Preismuster klassifizieren: Kryptowährungs- und Aktienmärkte vergleichen

Artikel arXiv papers · Autor: Yu Zhang et al.

Zusammenfassung

Diese Studie fragt, ob Anleger in Kryptowährungen anders handeln als Aktienanleger, und nutzt Kursverläufe als Beleg für dieses Verhalten. Zunächst wendet sie mehrere Machine-Learning-Modelle an, um Zeitreihen von Kryptowährungen und Aktien aus demselben Zeitraum zu klassifizieren. Die berichtete hohe Klassifikationsgenauigkeit deutet auf unterscheidbare Kursmuster der beiden Gruppen hin. Die Klassifikation allein erklärt jedoch weder, warum diese Unterschiede auftreten, noch ob sie anhalten.

Anschließend berechnen die Autoren Zeitreihenmerkmale wie Verteilungsmomente, Extremwerte und Autokorrelationen verschiedener Ordnung. Mit logistischer Regression, Random Forests, Support Vector Machines und weiteren Klassifikatoren untersuchen sie deren Erklärungskraft. Die Ergebnisse deuten darauf hin, dass diese Merkmale die beiden Anlagegruppen voneinander unterscheiden. Das Dokument enthält keine Einzelheiten zur Stichprobenauswahl, zur Validierung außerhalb der Stichprobe oder konkrete Angaben zur Klassifikationsgenauigkeit. Daher lassen sich Stärke und Handelsrelevanz der berichteten Unterschiede anhand dieser Zusammenfassung nicht unabhängig beurteilen. Die Methode ist eine vergleichende Analyse, keine Handelsregel und kein Nachweis profitabler Renditen.

Kernaussagen

Kurszeitreihen können genutzt werden, um das Verhalten von Kryptowährungen von dem von Aktien zu unterscheiden.
Die Studie berichtet von hoher Genauigkeit bei der Klassifikation beider Anlagegruppen über denselben Zeitraum.
Verteilungsstatistiken und Autokorrelationsmerkmale helfen, die beobachteten Unterschiede der Muster zu erklären.
Zu den getesteten Modellen gehören logistische Regression, Random Forests und Support Vector Machines.
Die Klassifikation weist Unterschiede nach, belegt aber weder deren Ursachen noch Profitabilität.

Schlagwörter

Krypto Aktien Maschinelles Lernen Statistik

Volltext

# Classification-Based Analysis of Price Pattern Differences Between Cryptocurrencies and Stocks

Cryptocurrencies are digital tokens built on blockchain technology, with thousands actively traded on centralized exchanges (CEXs). Unlike stocks, which are backed by real businesses, cryptocurrencies are recognized as a distinct class of assets by researchers. How do investors treat this new category of asset in trading? Are they similar to stocks as an investment tool for investors? We answer these questions by investigating cryptocurrencies' and stocks' price time series which can reflect investors' attitudes towards the targeted assets. Concretely, we use different machine learning models to classify cryptocurrencies' and stocks' price time series in the same period and get an extremely high accuracy rate, which reflects that cryptocurrency investors behave differently in trading from stock investors. We then extract features from these price time series to explain the price pattern difference, including mean, variance, maximum, minimum, kurtosis, skewness, and first to third-order autocorrelation, etc., and then use machine learning methods including logistic regression (LR), random forest (RF), support vector machine (SVM), etc. for classification. The classification results show that these extracted features can help to explain the price time series pattern difference between cryptocurrencies and stocks.

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.