コンテンツへスキップ
ライブラリの全資料

ニューラルネットワークと複数資産入力によるビットコイン市場効率性の検証

記事 arXiv papers · 著者: Mike Kraehenbuehl et al.
原文を読む

サマリー

本研究はフィードフォワードニューラルネットワークを用いて、ビットコインの効率的市場仮説の弱形式を検証します。ビットコインのリターンに加え、他資産のリターンや関連特徴量を加えることで予測が改善するかを調べます。追加の入力には、株価指数、EUR/USD為替レート、US国債利回り、金銀生産者の指数が含まれます。学習時の成績とテストセットの予測を比較し、バイ・アンド・ホールドに対する成績も検討します。

特徴量が1つの場合、学習精度は54.6%ですが、6つの場合は61%に上がります。ただし、追加した特徴量によってテストセットの精度は向上しません。ある特徴量の組み合わせは一部でバイ・アンド・ホールドを上回りますが、別の特徴量を追加すると成績は低下します。そのため著者らは、選んだモデルと入力ではサンプル期間中に利用可能な弱形式の非効率性を見いだせなかったと結論づけていますが、これは部分的な結論だとしています。結果は選択した期間、特徴量、モデル構造、ハイパーパラメーターに依存します。ビットコインが常に効率的だと示すものでも、他の手法の可能性を否定するものでもありません。

主なアイデア

  • フィードフォワードニューラルネットワークを使って、ビットコイン市場の効率性の弱形式を検証します。
  • ビットコインのリターンのみの場合と、株式、通貨、国債利回り、金属関連指数の入力を加えた場合を比較します。
  • 特徴量を増やすと学習精度は上がりますが、テスト精度は向上しません。
  • ある特徴量の組み合わせは一部でバイ・アンド・ホールドを上回りますが、別の特徴量を加えると成績が低下します。
  • 市場効率性に関する結論は、調査対象のサンプル、入力、モデル設定に限られます。

タグ

暗号資産機械学習統計株式外国為替固定利付商品
全文
# The Efficient Market Hypothesis for Bitcoin in the context of neural networks


# 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.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。