استراتيجيات التعلم الآلي للتنبؤ قصير الأجل بأسعار العملات الرقمية
الملخص
تختبر هذه الدراسة ما إذا كان من الممكن استغلال أوجه القصور في سوق العملات الرقمية لتحقيق أرباح تداول غير عادية. وتقيّم استراتيجيات خوارزمية بسيطة مدعومة بالتعلم الآلي على مشاهدات يومية تغطي 1,681 عملة رقمية من نوفمبر 2015 حتى أبريل 2018. وتجد المقارنة المبلغ عنها أن هذه الاستراتيجيات تتفوق على المعايير القياسية، ما يشير إلى أن آليات تنبؤ بسيطة نسبيًا قد تساعد على توقع تحركات السوق قصيرة الأجل.
لا تحدد الخلاصة الخوارزميات أو الخصائص أو المعايير القياسية أو افتراضات تكاليف المعاملات، ولا تقدم أرقام أداء. لذلك تقتصر النتيجة المبلغ عنها على العينة والفترة المحددتين في الدراسة؛ ولا تثبت أن الاستراتيجيات ستظل مربحة في ظروف سوق أخرى أو بعد احتساب تكاليف التداول. ويفيد العمل بوصفه اختبارًا تاريخيًا لتداول العملات الرقمية المدعوم بالتعلم الآلي، بينما يلزم مزيد من التفاصيل لتقييم قابلية إعادة النتائج والتنفيذ.
الأفكار الرئيسية
- تختبر الدراسة استراتيجيات مدعومة بالتعلم الآلي للتنبؤ قصير الأجل بأسعار العملات الرقمية.
- تستخدم بيانات يومية لـ1,681 عملة رقمية من نوفمبر 2015 حتى أبريل 2018.
- تتفوق الاستراتيجيات المبلغ عنها على المعايير القياسية للدراسة.
- لا تحدد الخلاصة الخوارزميات أو خصائص الإدخال أو طريقة احتساب تكاليف المعاملات.
- تقتصر النتائج المذكورة على العينة التاريخية الموصوفة.
الوسوم
النص الكامل
# Anticipating cryptocurrency prices using machine learning # Anticipating cryptocurrency prices using machine learning Machine learning and AI-assisted trading have attracted growing interest for the past few years. Here, we use this approach to test the hypothesis that the inefficiency of the cryptocurrency market can be exploited to generate abnormal profits. We analyse daily data for $1,681$ cryptocurrencies for the period between Nov. 2015 and Apr. 2018. We show that simple trading strategies assisted by state-of-the-art machine learning algorithms outperform standard benchmarks. Our results show that nontrivial, but ultimately simple, algorithmic mechanisms can help anticipate the short-term evolution of the cryptocurrency 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.