신경망으로 본 비트코인 시장 효율성

기사 arXiv papers · 저자: Mike Kraehenbuehl et al.

요약

이 연구는 피드포워드 신경망으로 비트코인에 대한 효율적 시장 가설의 약형을 검증합니다. 비트코인 수익률에 다른 자산의 수익률이나 관련 특성을 추가하면 예측력이 향상되는지 살펴봅니다. 추가 입력 변수에는 주가지수, EUR/USD 환율, US 국채 수익률, 금·은 생산업체 지수가 포함됩니다. 연구는 학습 성능과 테스트 데이터 예측을 비교하고, 바이앤드홀드 대비 성과도 살펴봅니다.

특성 하나를 사용했을 때 학습 정확도는 54.6%에서 여섯 개를 사용했을 때 61%로 높아지지만, 추가 특성은 테스트 세트 정확도를 높이지 못합니다. 한 특성 집합은 매수 후 보유보다 부분적으로 나은 성과를 보였고, 특성을 하나 더 추가하자 그 성과가 낮아졌습니다. 따라서 저자들은 표본 기간에 자신들의 모델과 선택한 입력 변수로 수익화 가능한 약형 비효율성을 찾지 못했다고 결론 내리면서, 이 결론은 부분적이라고 덧붙입니다. 결과는 선택한 기간, 특성, 구조, 하이퍼파라미터에 달려 있으며 비트코인이 언제나 효율적임을 입증하거나 다른 방법을 배제하지는 않습니다.

핵심 아이디어

피드포워드 신경망으로 비트코인의 약형 효율성을 검정합니다.
비트코인 수익률만 사용할 때와 주식, 통화, 국채 수익률, 금속 관련 지수를 입력할 때를 비교합니다.
특성을 추가하면 학습 정확도는 높아지지만 테스트 정확도는 높아지지 않습니다.
한 특성 집합은 매수 후 보유보다 부분적으로 나았지만, 특성을 더 추가하자 성과가 낮아졌습니다.
효율성에 관한 결론은 연구한 표본, 입력 변수, 모델 구성에 한정됩니다.

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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.

신경망과 타 자산 변수를 활용한 비트코인 시장 효율성 검정

요약

핵심 아이디어

태그