Des chercheurs développent DL-GuesS : un cadre basé sur l’apprentissage en profondeur et l’analyse des sentiments pour la prévision des prix des crypto-monnaies

Une crypto-monnaie est une chaîne de données cryptées représentant une unité monétaire. Cela a été un énorme succès car les transferts d’argent sont moins chers et plus rapides, et les systèmes décentralisés ne s’effondrent pas à un seul point de défaillance. Pour cette raison, les universitaires se sont intéressés au sujet et ont tenté de prévoir les fluctuations de prix pour divers types de crypto-monnaies. Cependant, cette tâche est difficile compte tenu de son extrême volatilité et de sa dépendance à d’autres crypto-monnaies.

La prévision des prix des crypto-monnaies a attiré l’attention de nombreux chercheurs. Plusieurs travaux ont proposé d’utiliser l’historique des prix et des algorithmes tels que le perceptron multicouche, la machine à vecteurs de support, la forêt aléatoire et la mémoire longue à court terme (LSTM) pour assurer la prédiction. De plus, la technique d’analyse des sentiments, basée sur le traitement du langage naturel, a également été exploitée en la combinant avec l’algorithme cité ci-dessus. Ces recherches ont prouvé que choisir plus de variables n’est pas un problème ; le principal défi consiste à choisir les fonctionnalités appropriées pour prévoir les prix et créer un modèle fiable. Dans ce contexte, une équipe de recherche composée de scientifiques indiens et sud-africains a proposé DL-GuesS, un réseau d’apprentissage profond basé sur LSTM et l’unité récurrente fermée (GRU), et un modèle hybride basé sur les sentiments Twitter, qui vise à prédire le prix de la crypto-monnaie.

DL-GuesS vise à prédire le prix d’une devise spécifique en fonction de son historique de prix et de tweeter les sentiments des autres pièces dépendantes ou alternatives. Il considère spécifiquement les tailles de fenêtre, c’est-à-dire 1, 3 et 7 jours. Les auteurs ont également pris en compte les dépendances inter-crypto-monnaies pour améliorer l’efficacité du modèle proposé. Une étude de corrélation entre plusieurs devises a montré que le Bitcoin, le Litecoin et le Dash sont très dépendants et qu’il est judicieux d’utiliser les trois en phase d’apprentissage pour pouvoir prédire le prix de l’une d’entre elles à chaque fois.

Deux types d’entrées sont utilisées pour assurer l’étape d’apprentissage : les cours des jours passés et les tweets du jour pour chaque crypto-monnaie. Chaque type de données est d’abord traité par une branche spécifique. Une branche basée sur l’algorithme VADER est faite pour obtenir la polarité des tweets. L’autre branche est constituée de 100 neurones de LSTM, 100 neurones de GRU et 100 neurones de Dense. Il prend les données de prix de la crypto-monnaie. Ensuite, les sorties des deux flux sont fusionnées. Cette opération est effectuée simultanément à travers trois sous-unités pour les trois types de crypto-monnaie. La couche de sortie reçoit les sorties concaténées des trois sous-unités. Suivant cette stratégie, le réseau proposé est considéré comme un modèle hiérarchique à plusieurs niveaux puisque les prix passés de Dash, Litecoin et Bitcoin sont transmis comme caractéristiques d’entrée.

Les auteurs réalisent une étude de comparaison avec le modèle de prédiction traditionnel, qui ne prend qu’un seul type de devise en entrée pour vérifier l’efficacité de DL-GuesS. Trois métriques (MSE MAE et MAPE) sont utilisées pour évaluer les modèles. Deux scénarios ont été réalisés dans l’étude expérimentale. Dans le premier scénario, la prédiction DASH des prix est effectuée à l’aide de stratégies hiérarchiques traditionnelles et à plusieurs niveaux. Dans le deuxième scénario, le même processus est appliqué pour la prédiction BITCOIN-CASH. Les résultats obtenus dans les deux scénarios révèlent que l’approche hiérarchique multi-niveaux proposée est plus performante que les systèmes conventionnels.

Dans cet article, nous avons vu un aperçu d’un nouveau modèle hybride, DL-GuesS, proposé pour prévoir les prix des crypto-monnaies en ce qui concerne à la fois l’historique des prix et l’analyse des sentiments de Twitter récent. Une étude expérimentale démontre que la nouvelle approche surpasse les modèles conventionnels.

This Article is written as a research summary article by Marktechpost Staff based on the research paper 'DL-GuesS: Deep Learning and Sentiment Analysis-Based Cryptocurrency Price Prediction'. All Credit For This Research Goes To Researchers on This Project. Check out the paper.

Please Don't Forget To Join Our ML Subreddit