Bitcoin-Richtungsmodelle mit Risikosteuerung anhand der Prognosesicherheit

Zusammenfassung

Diese Studie nutzt interne Bitcoin-Netzwerkdaten und externe Merkmale, um die tägliche Kursrichtung mit mehreren Modellen für maschinelles Lernen vorherzusagen. Die Prognosen werden anhand einer Handelsstrategie mit zuvor ungesehenen Beobachtungen aus dem ersten Quartal 2021 ausgewertet. Ein binäres Signal erzielt laut Bericht während des dreimonatigen Testzeitraums mit Kaufen und Halten vergleichbare Renditen.

Die Strategie nutzt außerdem die Prognosesicherheit als Eingabe für die Risikotoleranz und passt Handelsentscheidungen daran an, wie sicher sich das Modell ist. Die Autoren berichten, dass diese Variante im angegebenen Zeitraum Kaufen und Halten übertraf. Die Ergebnisse beschränken sich auf ein Asset und einen kurzen historischen Auswertungszeitraum. Der Auszug enthält keine Angaben zu Kosten, risikobereinigter Leistung, Modellauswahl oder Robustheit über andere Marktregime hinweg. Das berichtete Ergebnis spricht daher für weitere Tests, belegt aber keine dauerhaft tragfähige Leistung im Live-Trading.

Kernaussagen

• Die Modelle kombinieren Merkmale des Bitcoin-Netzwerks mit externen Eingaben, um die tägliche Kursrichtung einzuordnen.
• Die Leistung wird anhand einer Handelsstrategie mit zuvor ungesehenen Daten aus dem ersten Quartal 2021 bewertet.
• Laut Bericht verbessert sich das Ergebnis gegenüber Kaufen und Halten, wenn die Prognosesicherheit zur Anpassung der Risikotoleranz genutzt wird.
• Die kurze Auswertung eines einzelnen Zeitraums belegt keine Robustheit über verschiedene Marktregime hinweg oder im Live-Trading.

Schlagwörter

# Exploration of Algorithmic Trading Strategies for the Bitcoin Market


# Exploration of Algorithmic Trading Strategies for the Bitcoin Market









Bitcoin is firmly becoming a mainstream asset in our global society. Its highly volatile nature has traders and speculators flooding into the market to take advantage of its significant price swings in the hope of making money. This work brings an algorithmic trading approach to the Bitcoin market to exploit the variability in its price on a day-to-day basis through the classification of its direction. Building on previous work, in this paper, we utilise both features internal to the Bitcoin network and external features to inform the prediction of various machine learning models. As an empirical test of our models, we evaluate them using a real-world trading strategy on completely unseen data collected throughout the first quarter of 2021. Using only a binary predictor, at the end of our three-month trading period, our models showed an average profit of 86\%, matching the results of the more traditional buy-and-hold strategy. However, after incorporating a risk tolerance score into our trading strategy by utilising the model's prediction confidence scores, our models were 12.5\% more profitable than the simple buy-and-hold strategy. These results indicate the credible potential that machine learning models have in extracting profit from the Bitcoin market and act as a front-runner for further research into real-world Bitcoin trading.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.