Passer au contenu
Tous les documents de la bibliothèque

Comparaison de modèles d’apprentissage automatique et de signaux techniques sur Bitcoin

Article arXiv papers · Auteur: José Ángel Islas Anguiano et al.
Lire la source originale

Résumé

L’étude compare deux modèles d’apprentissage automatique, LightGBM et LSTM, à deux stratégies fondées sur des indicateurs pour le Bitcoin : un croisement de moyennes mobiles exponentielles et une combinaison de MACD avec ADX. Elle situe la comparaison dans le contexte de l’approbation réglementaire américaine, en janvier 2024, des premiers fonds négociés en Bourse au comptant sur Bitcoin. L’objectif annoncé est d’évaluer la performance de ces signaux dans le trading du Bitcoin.

Le document indique que la stratégie LSTM a obtenu un rendement cumulé d’environ 65.23% en moins d’un an et a dépassé les autres modèles, stratégies techniques et la stratégie d’achat-conservation sur la période examinée. Ce résultat unique ne démontre pas que le modèle se généralisera : le document ne décrit ni le jeu de données, ni le protocole de validation, ni les coûts de transaction, ni les rendements ajustés au risque, ni les mesures contre le surapprentissage. La comparaison avance donc une affirmation de performance sur une période d’étude limitée, sans fournir assez de détails pour juger si le résultat est reproductible ou adapté au déploiement.

Idées clés

  • La comparaison comprend les modèles LightGBM et LSTM, ainsi que les stratégies de croisement EMA et MACD-plus-ADX.
  • Les stratégies sont évaluées sur le Bitcoin, l’étude étant motivée par l’approbation américaine des ETF Bitcoin au comptant.
  • Le document rapporte que LSTM a obtenu le rendement cumulé le plus élevé parmi les approches citées sur la période d’étude.
  • Le rendement rapporté ne suffit pas à montrer comment le résultat évolue après coûts ou avec d’autres méthodes de validation.
  • Le document ne fournit pas assez de détails méthodologiques pour évaluer la reproductibilité ou le risque de surapprentissage.

Étiquettes

CryptomonnaiesApprentissage automatiqueIndicateurs techniquesBacktestMarchés au comptant
Texte intégral
# Technical Analysis Meets Machine Learning: Bitcoin Evidence


# Technical Analysis Meets Machine Learning: Bitcoin Evidence









In this note, we compare Bitcoin trading performance using two machine learning models-Light Gradient Boosting Machine (LightGBM) and Long Short-Term Memory (LSTM)-and two technical analysis-based strategies: Exponential Moving Average (EMA) crossover and a combination of Moving Average Convergence/Divergence with the Average Directional Index (MACD+ADX). The objective is to evaluate how trading signals can be used to maximize profits in the Bitcoin market. This comparison was motivated by the U.S. Securities and Exchange Commission's (SEC) approval of the first spot Bitcoin exchange-traded funds (ETFs) on 2024-01-10. Our results show that the LSTM model achieved a cumulative return of approximately 65.23% in under a year, significantly outperforming LightGBM, the EMA and MACD+ADX strategies, as well as the baseline buy-and-hold. This study highlights the potential for deeper integration of machine learning and technical analysis in the rapidly evolving cryptocurrency landscape.

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.