Comparação entre aprendizado de máquina e sinais técnicos para trading de Bitcoin

Resumo

O estudo compara dois modelos de aprendizado de máquina, LightGBM e LSTM, com duas estratégias baseadas em indicadores para Bitcoin: um cruzamento de médias móveis exponenciais e uma combinação de MACD com ADX. A comparação é apresentada no contexto da aprovação regulatória nos EUA dos primeiros fundos negociados em bolsa de Bitcoin à vista, em janeiro de 2024. O objetivo declarado é avaliar o desempenho desses sinais no trading de Bitcoin.

O documento relata que a estratégia LSTM obteve retorno acumulado de cerca de 65.23% em menos de um ano e superou os outros modelos, as estratégias técnicas e a estratégia de comprar e manter no período examinado. Esse único resultado relatado não demonstra que o modelo possa ser generalizado: o documento não descreve o conjunto de dados, o desenho de validação, os custos de trading, os retornos ajustados ao risco nem as salvaguardas contra sobreajuste. Portanto, a comparação apresenta uma alegação de desempenho para um período de estudo limitado, mas não detalhes suficientes para avaliar se o resultado é repetível ou adequado para implementação.

Ideias principais

• A comparação inclui os modelos LightGBM e LSTM, além das estratégias de cruzamento de EMA e de MACD mais ADX.
• As estratégias são avaliadas para Bitcoin, e o estudo é motivado pela aprovação de ETFs de Bitcoin à vista nos EUA.
• O documento relata que LSTM teve o maior retorno acumulado entre as abordagens listadas durante o período de estudo.
• O retorno relatado, por si só, não mostra como o resultado muda após custos ou com métodos de validação diferentes.
• O documento não fornece detalhes metodológicos suficientes para avaliar a repetibilidade ou o risco de sobreajuste.

Tags

# Technical Analysis Meets Machine Learning: Bitcoin Evidence


# Technical Analysis Meets Machine Learning: Bitcoin Evidence









In this note, we compare Bitcoin trading performance using two machine learning models-Light Gradient Boosting Machine (LightGBM) and Long Short-Term Memory (LSTM)-and two technical analysis-based strategies: Exponential Moving Average (EMA) crossover and a combination of Moving Average Convergence/Divergence with the Average Directional Index (MACD+ADX). The objective is to evaluate how trading signals can be used to maximize profits in the Bitcoin market. This comparison was motivated by the U.S. Securities and Exchange Commission's (SEC) approval of the first spot Bitcoin exchange-traded funds (ETFs) on 2024-01-10. Our results show that the LSTM model achieved a cumulative return of approximately 65.23% in under a year, significantly outperforming LightGBM, the EMA and MACD+ADX strategies, as well as the baseline buy-and-hold. This study highlights the potential for deeper integration of machine learning and technical analysis in the rapidly evolving cryptocurrency landscape.

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.