Modelos de direção do Bitcoin com controle de risco baseado na confiança

Resumo

Este estudo usa dados internos da rede Bitcoin e características externas para prever a direção diária dos preços com vários modelos de aprendizado de máquina. Avalia essas previsões por meio de uma estratégia de trading em observações não vistas, coletadas durante o primeiro trimestre de 2021. Um sinal binário produz retornos relatados como comparáveis aos de comprar e manter durante o período de teste de três meses.

A estratégia também usa a confiança da previsão como um parâmetro de tolerância ao risco, adaptando as decisões de trading conforme o grau de certeza do modelo. Os autores relatam que essa versão superou a estratégia de comprar e manter no período indicado. Os resultados se limitam a um ativo e a uma janela histórica curta de avaliação; o trecho não detalha custos, desempenho ajustado ao risco, seleção de modelos nem robustez em outros regimes. Portanto, o resultado relatado motiva testes adicionais, mas não demonstra desempenho duradouro no trading ao vivo.

Ideias principais

• Os modelos combinam características da rede Bitcoin com dados externos para classificar a direção diária.
• O desempenho é avaliado por uma estratégia de trading com dados não vistos do primeiro trimestre de 2021.
• O uso da confiança da previsão para ajustar a tolerância ao risco teria melhorado os resultados em relação à estratégia de comprar e manter.
• A avaliação curta, de um único período e ativo, não demonstra robustez entre regimes de mercado nem desempenho no trading ao vivo.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.