Mit der Zunahme der verfügbaren Datenmengen, der hohen Rechenleistung von Grafikprozessoren und den wissenschaftlichen Fortschritten bei neuronalen Netzen hat Deep Learning unter den Wissenschaftlern im Bereich des maschinellen Lernens enorme Aufmerksamkeit erlangt. Tiefe Schichtenarchitekturen können erfolgreich Abstraktionen von Eingabedaten auf höherer Ebene extrahieren und modellieren. Deep Learning ist eines der wichtigsten Werkzeuge für die Verarbeitung natürlicher Sprache und die Zeitreihenanalyse. So kann man die technische Analyse von Kryptowährungen verstehen und anwenden.
Ein vielversprechender theoretischer Bereich ist die Untersuchung des Deep Learning für schwach kohärente Signale, bei denen sowohl das Lernen von Merkmalen (Merkmalsextraktion) als auch die Modellierung schwieriger sind. Ein Beispiel für eine schwach kohärente Zeitreihe ist die Vorhersage der Produktnachfrage oder die zeitlichen Vektordarstellungen (Einbettungen) eines bestimmten Finanzinstruments und der damit verbundenen Nachrichteninhalte oder die gemeinsame Modellierung von Signalen aus IoT-Sensornetzen.
Dezentrale Peer-to-Peer-Digitalwährungen (Kryptowährungen) haben in den letzten Jahren ein enormes Wachstum erfahren. Fast alle Kryptowährungen werden von sogenannten Minern unterstützt, die ihre Rechenleistung zur Verfügung stellen, um den sicheren Betrieb des dezentralen Dienstes zu ermöglichen. Diese Belohnungen haben einen realen Wert, der sich auf den Wertzuwachs der Kryptowährungen auswirkt. Diese dominante Marktpräsenz hat zum Entstehen verschiedener Handelsdienste geführt. Auf diesen Handelsplattformen werden täglich riesige Geldbeträge gehandelt. Wechselkursbewegungen zeigen in der Regel nicht das gleiche Verhalten (wie Trends oder tägliche Kursschwankungen) wie klassische Aktienmärkte. Die Marktanalyse ist schwierig, weil die Volatilität hoch ist, das Umfeld verrauscht ist und keine klassischen Muster aufweist, und diese Märkte nicht reguliert sind.
Ich stelle die Hypothese auf, dass ein datengesteuerter Ansatz unter Verwendung der verfügbaren öffentlichen Daten Preisanomalien aufdecken kann. Es erscheint vielversprechend, die Benutzerfreundlichkeit solcher Systeme durch die Einbeziehung von Daten aus verschiedenen Themenbereichen (z. B. politische oder finanzielle Nachrichtenanalyse) zu verbessern.
Twitter-spezifische Kurztexte könnten ein Vorteil für die Entwicklung eines datengesteuerten Modells sein. Die sozialen Medien sind in vielen Bereichen unseres Lebens (sei es in der Politik, im Finanzwesen oder auch in der Technik) zur wichtigsten Nachrichtenquelle geworden und haben daher einen großen Einfluss auf große Menschenmengen. Daher kann die Modellierung dieser Nachrichten-Feeds von besonderem Interesse sein, z. B. für die Extraktion von Marktstimmungen oder die Erkennung von Fake News.
Basierend auf meiner Hypothese können die Preisdaten von Kryptowährungen und die zugehörigen Twitter-Feeds als schwach kohärente Signale betrachtet werden. Es ist möglich, dass soziale Medien die Bewegung des Wechselkurses beeinflussen und dass sich die Preisschwankungen in den Posts widerspiegeln.
Das Ziel meiner Arbeit ist es, den Markt für digitale Währungen mit Hilfe von Deep-Learning-Tools zu untersuchen, ein Modell für das Verhalten von Zeitreihen zu erstellen und die Ergebnisse zu bewerten. Ich ergänze dieses Modell mit einer auf natürlicher Sprachverarbeitung basierenden Twitter-Feed-Analyse. In meiner Arbeit untersuche ich die Auswirkungen des ursprünglichen und des erweiterten Modells auf die Genauigkeit der Modellierung und analysiere die Anwendbarkeit von Deep Learning für schwach kohärente Signale.
