Modelos de dirección de Bitcoin con control del riesgo basado en la confianza

Resumen

Este estudio usa datos internos de la red Bitcoin y factores externos para predecir la dirección diaria del precio con varios modelos de aprendizaje automático. Evalúa esos pronósticos mediante una estrategia de trading con observaciones no vistas recopiladas durante el primer trimestre de 2021. Una señal binaria genera rendimientos que, según se informa, son comparables a los de comprar y mantener durante el periodo de prueba de tres meses.

La estrategia también usa la confianza de las predicciones como indicador de tolerancia al riesgo y adapta las decisiones de trading según el grado de certeza del modelo. Los autores informan que esta versión superó a la estrategia de comprar y mantener en el periodo indicado. Estos resultados se limitan a un activo y a una ventana histórica de evaluación breve; el fragmento no ofrece detalles sobre costes, rendimiento ajustado al riesgo, selección del modelo ni robustez en otros regímenes. Por tanto, el resultado comunicado justifica más pruebas, pero no demuestra un rendimiento duradero en trading real.

Ideas clave

• Los modelos combinan características de la red Bitcoin con datos externos para clasificar la dirección diaria.
• El rendimiento se evalúa con una estrategia de trading sobre datos no vistos del primer trimestre de 2021.
• Según se informa, usar la confianza de las predicciones para ajustar la tolerancia al riesgo mejora los resultados frente a comprar y mantener.
• La evaluación breve y limitada a un periodo no demuestra robustez en distintos regímenes de mercado ni en trading real.

Etiquetas

# Exploration of Algorithmic Trading Strategies for the Bitcoin Market


# Exploration of Algorithmic Trading Strategies for the Bitcoin Market









Bitcoin is firmly becoming a mainstream asset in our global society. Its highly volatile nature has traders and speculators flooding into the market to take advantage of its significant price swings in the hope of making money. This work brings an algorithmic trading approach to the Bitcoin market to exploit the variability in its price on a day-to-day basis through the classification of its direction. Building on previous work, in this paper, we utilise both features internal to the Bitcoin network and external features to inform the prediction of various machine learning models. As an empirical test of our models, we evaluate them using a real-world trading strategy on completely unseen data collected throughout the first quarter of 2021. Using only a binary predictor, at the end of our three-month trading period, our models showed an average profit of 86\%, matching the results of the more traditional buy-and-hold strategy. However, after incorporating a risk tolerance score into our trading strategy by utilising the model's prediction confidence scores, our models were 12.5\% more profitable than the simple buy-and-hold strategy. These results indicate the credible potential that machine learning models have in extracting profit from the Bitcoin market and act as a front-runner for further research into real-world Bitcoin trading.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.