Machine Learning zur kurzfristigen Prognose von Kryptowährungskursen

Zusammenfassung

Diese Studie prüft, ob sich Ineffizienzen an Kryptowährungsmärkten für ungewöhnliche Handelsgewinne nutzen lassen. Sie bewertet einfache, durch Machine Learning unterstützte algorithmische Strategien anhand täglicher Beobachtungen zu 1,681 Kryptowährungen von November 2015 bis April 2018. Der berichtete Vergleich zeigt, dass diese Strategien gängige Benchmarks übertreffen, was darauf hindeutet, dass relativ einfache Prognosemechanismen kurzfristige Marktbewegungen möglicherweise vorwegnehmen können.

Das Abstract nennt weder die konkreten Algorithmen, Merkmale, Benchmarks noch Annahmen zu Transaktionskosten und enthält keine Leistungskennzahlen. Das berichtete Ergebnis ist daher auf die angegebene Stichprobe und den untersuchten Zeitraum beschränkt; es belegt nicht, dass die Strategien unter anderen Marktbedingungen oder nach Handelskosten profitabel bleiben würden. Die Arbeit ist als historische Prüfung von Machine-Learning-basiertem Handel mit Kryptowährungen nützlich; für die Beurteilung der Reproduzierbarkeit und Umsetzung sind jedoch weitere Details erforderlich.

Kernaussagen

• Die Studie prüft Machine-Learning-gestützte Strategien zur kurzfristigen Prognose von Kryptowährungskursen.
• Sie verwendet Tagesdaten zu 1,681 Kryptowährungen von November 2015 bis April 2018.
• Die berichteten Strategien übertreffen die Standardbenchmarks der Studie.
• Das Abstract spezifiziert weder Algorithmen und Eingabemerkmale noch die Behandlung von Transaktionskosten.
• Die dargestellten Ergebnisse beschränken sich auf die beschriebene historische Stichprobe.

Schlagwörter

# 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.

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.