Saltar al contenido
Todos los documentos de la biblioteca

Aprendizaje automático y señales técnicas para operar con bitcoin

Artículo arXiv papers · Autor: José Ángel Islas Anguiano et al.
Leer el original

Resumen

El estudio compara dos modelos de aprendizaje automático, LightGBM y LSTM, con dos estrategias basadas en indicadores para bitcoin: un cruce de medias móviles exponenciales y una combinación de MACD con ADX. Sitúa la comparación en el contexto de la primera aprobación regulatoria en Estados Unidos de fondos cotizados de bitcoin al contado, en enero de 2024. El objetivo indicado es evaluar el rendimiento de estas señales en el trading de bitcoin.

El documento informa de que la estrategia LSTM obtuvo una rentabilidad acumulada de aproximadamente 65.23% en menos de un año y superó a los otros modelos, las estrategias técnicas y la estrategia de comprar y mantener durante el periodo examinado. Ese único resultado comunicado no demuestra que el modelo vaya a generalizarse: el documento no describe el conjunto de datos, el diseño de validación, los costes de trading, las rentabilidades ajustadas al riesgo ni las medidas contra el sobreajuste. Por tanto, la comparación presenta una afirmación de rendimiento para un periodo de estudio limitado, pero no ofrece detalles suficientes para determinar si el resultado es reproducible o adecuado para su implementación.

Ideas clave

  • La comparación incluye los modelos LightGBM y LSTM, junto con estrategias de cruce de EMA y de MACD más ADX.
  • Las estrategias se evalúan para bitcoin, en un estudio motivado por la aprobación estadounidense de los ETF de bitcoin al contado.
  • El documento informa de que LSTM obtuvo la mayor rentabilidad acumulada entre los enfoques enumerados durante el periodo de estudio.
  • La rentabilidad comunicada por sí sola no muestra cómo cambia el resultado después de costes o con distintos métodos de validación.
  • El documento no aporta suficientes detalles metodológicos para evaluar la reproducibilidad o el riesgo de sobreajuste.

Etiquetas

CriptoactivosAprendizaje automáticoIndicadores técnicosPruebas retrospectivasMercados al contado
Texto completo
# Technical Analysis Meets Machine Learning: Bitcoin Evidence


# Technical Analysis Meets Machine Learning: Bitcoin Evidence









In this note, we compare Bitcoin trading performance using two machine learning models-Light Gradient Boosting Machine (LightGBM) and Long Short-Term Memory (LSTM)-and two technical analysis-based strategies: Exponential Moving Average (EMA) crossover and a combination of Moving Average Convergence/Divergence with the Average Directional Index (MACD+ADX). The objective is to evaluate how trading signals can be used to maximize profits in the Bitcoin market. This comparison was motivated by the U.S. Securities and Exchange Commission's (SEC) approval of the first spot Bitcoin exchange-traded funds (ETFs) on 2024-01-10. Our results show that the LSTM model achieved a cumulative return of approximately 65.23% in under a year, significantly outperforming LightGBM, the EMA and MACD+ADX strategies, as well as the baseline buy-and-hold. This study highlights the potential for deeper integration of machine learning and technical analysis in the rapidly evolving cryptocurrency landscape.

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.