Bitcoins Markteffizienz mit neuronalen Netzen und marktübergreifenden Daten testen

Zusammenfassung

Die Studie prüft die schwache Form der Effizienzmarkthypothese für Bitcoin mithilfe eines Feedforward-Neuronalen Netzes. Sie untersucht, ob Renditen oder verwandte Merkmale anderer Vermögenswerte zusätzlich zu Bitcoin-Renditen die Vorhersage verbessern. Zu den zusätzlichen Eingaben zählen Aktienindizes, der Wechselkurs EUR/USD, eine Rendite auf US-Staatsanleihen und ein Index für Gold- und Silberproduzenten. Die Studie vergleicht die Trainingsleistung mit Vorhersagen für den Testsatz und betrachtet die Leistung im Vergleich zu Kaufen und Halten.

Die Trainingsgenauigkeit steigt mit einem Merkmal von 54.6% auf 61% mit sechs Merkmalen; die zusätzlichen Merkmale verbessern jedoch nicht die Genauigkeit auf dem Testsatz. Ein Merkmalsset schneidet teilweise besser ab als Buy and Hold, während ein weiteres Merkmal diese Leistung mindert. Die Autoren kommen daher zu dem Schluss, dass ihr Modell und die gewählten Eingaben im Stichprobenzeitraum keine ausnutzbare Ineffizienz in der schwachen Form zeigen, schränken diese Schlussfolgerung aber als teilweise ein. Das Ergebnis hängt vom gewählten Zeitraum, den Merkmalen, der Architektur und den Hyperparametern ab. Es belegt weder, dass Bitcoin immer effizient ist, noch schließt es andere Methoden aus.

Kernaussagen

• Die Studie prüft Bitcoins Effizienz in der schwachen Form mithilfe eines Feedforward-Neuronalen Netzes.
• Sie vergleicht alleinige Bitcoin-Renditen mit Eingaben aus Aktien, Währungen, Staatsanleiherenditen und einem Index mit Bezug zu Metallen.
• Die Trainingsgenauigkeit steigt mit zusätzlichen Merkmalen, die Testgenauigkeit jedoch nicht.
• Ein Merkmalsset schneidet teilweise besser ab als Buy and Hold; ein weiteres hinzugefügtes Merkmal verschlechtert die Leistung.
• Die Schlussfolgerung zur Effizienz ist auf die untersuchte Stichprobe, die Eingaben und die Modellkonfiguration beschränkt.

Schlagwörter

# The Efficient Market Hypothesis for Bitcoin in the context of neural networks


# The Efficient Market Hypothesis for Bitcoin in the context of neural networks









This study examines the weak form of the efficient market hypothesis for Bitcoin using a feedforward neural network. Due to the increasing popularity of cryptocurrencies in recent years, the question has arisen, as to whether market inefficiencies could be exploited in Bitcoin. Several studies we refer to here discuss this topic in the context of Bitcoin using either statistical tests or machine learning methods, mostly relying exclusively on data from Bitcoin itself. Results regarding market efficiency vary from study to study. In this study, however, the focus is on applying various asset-related input features in a neural network. The aim is to investigate whether the prediction accuracy improves when adding equity stock indices (S&P 500, Russell 2000), currencies (EURUSD), 10 Year US Treasury Note Yield as well as Gold&Silver producers index (XAU), in addition to using Bitcoin returns as input feature. As expected, the results show that more features lead to higher training performance from 54.6% prediction accuracy with one feature to 61% with six features. On the test set, we observe that with our neural network methodology, adding additional asset classes, no increase in prediction accuracy is achieved. One feature set is able to partially outperform a buy-and-hold strategy, but the performance drops again as soon as another feature is added. This leads us to the partial conclusion that weak market inefficiencies for Bitcoin cannot be detected using neural networks and the given asset classes as input. Therefore, based on this study, we find evidence that the Bitcoin market is efficient in the sense of the efficient market hypothesis during the sample period. We encourage further research in this area, as much depends on the sample period chosen, the input features, the model architecture, and the hyperparameters.

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.