طبقه‌بندی جهت قیمت بیت‌کوین با شاخص‌های تکنیکال
خلاصه
این مطالعه رویکردی مبتنی بر طبقه‌بندی یادگیری ماشین را برای پیش‌بینی صعود یا نزول قیمت رمزارز توصیف می‌کند. مدل با داده‌های تاریخی قیمت پایانی بیت‌کوین آموزش می‌بیند و معیارهای تکنیکال آشنایی را به کار می‌گیرد: همگرایی و واگرایی میانگین متحرک، شاخص قدرت نسبی و باندهای بولینگر. خروجی موردنظر راهنمای جهت حرکت است که می‌تواند مبنای تصمیم خرید یا فروش قرار گیرد، نه پیش‌بینی عددی قیمت.
سند می‌گوید عملکرد مدل با شبیه‌سازی، از جمله ماتریس درهم‌ریختگی و منحنی مشخصه عملکرد گیرنده، ارزیابی می‌شود و دقت سیگنال‌های خرید و فروش را بیش از 92 درصد گزارش می‌کند. جزئیاتی درباره الگوریتم طبقه‌بندی، افق پیش‌بینی، دوره نمونه، تفکیک داده‌ها، هزینه‌های معامله یا مقایسه با معیارهای ساده ارائه نمی‌دهد. این کاستی‌ها داوری درباره پایداری یا تبدیل دقت گزارش‌شده به استراتژی قابل‌اجرا را دشوار می‌کنند. شواهد به نمونه تجربی بیت‌کوین محدود است و عملکرد در دارایی‌ها یا رژیم‌های بازار دیگر را ثابت نمی‌کند.
ایده‌های کلیدی
- مدل جهت موردانتظار قیمت بیت‌کوین را طبقه‌بندی می‌کند، نه قیمت دقیق آن را.
- قیمت‌های پایانی تاریخی با MACD، RSI و باندهای بولینگر به‌عنوان ورودی ترکیب می‌شوند.
- برای ارزیابی عملکرد طبقه‌بندی از ماتریس درهم‌ریختگی و منحنی ROC استفاده می‌شود.
- سند در مطالعه تجربی خود دقت سیگنال خرید و فروش را بیش از 92 درصد گزارش می‌کند.
- شواهد توصیف‌شده سودآوری پس از هزینه‌ها یا تعمیم‌پذیری فراتر از بیت‌کوین را ثابت نمی‌کند.
برچسب‌ها
متن کامل
# Predicting Market Trends with Enhanced Technical Indicator Integration and Classification Models # Predicting Market Trends with Enhanced Technical Indicator Integration and Classification Models Thanks to the high potential for profit, trading has become increasingly attractive to investors as the cryptocurrency and stock markets rapidly expand. However, because financial markets are intricate and dynamic, accurately predicting prices remains a significant challenge. The volatile nature of the cryptocurrency market makes it even harder for traders and investors to make decisions. This study presents a classification-based machine learning model to forecast the direction of the cryptocurrency market, i.e., whether prices will increase or decrease. The model is trained using historical data and important technical indicators such as the Moving Average Convergence Divergence, the Relative Strength Index, and the Bollinger Bands. We illustrate our approach with an empirical study of the closing price of Bitcoin. Several simulations, including a confusion matrix and Receiver Operating Characteristic curve, are used to assess the model's performance, and the results show a buy/sell signal accuracy of over 92\%. These findings demonstrate how machine learning models can assist investors and traders of cryptocurrencies in making wise/informed decisions in a very volatile market.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.