Tester l’efficience du marché du Bitcoin avec des réseaux neuronaux et des données multi-actifs

Article arXiv papers · Auteur: Mike Kraehenbuehl et al.

Résumé

L’étude teste la forme faible de l’hypothèse d’efficience des marchés pour le Bitcoin à l’aide d’un réseau neuronal à propagation avant. Elle cherche à savoir si l’ajout des rendements ou de caractéristiques connexes d’autres actifs améliore les prévisions, en complément des rendements du Bitcoin. Les données supplémentaires comprennent des indices boursiers, le taux de change EUR/USD, le rendement d’un bon du Trésor US et un indice de producteurs d’or et d’argent. L’étude compare les performances à l’entraînement aux prévisions sur l’échantillon de test et examine les résultats par rapport à une stratégie d’achat-conservation.

La précision sur l’échantillon d’entraînement passe de 54.6% avec une caractéristique à 61% avec six, mais les caractéristiques ajoutées n’améliorent pas la précision sur l’échantillon test. Un ensemble de caractéristiques fait en partie mieux qu’une stratégie d’achat-conservation, tandis que l’ajout d’une autre caractéristique réduit cette performance. Les auteurs concluent donc que leur modèle et les données sélectionnées ne révèlent pas d’inefficience exploitable de forme faible pendant la période étudiée, tout en précisant que cette conclusion est partielle. Le résultat dépend de la période, des caractéristiques, de l’architecture et des hyperparamètres choisis ; il ne démontre pas que le Bitcoin est toujours efficient et n’exclut pas d’autres méthodes.

Idées clés

L’étude teste l’efficience du Bitcoin sous sa forme faible à l’aide d’un réseau neuronal à propagation avant.
Elle compare les seuls rendements du Bitcoin à des données sur les actions, les devises, les rendements des bons du Trésor et un indice lié aux métaux.
La précision sur l’échantillon d’entraînement s’améliore à mesure que des caractéristiques sont ajoutées, mais pas celle sur l’échantillon test.
Un ensemble de caractéristiques fait en partie mieux qu’une stratégie d’achat-conservation, mais la performance diminue après l’ajout d’une autre caractéristique.
La conclusion sur l’efficience se limite à l’échantillon, aux données d’entrée et à la configuration du modèle étudiés.

Étiquettes

Cryptomonnaies Apprentissage automatique Statistiques Actions Marché des changes Titres à revenu fixe

Texte intégral

# The Efficient Market Hypothesis for Bitcoin in the context of neural networks

This study examines the weak form of the efficient market hypothesis for Bitcoin using a feedforward neural network. Due to the increasing popularity of cryptocurrencies in recent years, the question has arisen, as to whether market inefficiencies could be exploited in Bitcoin. Several studies we refer to here discuss this topic in the context of Bitcoin using either statistical tests or machine learning methods, mostly relying exclusively on data from Bitcoin itself. Results regarding market efficiency vary from study to study. In this study, however, the focus is on applying various asset-related input features in a neural network. The aim is to investigate whether the prediction accuracy improves when adding equity stock indices (S&P 500, Russell 2000), currencies (EURUSD), 10 Year US Treasury Note Yield as well as Gold&Silver producers index (XAU), in addition to using Bitcoin returns as input feature. As expected, the results show that more features lead to higher training performance from 54.6% prediction accuracy with one feature to 61% with six features. On the test set, we observe that with our neural network methodology, adding additional asset classes, no increase in prediction accuracy is achieved. One feature set is able to partially outperform a buy-and-hold strategy, but the performance drops again as soon as another feature is added. This leads us to the partial conclusion that weak market inefficiencies for Bitcoin cannot be detected using neural networks and the given asset classes as input. Therefore, based on this study, we find evidence that the Bitcoin market is efficient in the sense of the efficient market hypothesis during the sample period. We encourage further research in this area, as much depends on the sample period chosen, the input features, the model architecture, and the hyperparameters.

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.