Modèles de direction du Bitcoin et contrôle du risque par le niveau de confiance des prévisions

Résumé

Cette étude utilise des données internes du réseau Bitcoin et des variables externes pour prévoir le sens quotidien des prix avec plusieurs modèles d’apprentissage automatique. Elle évalue ces prévisions au moyen d’une stratégie de trading sur des observations inédites recueillies au premier trimestre de 2021. Sur la période de test de trois mois, le rendement d’un signal binaire est présenté comme comparable à celui d’une stratégie d’achat-conservation.

La stratégie utilise aussi le degré de confiance des prévisions comme paramètre de tolérance au risque et adapte les décisions de trading selon le niveau de certitude du modèle. Les auteurs rapportent que cette version a surpassé la stratégie d’achat-conservation sur la période indiquée. Les résultats se limitent à un actif et à une courte fenêtre d’évaluation historique ; l’extrait ne précise ni les coûts, ni la performance ajustée du risque, ni la sélection du modèle, ni sa robustesse dans d’autres régimes. Le résultat rapporté motive donc des tests supplémentaires, sans établir une performance durable en trading réel.

Idées clés

• Les modèles combinent des caractéristiques du réseau Bitcoin et des données externes pour classifier le sens quotidien des prix.
• Les performances sont évaluées au moyen d’une stratégie de trading sur des données inédites du premier trimestre de 2021.
• Selon les résultats rapportés, ajuster la tolérance au risque selon la confiance des prévisions améliore les résultats par rapport à l’achat-conservation.
• Cette évaluation courte, limitée à une seule période, n’établit pas la robustesse dans différents régimes de marché ni en trading réel.

Étiquettes

# Exploration of Algorithmic Trading Strategies for the Bitcoin Market


# Exploration of Algorithmic Trading Strategies for the Bitcoin Market









Bitcoin is firmly becoming a mainstream asset in our global society. Its highly volatile nature has traders and speculators flooding into the market to take advantage of its significant price swings in the hope of making money. This work brings an algorithmic trading approach to the Bitcoin market to exploit the variability in its price on a day-to-day basis through the classification of its direction. Building on previous work, in this paper, we utilise both features internal to the Bitcoin network and external features to inform the prediction of various machine learning models. As an empirical test of our models, we evaluate them using a real-world trading strategy on completely unseen data collected throughout the first quarter of 2021. Using only a binary predictor, at the end of our three-month trading period, our models showed an average profit of 86\%, matching the results of the more traditional buy-and-hold strategy. However, after incorporating a risk tolerance score into our trading strategy by utilising the model's prediction confidence scores, our models were 12.5\% more profitable than the simple buy-and-hold strategy. These results indicate the credible potential that machine learning models have in extracting profit from the Bitcoin market and act as a front-runner for further research into real-world Bitcoin trading.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.