Machine learning para predecir precios cripto a corto plazo

Resumen

Este estudio comprueba si las ineficiencias del mercado de criptomonedas pueden aprovecharse para obtener beneficios de trading anormales. Evalúa estrategias algorítmicas sencillas respaldadas por machine learning con observaciones diarias de 1,681 criptomonedas, entre noviembre de 2015 y abril de 2018. La comparación reportada muestra que estas estrategias superan los índices de referencia habituales, lo que sugiere que mecanismos predictivos relativamente sencillos pueden ayudar a anticipar movimientos de mercado a corto plazo.

El resumen no identifica los algoritmos, las variables, los índices de referencia ni los supuestos sobre costes de transacción, y tampoco proporciona cifras de rendimiento. Por tanto, el resultado reportado se limita a la muestra y el periodo indicados por el estudio; no demuestra que las estrategias sigan siendo rentables en otras condiciones de mercado o después de los costes de trading. El trabajo sirve como prueba histórica del trading de criptomonedas basado en machine learning, aunque hacen falta más detalles para evaluar su reproducibilidad e implementación.

Ideas clave

• El estudio evalúa estrategias de predicción de precios de criptomonedas a corto plazo asistidas por machine learning.
• Utiliza datos diarios de 1,681 criptomonedas entre noviembre de 2015 y abril de 2018.
• Las estrategias reportadas superan los índices de referencia habituales del estudio.
• El resumen no especifica los algoritmos, las variables de entrada ni el tratamiento de los costes de transacción.
• Los hallazgos expuestos se limitan a la muestra histórica descrita.

Etiquetas

# Anticipating cryptocurrency prices using machine learning


# Anticipating cryptocurrency prices using machine learning









Machine learning and AI-assisted trading have attracted growing interest for the past few years. Here, we use this approach to test the hypothesis that the inefficiency of the cryptocurrency market can be exploited to generate abnormal profits. We analyse daily data for $1,681$ cryptocurrencies for the period between Nov. 2015 and Apr. 2018. We show that simple trading strategies assisted by state-of-the-art machine learning algorithms outperform standard benchmarks. Our results show that nontrivial, but ultimately simple, algorithmic mechanisms can help anticipate the short-term evolution of 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.