασία της προκατεργασίας των δεδομένων και την ανάγκη διαφοροποιημένων στρατηγικών μοντελοποίησης για την ενίσχυση των ικανοτήτων πρόβλεψης στο εμπόριο κρυπτονομισμάτων. Προτείνονται κατευθύνσεις μελλοντικής έρευνας, τονίζοντας την προοπτική των στοχαστικών προσεγγίσεων μοντελοποίησης και την ενσωμάτωσή τους σε ποικιλία πηγών δεδομένων για την βελτίωση των εμπορικών στρατηγικών στον σύνθετο τομέα του high-frequency trading του Bitcoin.