מודלים לכיוון הביטקוין עם בקרת סיכון לפי רמת ביטחון
סיכום
המחקר משתמש בנתונים פנימיים מרשת הביטקוין ובמאפיינים חיצוניים כדי לחזות את כיוון המחיר היומי באמצעות כמה מודלים של למידת מכונה. הוא מעריך את התחזיות באמצעות אסטרטגיית מסחר על תצפיות שלא נראו, שנאספו ברבעון הראשון של 2021. אות בינארי מפיק תשואות שדווח כי היו דומות לאסטרטגיית קנייה והחזקה לאורך תקופת הבדיקה בת שלושת החודשים.
האסטרטגיה משתמשת גם ברמת הביטחון בתחזית כקלט לסבילות לסיכון, ומתאימה את החלטות המסחר למידת הוודאות של המודל. המחברים מדווחים שגרסה זו עלתה בביצועיה על קנייה והחזקה בתקופה שצוינה. התוצאות מוגבלות לנכס אחד ולחלון הערכה היסטורי קצר; הקטע אינו מפרט עלויות, ביצועים מותאמי סיכון, בחירת מודל או עמידות במשטרים אחרים. לכן התוצאה המדווחת מצדיקה בדיקות נוספות, אך אינה מבססת ביצועי מסחר חי בני־קיימא.
רעיונות מרכזיים
- המודלים משלבים מאפיינים מרשת הביטקוין עם קלטים חיצוניים כדי לסווג את הכיוון היומי.
- הביצועים מוערכים באמצעות אסטרטגיית מסחר על נתונים שלא נראו מהרבעון הראשון של 2021.
- לפי הדיווח, שימוש ברמת הביטחון בתחזית להתאמת סבילות הסיכון משפר את התוצאות לעומת קנייה והחזקה.
- הערכה קצרה בתקופה יחידה אינה מבססת עמידות במשטרי שוק או במסחר חי.
תגיות
הטקסט המלא
# Exploration of Algorithmic Trading Strategies for the Bitcoin Market # Exploration of Algorithmic Trading Strategies for the Bitcoin Market Bitcoin is firmly becoming a mainstream asset in our global society. Its highly volatile nature has traders and speculators flooding into the market to take advantage of its significant price swings in the hope of making money. This work brings an algorithmic trading approach to the Bitcoin market to exploit the variability in its price on a day-to-day basis through the classification of its direction. Building on previous work, in this paper, we utilise both features internal to the Bitcoin network and external features to inform the prediction of various machine learning models. As an empirical test of our models, we evaluate them using a real-world trading strategy on completely unseen data collected throughout the first quarter of 2021. Using only a binary predictor, at the end of our three-month trading period, our models showed an average profit of 86\%, matching the results of the more traditional buy-and-hold strategy. However, after incorporating a risk tolerance score into our trading strategy by utilising the model's prediction confidence scores, our models were 12.5\% more profitable than the simple buy-and-hold strategy. These results indicate the credible potential that machine learning models have in extracting profit from the Bitcoin market and act as a front-runner for further research into real-world Bitcoin trading.
מוצג במלואו בציון המקור ובהתאם לרישיון שלו. רישיון: abstract CC0
הסיכום נכתב בידי סוכן המחקר של Stratmill על סמך המקור; הוא אינו העתק של המקור.