Vergleich von Machine-Learning-Modellen für Bitcoin-Trading

Zusammenfassung

Die Studie vergleicht 41 Machine-Learning-Modelle, aufgeteilt in Klassifikatoren und Regressoren, um Bitcoin-Preise vorherzusagen und ihren Einsatz im algorithmischen Trading zu bewerten. Sie kombiniert Prognosekennzahlen wie absolute und quadrierte Fehler mit Handelskennzahlen wie Gewinn und Verlust sowie der Sharpe Ratio. Die Auswertung umfasst laut Beschreibung historische Backtests, Vorwärtstests mit ungesehenen Daten und reale Handelsszenarien unter verschiedenen Marktbedingungen.

Die Übersicht nennt Random Forest und Stochastic Gradient Descent als Modelle, die bei Rentabilität und Risikomanagement besser abschneiden. Sie enthält keine Ergebnisse für einzelne Modelle, Angaben zur Stichprobe oder zu Handelsregeln sowie keine numerischen Leistungswerte. Daher lässt sich anhand dieses Textes allein weder die Stärke noch die Reproduzierbarkeit dieser Schlussfolgerungen beurteilen. Prognosegenauigkeit allein belegt zudem nicht, dass eine Strategie nach Kosten profitabel oder außerhalb der Stichprobe robust ist. Das Dokument bietet einen breiten Bewertungsrahmen und zentrale Ergebnisse; für die Beurteilung der Umsetzung und Evidenz müssten Leser die vollständige Studie heranziehen.

Kernaussagen

• Die Studie untersucht 41 Klassifikatoren und Regressoren zur Vorhersage des Bitcoin-Preises.
• Die Modelle werden sowohl anhand von Prognosefehlern als auch anhand von Handelskennzahlen bewertet.
• Die Auswertung umfasst laut Beschreibung Backtests, Vorwärtstests und reale Handelsszenarien.
• Random Forest und Stochastic Gradient Descent werden bei Rentabilität und Risikomanagement als vergleichsweise stark eingestuft.
• Die Übersicht lässt detaillierte Ergebnisse und Umsetzungsinformationen aus, die für eine unabhängige Beurteilung der Robustheit nötig wären.

Schlagwörter

# A Comprehensive Analysis of Machine Learning Models for Algorithmic Trading of Bitcoin


# A Comprehensive Analysis of Machine Learning Models for Algorithmic Trading of Bitcoin









This study evaluates the performance of 41 machine learning models, including 21 classifiers and 20 regressors, in predicting Bitcoin prices for algorithmic trading. By examining these models under various market conditions, we highlight their accuracy, robustness, and adaptability to the volatile cryptocurrency market. Our comprehensive analysis reveals the strengths and limitations of each model, providing critical insights for developing effective trading strategies. We employ both machine learning metrics (e.g., Mean Absolute Error, Root Mean Squared Error) and trading metrics (e.g., Profit and Loss percentage, Sharpe Ratio) to assess model performance. Our evaluation includes backtesting on historical data, forward testing on recent unseen data, and real-world trading scenarios, ensuring the robustness and practical applicability of our models. Key findings demonstrate that certain models, such as Random Forest and Stochastic Gradient Descent, outperform others in terms of profit and risk management. These insights offer valuable guidance for traders and researchers aiming to leverage machine learning for cryptocurrency 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.