Clasificación de patrones de precios para comparar los mercados cripto y bursátiles

Artículo arXiv papers · Autor: Yu Zhang et al.

Resumen

Este estudio pregunta si los inversores en criptomonedas operan de forma distinta a los inversores en acciones y utiliza historiales de precios de activos como evidencia de esos comportamientos. Primero aplica varios modelos de aprendizaje automático para clasificar series temporales de criptomonedas y acciones observadas durante el mismo periodo. La alta precisión de clasificación comunicada sugiere que los dos grupos presentan patrones de precios diferenciables, aunque la clasificación por sí sola no establece por qué surgen esas diferencias ni si persisten.

A continuación, los autores calculan características de series temporales —incluidos momentos de distribución, extremos y autocorrelaciones de varios órdenes— y utilizan regresión logística, bosques aleatorios, máquinas de vectores de soporte y otros clasificadores para evaluar su valor explicativo. Los resultados indican que estas características ayudan a separar los dos grupos de activos. El documento no proporciona detalles sobre las decisiones de muestreo, la validación fuera de muestra ni cifras concretas de precisión, por lo que la solidez y relevancia para el trading de las diferencias comunicadas no pueden evaluarse de forma independiente a partir de este resumen. El método es un análisis comparativo, no una regla de trading ni una prueba de rendimientos rentables.

Ideas clave

Las series temporales de precios pueden utilizarse para distinguir el comportamiento de las criptomonedas del de las acciones.
El estudio informa de una alta precisión al clasificar los dos grupos de activos durante el mismo periodo.
Las estadísticas de distribución y las características de autocorrelación ayudan a explicar las diferencias observadas entre patrones.
Entre los modelos evaluados se encuentran la regresión logística, los bosques aleatorios y las máquinas de vectores de soporte.
La evidencia de clasificación identifica diferencias, pero no establece sus causas ni su rentabilidad.

Etiquetas

Criptoactivos Renta variable Aprendizaje automático Estadística

Texto completo

# Classification-Based Analysis of Price Pattern Differences Between Cryptocurrencies and Stocks

Cryptocurrencies are digital tokens built on blockchain technology, with thousands actively traded on centralized exchanges (CEXs). Unlike stocks, which are backed by real businesses, cryptocurrencies are recognized as a distinct class of assets by researchers. How do investors treat this new category of asset in trading? Are they similar to stocks as an investment tool for investors? We answer these questions by investigating cryptocurrencies' and stocks' price time series which can reflect investors' attitudes towards the targeted assets. Concretely, we use different machine learning models to classify cryptocurrencies' and stocks' price time series in the same period and get an extremely high accuracy rate, which reflects that cryptocurrency investors behave differently in trading from stock investors. We then extract features from these price time series to explain the price pattern difference, including mean, variance, maximum, minimum, kurtosis, skewness, and first to third-order autocorrelation, etc., and then use machine learning methods including logistic regression (LR), random forest (RF), support vector machine (SVM), etc. for classification. The classification results show that these extracted features can help to explain the price time series pattern difference between cryptocurrencies and stocks.

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.