Análisis técnico de mercados de criptomoneda con redes neuronales convolucionales
| Autor: | Caicedo Rueda, Andres Felipe |
|---|---|
| Přispěvatelé: | Pineda Ríos, Wilmer Darío, Universidad Santo Tomás |
| Jazyk: | Spanish; Castilian |
| Rok vydání: | 2022 |
| Předmět: | |
| Zdroj: | Repositorio Institucional USTA Universidad Santo Tomás instacron:Universidad Santo Tomás |
| Popis: | Con el análisis técnico de los mercados financieros se estudia la interacción del mercado usando principalmente gráficos para intentar pronosticar la tendencia del precio en el futuro. Sin embargo, aunque los instantes de interacción del mercado junto con sus indicadores técnicos se representan como imágenes, los esfuerzos de automatización de las estrategias de compra y venta de activos se han dirigido especialmente hacia los métodos algorítmicos. La naturaleza visual del análisis técnico invita a buscar alternativas de solución dentro del ámbito de la visión por computador usando técnicas de clasificación de imágenes y detección de objetos. En este trabajo se construyó una base de datos de 240 imágenes a partir de la información cronológica de las variables de interacción del mercado (Precio, Volumen) y algunos de los indicadores técnicos más populares (EMA, Bollinger, MACD, RSI). En dicha base se etiquetaron los objetos correspondientes a las clases de los eventos que conforman una estrategia de compra y venta (Cruce de EMA, Cruce del MACD). Posteriormente, con las imágenes etiquetadas de la base se entrenó un modelo de aprendizaje profundo de redes neuronales convolucionales (CNN) para detectar objetos de esas mismas clases en imágenes nunca vistas y así identificar señales que permitan tomar decisiones de compra y venta en el mercado de cripto activos con monedas como Bitcoin, Ethereum o ADA entre muchas otras. Como resultado del estudio se obtuvieron dos modelos para la detección de cruces de EMA y MACD, el primero de tipo EfficientDet0 con AP50 del 76.69% y el segundo de tipo EfficientDet4 con AP50 del 87.26%. Esta técnica de detección de objetos para diseñar e implementar estrategias de compra y venta es fácil e intuitiva y gracias a su nivel de abstracción podría ser usada con diferentes periodicidades, activos y mercados. With the technical analysis of the financial markets, the interaction of the market is studied using mainly graphs to try to forecast the price trend in the future. However, although the moments of market interaction along with its technical indicators are represented as images, efforts to automate asset buying and selling strategies have been directed especially towards algorithmic methods. The visual nature of technical analysis invites us to search for alternative solutions within the field of computer vision using image classification and object detection techniques. In this work, a database of 240 images was built from the chronological information of the market interaction variables (Price, Volume) and some of the most popular technical indicators (EMA, Bollinger, MACD, RSI). In this database, the objects corresponding to the classes of the events that make up a buying and selling strategy (EMA crossover, MACD crossover) were labeled. Subsequently, with the labeled images of the base, a deep learning model of convolutional neural networks (CNN) was trained to detect objects of these same classes in images never seen before and thus identify signals that allow buying and selling decisions in the market of crypto assets with currencies such as Bitcoin, Ethereum or ADA among many others. As a result of the study, two models were obtained for the detection of EMA and MACD crossovers, the first of the EfficientDet0 type with AP50 of 76.69% and the second of the EfficientDet4 type with AP50 of 87.26%. This object detection technique to design and implement buying and selling strategies is easy and intuitive and thanks to its level of abstraction it could be used with different periodicities, assets and markets. Magister en Estadística Aplicada Maestría |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|