Classer les profils de prix pour comparer les marchés crypto et actions

Article arXiv papers · Auteur: Yu Zhang et al.

Résumé

Cette étude demande si les investisseurs en cryptomonnaies négocient différemment des investisseurs en actions et utilise l’historique des prix des actifs comme indice de ces comportements. Elle applique d’abord plusieurs modèles d’apprentissage automatique pour classer des séries temporelles de cryptomonnaies et d’actions observées sur la même période. La grande précision de classification rapportée suggère que les deux groupes présentent des profils de prix distincts, même si la classification seule n’établit ni l’origine de ces différences ni leur persistance.

Les auteurs calculent ensuite des caractéristiques des séries temporelles, notamment des moments de distribution, des valeurs extrêmes et l’autocorrélation à plusieurs ordres, puis utilisent la régression logistique, les forêts aléatoires, les machines à vecteurs de support et d’autres classificateurs pour évaluer leur valeur explicative. Les résultats indiquent que ces caractéristiques aident à distinguer les deux groupes d’actifs. Le document ne précise ni les choix d’échantillonnage, ni la validation hors échantillon, ni les chiffres de précision ; la solidité et la pertinence pour le trading des distinctions rapportées ne peuvent donc pas être évaluées indépendamment à partir de ce résumé. La méthode relève de l’analyse comparative, et non d’une règle de trading ou d’une preuve de rendements rentables.

Idées clés

Les séries temporelles de prix peuvent servir à distinguer le comportement des cryptomonnaies de celui des actions.
L’étude rapporte une grande précision pour classer les deux groupes d’actifs sur la même période.
Les statistiques de distribution et les caractéristiques d’autocorrélation aident à expliquer les différences de profils observées.
La régression logistique, les forêts aléatoires et les machines à vecteurs de support font partie des modèles testés.
Les résultats de classification montrent des différences sans en établir les causes ni la rentabilité.

Étiquettes

Cryptomonnaies Actions Apprentissage automatique Statistiques

Texte intégral

# Classification-Based Analysis of Price Pattern Differences Between Cryptocurrencies and Stocks

Cryptocurrencies are digital tokens built on blockchain technology, with thousands actively traded on centralized exchanges (CEXs). Unlike stocks, which are backed by real businesses, cryptocurrencies are recognized as a distinct class of assets by researchers. How do investors treat this new category of asset in trading? Are they similar to stocks as an investment tool for investors? We answer these questions by investigating cryptocurrencies' and stocks' price time series which can reflect investors' attitudes towards the targeted assets. Concretely, we use different machine learning models to classify cryptocurrencies' and stocks' price time series in the same period and get an extremely high accuracy rate, which reflects that cryptocurrency investors behave differently in trading from stock investors. We then extract features from these price time series to explain the price pattern difference, including mean, variance, maximum, minimum, kurtosis, skewness, and first to third-order autocorrelation, etc., and then use machine learning methods including logistic regression (LR), random forest (RF), support vector machine (SVM), etc. for classification. The classification results show that these extracted features can help to explain the price time series pattern difference between cryptocurrencies and stocks.

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.