ماشین‌های بردار پشتیبان برای معامله رمزارز در افق کوتاه
خلاصه
این مطالعه از قیمت‌های تاریخی و شاخص‌های تکنیکال برای دسته‌بندی حرکت‌های کوتاه‌مدت بیت‌کوین، اتریوم و لایت‌کوین استفاده می‌کند. روش‌های دسته‌بندی را از نظر توانایی تشخیص حرکت‌های صعودی و نزولی در افق یک‌ساعته مقایسه می‌کند و عملکرد را بر پایه ارزش پیش‌بینی مثبت و منفی گزارش می‌دهد. سپس پیش‌بینی‌ها را به تصمیم‌های معاملاتی تبدیل می‌کند و آن تصمیم‌ها را با بک‌تستی که برای بازنمایی شرایط معامله طراحی شده ارزیابی می‌کند.
در میان روش‌های بررسی‌شده، ماشین‌های بردار پشتیبان سودآورترین استراتژی‌ها را ایجاد می‌کنند و استراتژی‌های گزارش‌شده برای هر سه دارایی، طی دوره ارزیابی اعلام‌شده که از ژانویه 2018 آغاز می‌شود، به‌طور میانگین از بازار بهتر عمل می‌کنند. این یافته‌ها به رمزارزهای منتخب، نمونه تاریخی، شاخص‌ها، افق پیش‌بینی و فرض‌های بک‌تست محدودند. شرح، جزئیاتی مانند تنظیم هزینه معامله، مشخصات مدل یا عملکرد تعدیل‌شده با ریسک را ارائه نمی‌کند؛ بنابراین نتایج گزارش‌شده به‌تنهایی عملکرد استراتژی را در دوره‌های دیگر یا معامله زنده ثابت نمی‌کنند.
ایده‌های کلیدی
- مطالعه از تاریخچه قیمت رمزارزها شاخص‌های تکنیکال می‌سازد تا جهت قیمت را در افق یک‌ساعته پیش‌بینی کند.
- دسته‌بندها با معیارهای ارزش پیش‌بینی مثبت و منفی ارزیابی می‌شوند.
- پیش‌بینی‌ها به تصمیم‌های معاملاتی تبدیل و با بک‌تستی متناسب با معامله ارزیابی می‌شوند.
- در سودآوری استراتژی‌های گزارش‌شده، ماشین‌های بردار پشتیبان از روش‌های آزموده‌شده پیشی می‌گیرند.
- عملکرد بهتر از بازارِ گزارش‌شده به بیت‌کوین، اتریوم، لایت‌کوین و دوره تاریخی آزموده‌شده محدود است.
برچسب‌ها
متن کامل
# Cryptocurrency Price Prediction and Trading Strategies Using Support Vector Machines # Cryptocurrency Price Prediction and Trading Strategies Using Support Vector Machines Few assets in financial history have been as notoriously volatile as cryptocurrencies. While the long term outlook for this asset class remains unclear, we are successful in making short term price predictions for several major crypto assets. Using historical data from July 2015 to November 2019, we develop a large number of technical indicators to capture patterns in the cryptocurrency market. We then test various classification methods to forecast short-term future price movements based on these indicators. On both PPV and NPV metrics, our classifiers do well in identifying up and down market moves over the next 1 hour. Beyond evaluating classification accuracy, we also develop a strategy for translating 1-hour-ahead class predictions into trading decisions, along with a backtester that simulates trading in a realistic environment. We find that support vector machines yield the most profitable trading strategies, which outperform the market on average for Bitcoin, Ethereum and Litecoin over the past 22 months, since January 2018.
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.