Prévoir le prix du Bitcoin avec des indicateurs techniques et l’apprentissage automatique

Résumé

Cette étude évalue si des modèles d’apprentissage automatique utilisant des indicateurs techniques peuvent prévoir le prix du Bitcoin. Elle utilise des données historiques de janvier 2012 à août 2019 et compare un modèle linéaire généralisé pénalisé, une forêt aléatoire, une régression linéaire par vecteurs de support et un ensemble par empilement. Les modèles sont évalués selon l’erreur absolue moyenne en pourcentage, la racine de l’erreur quadratique moyenne, l’erreur absolue moyenne et le R au carré.

Le meilleur modèle rapporté est un empilement combinant une forêt aléatoire et le modèle linéaire généralisé, avec la régression linéaire par vecteurs de support comme méta-apprenant. Le document fournit les mesures d’erreur et d’ajustement de l’empilement, qui indiquent une bonne correspondance avec les prix dans l’évaluation de l’étude. Toutefois, il ne décrit ni le dispositif de validation, ni les comparaisons avec des références, ni la prise en compte des coûts de transaction et des rendements de trading. Les résultats concernent donc la prévision des prix dans l’échantillon spécifié ; ils ne montrent pas à eux seuls que la méthode générerait des profits ou resterait fiable sur d’autres périodes.

Idées clés

• L’étude utilise des indicateurs techniques pour prévoir les prix du Bitcoin.
• Elle compare quatre approches d’apprentissage automatique, dont un ensemble par empilement.
• L’ensemble retenu associe une forêt aléatoire et un modèle linéaire généralisé pénalisé, dont les prédictions sont combinées par un méta-apprenant fondé sur la régression par vecteurs de support.
• Les mesures de prévision rapportées décrivent l’ajustement du modèle, mais n’établissent pas la rentabilité du trading.
• Les données couvrent la période de janvier 2012 à août 2019.

Étiquettes

# Are Bitcoins price predictable? Evidence from machine learning techniques using technical indicators


# Are Bitcoins price predictable? Evidence from machine learning techniques using technical indicators









The uncertainties in future Bitcoin price make it difficult to accurately predict the price of Bitcoin. Accurately predicting the price for Bitcoin is therefore important for decision-making process of investors and market players in the cryptocurrency market. Using historical data from 01/01/2012 to 16/08/2019, machine learning techniques (Generalized linear model via penalized maximum likelihood, random forest, support vector regression with linear kernel, and stacking ensemble) were used to forecast the price of Bitcoin. The prediction models employed key and high dimensional technical indicators as the predictors. The performance of these techniques were evaluated using mean absolute percentage error (MAPE), root mean square error (RMSE), mean absolute error (MAE), and coefficient of determination (R-squared). The performance metrics revealed that the stacking ensemble model with two base learner (random forest and generalized linear model via penalized maximum likelihood) and support vector regression with linear kernel as meta-learner was the optimal model for forecasting Bitcoin price. The MAPE, RMSE, MAE, and R-squared values for the stacking ensemble model were 0.0191%, 15.5331 USD, 124.5508 USD, and 0.9967 respectively. These values show a high degree of reliability in predicting the price of Bitcoin using the stacking ensemble model. Accurately predicting the future price of Bitcoin will yield significant returns for investors and market players in the cryptocurrency market.

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.