Previsão do preço do Bitcoin com indicadores técnicos e aprendizado de máquina

Resumo

Este estudo avalia se modelos de aprendizado de máquina que usam indicadores técnicos podem prever os preços do Bitcoin. Usa dados históricos de janeiro de 2012 a agosto de 2019 e compara um modelo linear generalizado penalizado, floresta aleatória, regressão linear por vetores de suporte e um conjunto por stacking. Os modelos são avaliados com erro percentual absoluto médio, raiz do erro quadrático médio, erro absoluto médio e R-quadrado.

O melhor desempenho relatado é de um conjunto que combina floresta aleatória e o modelo linear generalizado, com regressão linear por vetores de suporte como meta-aprendiz. O documento apresenta as métricas de erro e ajuste do conjunto, que indicam uma correspondência próxima com os preços na avaliação do estudo. No entanto, não descreve a configuração de validação, comparações com referências nem se considerou custos de transação e retornos de trading. Portanto, os resultados dizem respeito à previsão de preços na amostra especificada; por si só, não mostram que o método geraria lucros ou continuaria confiável em outros períodos.

Ideias principais

• O estudo usa indicadores técnicos como preditores dos preços do Bitcoin.
• Compara quatro abordagens de aprendizado de máquina, incluindo um conjunto por stacking.
• O conjunto selecionado combina floresta aleatória e um modelo linear generalizado penalizado, com um meta-aprendiz de regressão por vetores de suporte.
• As métricas de previsão relatadas descrevem o ajuste do modelo, mas não comprovam desempenho lucrativo em trading.
• Os dados abrangem janeiro de 2012 a agosto de 2019.

Tags

# Are Bitcoins price predictable? Evidence from machine learning techniques using technical indicators


# Are Bitcoins price predictable? Evidence from machine learning techniques using technical indicators









The uncertainties in future Bitcoin price make it difficult to accurately predict the price of Bitcoin. Accurately predicting the price for Bitcoin is therefore important for decision-making process of investors and market players in the cryptocurrency market. Using historical data from 01/01/2012 to 16/08/2019, machine learning techniques (Generalized linear model via penalized maximum likelihood, random forest, support vector regression with linear kernel, and stacking ensemble) were used to forecast the price of Bitcoin. The prediction models employed key and high dimensional technical indicators as the predictors. The performance of these techniques were evaluated using mean absolute percentage error (MAPE), root mean square error (RMSE), mean absolute error (MAE), and coefficient of determination (R-squared). The performance metrics revealed that the stacking ensemble model with two base learner (random forest and generalized linear model via penalized maximum likelihood) and support vector regression with linear kernel as meta-learner was the optimal model for forecasting Bitcoin price. The MAPE, RMSE, MAE, and R-squared values for the stacking ensemble model were 0.0191%, 15.5331 USD, 124.5508 USD, and 0.9967 respectively. These values show a high degree of reliability in predicting the price of Bitcoin using the stacking ensemble model. Accurately predicting the future price of Bitcoin will yield significant returns for investors and market players in the cryptocurrency market.

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.