Published March 11, 2024 | Version v1
Publication Open

Utilizing Machine Learning and Deep Learning for Predicting Crypto-currency Trends

  • 1. Université Moulay Ismail de Meknes

Description

In the dynamic and often volatile world of the cryptocurrency market, accurately predicting future market movements is crucial for making informed trading decisions. While manual trading involves traders making subjective judgments based on market observations, the development of algorithmic trading systems, incorporating Machine Learning and Deep Learning, has introduced a more systematic approach to trading. These systems often employ technical analysis and machine learning techniques to analyze historical price data and generate trading signals. This study delves into a comparative analysis of two charting techniques, Heikin-Ashi and alternate candlestick patterns, in the context of forecasting single-step future price movements of cryptocurrency pairs. Utilizing a range of time windows (1 day, 12 hours, 8 hours, ..., 5 minutes) and various regression algorithms (Huber regressor, k-nearest neighbors regressor, Light Gradient Boosting Machine, linear regression, and random forest regressor), the study evaluates the effectiveness of each technique in forecasting future price movements. The primary outcomes of the research indicate that the application of ensemble learning methods to the alternate candlestick patterns consistently surpasses the performance of Heikin-Ashi candlesticks across all examined time windows. This suggests that alternate candlestick patterns provide more reliable information for predicting short-term price movements. Additionally, the study highlights the varying behavior of Heikin-Ashi candlesticks over different time windows

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

في عالم سوق العملات المشفرة الديناميكي والمتقلب في كثير من الأحيان، يعد التنبؤ الدقيق بتحركات السوق المستقبلية أمرًا بالغ الأهمية لاتخاذ قرارات تداول مستنيرة. في حين أن التداول اليدوي ينطوي على قيام المتداولين بإصدار أحكام ذاتية بناءً على ملاحظات السوق، فإن تطوير أنظمة التداول الخوارزمية، التي تتضمن التعلم الآلي والتعلم العميق، قد أدخل نهجًا أكثر منهجية للتداول. غالبًا ما تستخدم هذه الأنظمة التحليل الفني وتقنيات التعلم الآلي لتحليل بيانات الأسعار التاريخية وتوليد إشارات التداول. تتعمق هذه الدراسة في تحليل مقارن لتقنيتي رسم بياني، Heikin - Ashi وأنماط الشموع البديلة، في سياق التنبؤ بتحركات الأسعار المستقبلية ذات الخطوة الواحدة لأزواج العملات المشفرة. باستخدام مجموعة من النوافذ الزمنية (يوم واحد، 12 ساعة، 8 ساعات، ...، 5 دقائق) وخوارزميات الانحدار المختلفة (مرجع Huber، مرجع k - nearest، آلة تعزيز التدرج الخفيف، الانحدار الخطي، ومرجع الغابات العشوائي)، تقيم الدراسة فعالية كل تقنية في التنبؤ بتحركات الأسعار المستقبلية. تشير النتائج الأولية للبحث إلى أن تطبيق أساليب التعلم الجماعي على أنماط الشموع البديلة يتجاوز باستمرار أداء شموع Heikin - Ashi عبر جميع النوافذ الزمنية التي تم فحصها. هذا يشير إلى أن أنماط الشموع البديلة توفر معلومات أكثر موثوقية للتنبؤ بتحركات الأسعار على المدى القصير. بالإضافة إلى ذلك، تسلط الدراسة الضوء على السلوك المتفاوت لشموع Heikin - Ashi على مدى فترات زمنية مختلفة

Translated Description (French)

Dans le monde dynamique et souvent volatil du marché des crypto-monnaies, il est essentiel de prévoir avec précision les mouvements futurs du marché pour prendre des décisions de trading éclairées. Alors que le trading manuel implique que les traders portent des jugements subjectifs basés sur des observations de marché, le développement de systèmes de trading algorithmiques, intégrant le Machine Learning et le Deep Learning, a introduit une approche plus systématique du trading. Ces systèmes utilisent souvent des techniques d'analyse technique et d'apprentissage automatique pour analyser les données de prix historiques et générer des signaux de trading. Cette étude se penche sur une analyse comparative de deux techniques de cartographie, Heikin-Ashi et des modèles alternatifs de chandeliers, dans le contexte de la prévision des mouvements de prix futurs en une seule étape des paires de crypto-monnaies. À l'aide d'une gamme de fenêtres temporelles (1 jour, 12 heures, 8 heures, ..., 5 minutes) et de divers algorithmes de régression (régresseur de Huber, régresseur des k plus proches voisins, machine d'amplification du gradient de lumière, régression linéaire et régresseur de forêt aléatoire), l'étude évalue l'efficacité de chaque technique pour prévoir les mouvements futurs des prix. Les principaux résultats de la recherche indiquent que l'application des méthodes d'apprentissage d'ensemble aux modèles alternatifs de chandeliers dépasse systématiquement les performances des chandeliers Heikin-Ashi sur toutes les fenêtres temporelles examinées. Cela suggère que d'autres modèles de chandeliers fournissent des informations plus fiables pour prédire les mouvements de prix à court terme. De plus, l'étude met en évidence le comportement variable des chandeliers Heikin-Ashi sur différentes fenêtres temporelles

Translated Description (Spanish)

En el mundo dinámico y a menudo volátil del mercado de criptomonedas, predecir con precisión los movimientos futuros del mercado es crucial para tomar decisiones de trading informadas. Si bien el trading manual implica que los traders hagan juicios subjetivos basados en las observaciones del mercado, el desarrollo de sistemas de trading algorítmicos, que incorporan Machine Learning y Deep Learning, ha introducido un enfoque más sistemático para el trading. Estos sistemas a menudo emplean análisis técnicos y técnicas de aprendizaje automático para analizar datos históricos de precios y generar señales de trading. Este estudio profundiza en un análisis comparativo de dos técnicas de gráficos, Heikin-Ashi y patrones de velas alternas, en el contexto de la previsión de movimientos de precios futuros de un solo paso de pares de criptomonedas. Utilizando un rango de ventanas de tiempo (1 día, 12 horas, 8 horas, ..., 5 minutos) y varios algoritmos de regresión (regresor de Huber, regresor de k vecinos más cercanos, máquina de aumento de gradiente ligero, regresión lineal y regresor de bosque aleatorio), el estudio evalúa la efectividad de cada técnica para pronosticar futuros movimientos de precios. Los resultados primarios de la investigación indican que la aplicación de métodos de aprendizaje conjunto a los patrones de velas alternas supera constantemente el rendimiento de las velas Heikin-Ashi en todas las ventanas de tiempo examinadas. Esto sugiere que los patrones de velas alternativas proporcionan información más fiable para predecir los movimientos de precios a corto plazo. Además, el estudio destaca el comportamiento variable de las velas Heikin-Ashi en diferentes ventanas de tiempo

Files

614.pdf

Files (999.7 kB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:27ed4e7c6d22590aa18a06ad937af9d0
999.7 kB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
استخدام التعلم الآلي والتعلم العميق للتنبؤ باتجاهات العملات المشفرة
Translated title (French)
Utilisation de l'apprentissage automatique et de l'apprentissage profond pour prédire les tendances en matière de crypto-monnaie
Translated title (Spanish)
Utilizar el aprendizaje automático y el aprendizaje profundo para predecir las tendencias de las criptomonedas

Identifiers

Other
https://openalex.org/W4392682121
DOI
10.56294/sctconf2024638

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Morocco

References

  • https://openalex.org/W2145501956
  • https://openalex.org/W2293345892
  • https://openalex.org/W2734550125
  • https://openalex.org/W2746497701
  • https://openalex.org/W2767036072
  • https://openalex.org/W2767394715
  • https://openalex.org/W2767583265
  • https://openalex.org/W2947760525
  • https://openalex.org/W2958088520
  • https://openalex.org/W2959146022
  • https://openalex.org/W3003538339
  • https://openalex.org/W3013861497
  • https://openalex.org/W3015481177
  • https://openalex.org/W3036910872
  • https://openalex.org/W3040379296
  • https://openalex.org/W3046053815
  • https://openalex.org/W3124647634
  • https://openalex.org/W3180432658
  • https://openalex.org/W3185681042
  • https://openalex.org/W3209778230
  • https://openalex.org/W4200195981
  • https://openalex.org/W4200632146
  • https://openalex.org/W4206149208
  • https://openalex.org/W4212971204
  • https://openalex.org/W4226147475
  • https://openalex.org/W4285791914
  • https://openalex.org/W4309212331
  • https://openalex.org/W4312884846
  • https://openalex.org/W4317930845
  • https://openalex.org/W4320063771
  • https://openalex.org/W4321327468
  • https://openalex.org/W4323528794
  • https://openalex.org/W4360971674
  • https://openalex.org/W4362563411
  • https://openalex.org/W4362704864
  • https://openalex.org/W4377096830
  • https://openalex.org/W4384913470