Cryptocurrencies: Deep learning for sentiment & market analysis

Abstract

Der Fortschritt der Blockchain-Technologie sowie ihre weltweite Anerkennung innerhalb der letzten Jahre ermöglichte den Aufstieg digitaler Kryptowährungen. Diese Währungenzeichnen sich durch einzigartige Eigenschaften wie Pseudonymität, niedrige Handelsgebühren und geringe Einstiegshürden aus, was sie als Anlagemöglichkeiten zunehmend interessant macht. Darüber hinaus gelten diese Währungen als sehr volatil und nach Ansicht von Forschern trifft die Hypothese des effizienten Marktes noch nicht zu, wodurch sie als ideales Ziel für automatisiertes Trading gesehen werden.Zeitgleich haben tiefe neuronale Netze sowie neuartige Architekturen neuronaler Netze vielversprechende Forschungsergebnisse in den Bereichen der Zeitreihenvorhersagen und der Sentiment-Analysen geliefert. Forschung bezüglich einer Kombination von Deep-Learning,technischen Indikatoren und Sentiment Analyse zur Vorhersage von Kryptomärkten ist jedoch immer noch mangelhaft. Das Ziel dieser Arbeit ist es daher, diese Forschungslücke zu untersuchen und Antworten auf komplexe, damit einhergehende Fragen zu liefern.Um dieses Ziel zu erreichen, haben wir mehrere tiefe neuronale Netzwerke zum Generieren von Handelsstrategien für die Kryptowährung Bitcoin entwickelt und bewertet.Insbesondere haben wir uns auf die Optimierung der Struktur und der Hyperparameter der neuronalen Netze konzentriert, anpassbare Zielwerte für verschiedene Risikobereiche erforscht, alternative Input-Quellen getestet und eine Simulations-Engine für die generierten Handelsstrategien entwickelt.Die Ergebnisse unserer Experimente bestätigen die Hypothese, dass Kryptowährungen enorme Möglichkeiten für profitables, automatisiertes Trading eröffnen. Unsere Experimente zeigen, dass KI-basierter Handel die Profitabilität im Vergleich zu einer Buy-and-Hold-Strategie deutlich verbessern und gleichzeitig das damit einhergehende Risiko reduzieren kann.

The advances of blockchain technology and its global recognition over the last years enabled the rise of digital currencies, also known as cryptocurrencies. These currencies are characterized by unique properties like pseudonymity, low trading fees, and minimal barriers of entry which made them increasingly interesting as investment opportunities.Additionally, these currencies are considered highly volatile and the efficient market hypothesis does currently not hold true according to researchers, making them the ideal target for automated analysis and trading.At the same time, deep neural networks and novel neural-network architectures have been producing promising research results for time-series predictions and sentiment-analyses.However, research on the combination of deep-learning, technical indicators, and financialsentiment analysis in the field of cryptocurrency market predictions is still scarce. Theaim of this thesis is to explore this research gap and provide answers to the complexquestions associated with it.To reach that goal we developed and evaluated multiple deep neural networks to generate trading strategies for the Bitcoin cryptocurrency. Specifically, we focused on the optimization of the structure and hyper parameters of the neural networks, explored the space of risk adjustable target values, tested alternative input sources, and developed a simulation engine for the generated trading strategies.The findings of our experiments confirm the hypothesis that cryptocurrencies open vastopportunities for profitable automated trading. Our experiments show that AI-basedtrading can significantly improve profitability compared to a buy-and-hold strategy while simultaneously reducing the risk associated with it.