Classificação de padrões de preços em criptomoedas e ações

Artigo arXiv papers · Autor: Yu Zhang et al.

Resumo

Este estudo pergunta se investidores em criptomoedas negociam de forma diferente dos investidores em ações e usa históricos de preços dos ativos como evidência desses comportamentos. Primeiro, aplica vários modelos de aprendizado de máquina para classificar séries temporais de criptomoedas e ações observadas no mesmo período. A alta precisão de classificação relatada sugere que os dois grupos têm padrões de preços distinguíveis, embora a classificação, por si só, não determine por que essas diferenças surgem nem se persistem.

Em seguida, os autores calculam características das séries temporais — incluindo momentos da distribuição, extremos e autocorrelação em várias ordens — e usam regressão logística, florestas aleatórias, máquinas de vetores de suporte e outros classificadores para avaliar seu poder explicativo. Os resultados indicam que essas características ajudam a separar os dois grupos de ativos. O documento não informa detalhes das escolhas de amostragem, validação fora da amostra nem valores específicos de precisão; assim, não é possível avaliar de forma independente, com base neste resumo, a robustez das distinções relatadas nem sua relevância para o trading. O método é uma análise comparativa, não uma regra de trading nem evidência de retornos lucrativos.

Ideias principais

Séries temporais de preços podem ser usadas para distinguir o comportamento das criptomoedas do comportamento das ações.
O estudo relata alta precisão ao classificar os dois grupos de ativos no mesmo período.
Estatísticas da distribuição e características de autocorrelação ajudam a explicar as diferenças de padrão observadas.
Regressão logística, florestas aleatórias e máquinas de vetores de suporte estão entre os modelos testados.
As evidências de classificação identificam diferenças, mas não estabelecem suas causas nem sua rentabilidade.

Tags

Cripto Ações Aprendizado de máquina Estatística

Texto completo

# Classification-Based Analysis of Price Pattern Differences Between Cryptocurrencies and Stocks

Cryptocurrencies are digital tokens built on blockchain technology, with thousands actively traded on centralized exchanges (CEXs). Unlike stocks, which are backed by real businesses, cryptocurrencies are recognized as a distinct class of assets by researchers. How do investors treat this new category of asset in trading? Are they similar to stocks as an investment tool for investors? We answer these questions by investigating cryptocurrencies' and stocks' price time series which can reflect investors' attitudes towards the targeted assets. Concretely, we use different machine learning models to classify cryptocurrencies' and stocks' price time series in the same period and get an extremely high accuracy rate, which reflects that cryptocurrency investors behave differently in trading from stock investors. We then extract features from these price time series to explain the price pattern difference, including mean, variance, maximum, minimum, kurtosis, skewness, and first to third-order autocorrelation, etc., and then use machine learning methods including logistic regression (LR), random forest (RF), support vector machine (SVM), etc. for classification. The classification results show that these extracted features can help to explain the price time series pattern difference between cryptocurrencies and stocks.

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.