Machines à vecteurs de support pour le trading crypto à court terme

Résumé

L’étude utilise les prix historiques et des indicateurs techniques pour classer les mouvements à court terme du Bitcoin, de l’Ethereum et du Litecoin. Elle compare les méthodes de classification selon leur capacité à repérer les mouvements haussiers et baissiers sur un horizon d’une heure, en présentant leurs performances en valeur prédictive positive et négative. Les prévisions sont ensuite converties en décisions de trading et évaluées avec un backtest conçu pour représenter les conditions de trading.

Parmi les méthodes étudiées, les machines à vecteurs de support produisent les stratégies les plus rentables, et les stratégies rapportées surpassent en moyenne le marché pour les trois actifs pendant la période d’évaluation indiquée, qui commence en janvier 2018. Ces résultats se limitent aux cryptomonnaies, à l’échantillon historique, aux indicateurs, à l’horizon de prévision et aux hypothèses de backtesting retenus. La description ne fournit pas de détails sur les coûts de transaction, les spécifications des modèles ou les performances ajustées du risque ; les seuls résultats rapportés ne permettent donc pas d’établir comment la stratégie fonctionnerait sur d’autres périodes ou en trading réel.

Idées clés

• L’étude construit des indicateurs techniques à partir des cours historiques des cryptomonnaies pour prévoir leur direction à un horizon d’une heure.
• Elle évalue les classificateurs à l’aide de mesures de valeur prédictive positive et négative.
• Les prévisions sont converties en décisions de trading et évaluées avec un backtest adapté au trading.
• Les machines à vecteurs de support arrivent en tête des méthodes testées pour la rentabilité rapportée des stratégies.
• La surperformance rapportée par rapport au marché concerne spécifiquement le Bitcoin, l’Ethereum, le Litecoin et la période historique testée.

Étiquettes

# 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.

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.