Prueba de la eficiencia del mercado de Bitcoin con redes neuronales e indicadores de otros activos

Artículo arXiv papers · Autor: Mike Kraehenbuehl et al.

Resumen

El estudio prueba la forma débil de la hipótesis de los mercados eficientes para Bitcoin mediante una red neuronal feedforward. Analiza si añadir rendimientos u otras variables de activos mejora la predicción junto con los rendimientos de Bitcoin. Las entradas adicionales incluyen índices bursátiles, el tipo de cambio EUR/USD, un rendimiento de los bonos del Tesoro de US y un índice de productores de oro y plata. El estudio compara el rendimiento del entrenamiento con las predicciones en el conjunto de prueba y considera el rendimiento frente a comprar y mantener.

La precisión del entrenamiento aumenta de 54.6% con una variable a 61% con seis, pero las variables añadidas no mejoran la precisión en el conjunto de prueba. Un conjunto de variables supera parcialmente a comprar y mantener, mientras que añadir otra reduce ese rendimiento. Por tanto, los autores concluyen que su modelo y las entradas seleccionadas no revelan ineficiencias de forma débil aprovechables durante el periodo de la muestra, aunque califican el resultado de parcial. El resultado depende del periodo, las variables, la arquitectura y los hiperparámetros elegidos; no demuestra que Bitcoin sea siempre eficiente ni descarta otros métodos.

Ideas clave

El estudio prueba la eficiencia en forma débil de Bitcoin con una red neuronal feedforward.
Compara los rendimientos de Bitcoin por sí solos con modelos que también incorporan datos de otros activos: acciones, divisas, rendimientos de bonos del Tesoro y un índice relacionado con metales.
La precisión del entrenamiento mejora al añadir variables, pero la precisión de prueba no.
Un conjunto de variables supera parcialmente a comprar y mantener, con un rendimiento menor al añadir otra variable.
La conclusión sobre eficiencia se limita a la muestra, las entradas y la configuración del modelo estudiadas.

Etiquetas

Criptoactivos Aprendizaje automático Estadística Renta variable Divisas Renta fija

Texto completo

# The Efficient Market Hypothesis for Bitcoin in the context of neural networks

This study examines the weak form of the efficient market hypothesis for Bitcoin using a feedforward neural network. Due to the increasing popularity of cryptocurrencies in recent years, the question has arisen, as to whether market inefficiencies could be exploited in Bitcoin. Several studies we refer to here discuss this topic in the context of Bitcoin using either statistical tests or machine learning methods, mostly relying exclusively on data from Bitcoin itself. Results regarding market efficiency vary from study to study. In this study, however, the focus is on applying various asset-related input features in a neural network. The aim is to investigate whether the prediction accuracy improves when adding equity stock indices (S&P 500, Russell 2000), currencies (EURUSD), 10 Year US Treasury Note Yield as well as Gold&Silver producers index (XAU), in addition to using Bitcoin returns as input feature. As expected, the results show that more features lead to higher training performance from 54.6% prediction accuracy with one feature to 61% with six features. On the test set, we observe that with our neural network methodology, adding additional asset classes, no increase in prediction accuracy is achieved. One feature set is able to partially outperform a buy-and-hold strategy, but the performance drops again as soon as another feature is added. This leads us to the partial conclusion that weak market inefficiencies for Bitcoin cannot be detected using neural networks and the given asset classes as input. Therefore, based on this study, we find evidence that the Bitcoin market is efficient in the sense of the efficient market hypothesis during the sample period. We encourage further research in this area, as much depends on the sample period chosen, the input features, the model architecture, and the hyperparameters.

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.