Bitcoin-Kursprognosen mit technischen Indikatoren und maschinellem Lernen
Zusammenfassung
Diese Studie untersucht, ob Modelle des maschinellen Lernens mit technischen Indikatoren Bitcoin-Kurse prognostizieren können. Sie verwendet historische Daten von Januar 2012 bis August 2019 und vergleicht ein penalisiertes verallgemeinertes lineares Modell, Random Forest, lineare Support-Vektor-Regression und ein Stacking-Ensemble. Die Modelle werden anhand des mittleren absoluten prozentualen Fehlers, des quadratischen Mittelwertfehlers, des mittleren absoluten Fehlers und des Bestimmtheitsmaßes R² bewertet.
Das beste berichtete Modell ist ein Stack aus Random Forest und dem verallgemeinerten linearen Modell, dessen Meta-Lerner eine lineare Support-Vektor-Regression ist. Das Dokument nennt Fehler- und Anpassungskennzahlen des Stacks, die auf eine gute Übereinstimmung mit den Kursen in der untersuchten Auswertung hindeuten. Es beschreibt jedoch weder den Validierungsaufbau noch Benchmarkvergleiche oder ob Transaktionskosten und Handelsrenditen berücksichtigt wurden. Die Ergebnisse betreffen daher Kursprognosen in der angegebenen Stichprobe; für sich genommen zeigen sie weder, dass die Methode Gewinne erzielen würde, noch dass sie in anderen Zeiträumen zuverlässig bliebe.
Kernaussagen
- Die Studie verwendet technische Indikatoren als Prädiktoren für Bitcoin-Kurse.
- Sie vergleicht vier Ansätze des maschinellen Lernens, darunter ein Stacking-Ensemble.
- Das ausgewählte Ensemble kombiniert Random Forest und ein penalisiertes verallgemeinertes lineares Modell mit einem Support-Vektor-Regressionsmodell als Meta-Lerner.
- Die berichteten Prognosekennzahlen beschreiben die Modellanpassung, belegen aber keine profitable Handelsleistung.
- Die Daten reichen von Januar 2012 bis August 2019.
Schlagwörter
Volltext
# Are Bitcoins price predictable? Evidence from machine learning techniques using technical indicators # Are Bitcoins price predictable? Evidence from machine learning techniques using technical indicators The uncertainties in future Bitcoin price make it difficult to accurately predict the price of Bitcoin. Accurately predicting the price for Bitcoin is therefore important for decision-making process of investors and market players in the cryptocurrency market. Using historical data from 01/01/2012 to 16/08/2019, machine learning techniques (Generalized linear model via penalized maximum likelihood, random forest, support vector regression with linear kernel, and stacking ensemble) were used to forecast the price of Bitcoin. The prediction models employed key and high dimensional technical indicators as the predictors. The performance of these techniques were evaluated using mean absolute percentage error (MAPE), root mean square error (RMSE), mean absolute error (MAE), and coefficient of determination (R-squared). The performance metrics revealed that the stacking ensemble model with two base learner (random forest and generalized linear model via penalized maximum likelihood) and support vector regression with linear kernel as meta-learner was the optimal model for forecasting Bitcoin price. The MAPE, RMSE, MAE, and R-squared values for the stacking ensemble model were 0.0191%, 15.5331 USD, 124.5508 USD, and 0.9967 respectively. These values show a high degree of reliability in predicting the price of Bitcoin using the stacking ensemble model. Accurately predicting the future price of Bitcoin will yield significant returns for investors and market players in the cryptocurrency market.
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.