تصنيف اتجاه سعر البيتكوين باستخدام المؤشرات الفنية

الملخص

تعرض هذه الدراسة نهجًا للتصنيف بالتعلم الآلي بهدف التنبؤ بما إذا كانت أسعار العملات المشفرة سترتفع أم ستنخفض. ويُدرَّب على بيانات أسعار إغلاق البيتكوين التاريخية، ويستخدم مقاييس فنية مألوفة: تقارب وتباعد المتوسطات المتحركة، ومؤشر القوة النسبية، ونطاقات بولينجر. والمخرج المقصود هو إرشاد اتجاهي يمكن أن يدعم قرارات الشراء أو البيع، وليس توقعًا رقميًا للسعر.

يذكر المستند أن أداء النموذج يُقيّم عبر عمليات محاكاة، بما فيها مصفوفة الالتباس ومنحنى خاصية تشغيل المستقبل، ويورد دقة لإشارات الشراء والبيع تتجاوز 92 بالمئة. ولا يقدم هنا تفاصيل عن خوارزمية التصنيف أو أفق التنبؤ أو فترة العينة أو تقسيم البيانات أو تكاليف المعاملات أو المقارنة بخطوط أساس بسيطة. وتجعل هذه النواقص من الصعب الحكم على المتانة أو على ما إذا كانت الدقة المبلغ عنها ستترجم إلى استراتيجية قابلة للتطبيق. وتقتصر الأدلة على مثال تجريبي للبيتكوين؛ ولا تثبت الأداء عبر أصول أخرى أو أنظمة سوقية مختلفة.

الأفكار الرئيسية

• يصنف النموذج الاتجاه المتوقع لأسعار البيتكوين بدلًا من التنبؤ بسعر محدد.
• تُدمج أسعار الإغلاق التاريخية مع MACD وRSI ونطاقات بولينجر كمدخلات.
• تُستخدم مصفوفة الالتباس ومنحنى ROC لتقييم أداء التصنيف.
• يورد المستند دقة لإشارات الشراء والبيع تتجاوز 92 بالمئة في دراسته التجريبية.
• لا تثبت الأدلة الموصوفة الربحية بعد التكاليف أو إمكانية التعميم إلى ما يتجاوز البيتكوين.

الوسوم

# Predicting Market Trends with Enhanced Technical Indicator Integration and Classification Models


# Predicting Market Trends with Enhanced Technical Indicator Integration and Classification Models









Thanks to the high potential for profit, trading has become increasingly attractive to investors as the cryptocurrency and stock markets rapidly expand. However, because financial markets are intricate and dynamic, accurately predicting prices remains a significant challenge. The volatile nature of the cryptocurrency market makes it even harder for traders and investors to make decisions. This study presents a classification-based machine learning model to forecast the direction of the cryptocurrency market, i.e., whether prices will increase or decrease. The model is trained using historical data and important technical indicators such as the Moving Average Convergence Divergence, the Relative Strength Index, and the Bollinger Bands. We illustrate our approach with an empirical study of the closing price of Bitcoin. Several simulations, including a confusion matrix and Receiver Operating Characteristic curve, are used to assess the model's performance, and the results show a buy/sell signal accuracy of over 92\%. These findings demonstrate how machine learning models can assist investors and traders of cryptocurrencies in making wise/informed decisions in a very volatile market.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.