Predicción del precio de Bitcoin con indicadores técnicos y aprendizaje automático

Resumen

Este estudio evalúa si los modelos de aprendizaje automático que utilizan indicadores técnicos pueden predecir los precios de Bitcoin. Utiliza datos históricos desde enero de 2012 hasta agosto de 2019 y compara un modelo lineal generalizado penalizado, un bosque aleatorio, una regresión lineal de vectores de soporte y un conjunto de modelos apilados. Los modelos se evalúan mediante el error porcentual absoluto medio, la raíz del error cuadrático medio, el error absoluto medio y R cuadrado.

El modelo con mejores resultados según el informe es un conjunto apilado que combina un bosque aleatorio y el modelo lineal generalizado, con la regresión lineal de vectores de soporte como metamodelo. El documento ofrece las métricas de error y ajuste del conjunto, que indican una correspondencia estrecha con los precios en la evaluación del estudio. Sin embargo, no describe el diseño de validación, las comparaciones con valores de referencia ni si se tuvieron en cuenta los costes de transacción y los rendimientos del trading. Por tanto, los resultados se refieren a la predicción de precios en la muestra especificada; por sí solos, no demuestran que el método genere beneficios o siga siendo fiable en otros periodos.

Ideas clave

• El estudio utiliza indicadores técnicos como predictores de los precios de Bitcoin.
• Compara cuatro enfoques de aprendizaje automático, incluido un conjunto de modelos apilados.
• El conjunto seleccionado combina un bosque aleatorio y un modelo lineal generalizado penalizado, con un metamodelo de regresión por vectores de soporte.
• Las métricas de predicción comunicadas describen el ajuste del modelo, pero no demuestran que el trading sea rentable.
• Los datos abarcan desde enero de 2012 hasta agosto de 2019.

Etiquetas

# Are Bitcoins price predictable? Evidence from machine learning techniques using technical indicators


# Are Bitcoins price predictable? Evidence from machine learning techniques using technical indicators









The uncertainties in future Bitcoin price make it difficult to accurately predict the price of Bitcoin. Accurately predicting the price for Bitcoin is therefore important for decision-making process of investors and market players in the cryptocurrency market. Using historical data from 01/01/2012 to 16/08/2019, machine learning techniques (Generalized linear model via penalized maximum likelihood, random forest, support vector regression with linear kernel, and stacking ensemble) were used to forecast the price of Bitcoin. The prediction models employed key and high dimensional technical indicators as the predictors. The performance of these techniques were evaluated using mean absolute percentage error (MAPE), root mean square error (RMSE), mean absolute error (MAE), and coefficient of determination (R-squared). The performance metrics revealed that the stacking ensemble model with two base learner (random forest and generalized linear model via penalized maximum likelihood) and support vector regression with linear kernel as meta-learner was the optimal model for forecasting Bitcoin price. The MAPE, RMSE, MAE, and R-squared values for the stacking ensemble model were 0.0191%, 15.5331 USD, 124.5508 USD, and 0.9967 respectively. These values show a high degree of reliability in predicting the price of Bitcoin using the stacking ensemble model. Accurately predicting the future price of Bitcoin will yield significant returns for investors and market players in the cryptocurrency market.

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.