Máquinas de vetores de suporte para trading de criptomoedas em horizontes curtos

Resumo

O estudo usa preços históricos e indicadores técnicos para classificar movimentos de curto prazo de Bitcoin, Ethereum e Litecoin. Compara métodos de classificação quanto à capacidade de identificar movimentos de alta e de baixa em um horizonte de uma hora, relatando o desempenho em valor preditivo positivo e negativo. Em seguida, converte as previsões em decisões de trading e avalia essas decisões com um backtester projetado para representar condições de negociação.

As máquinas de vetores de suporte produzem as estratégias mais lucrativas entre os métodos considerados, e as estratégias relatadas superam o mercado, em média, para os três ativos durante o período de avaliação indicado, iniciado em janeiro de 2018. Esses resultados se restringem às criptomoedas selecionadas, à amostra histórica, aos indicadores, ao horizonte de previsão e às premissas de backtesting. A descrição não fornece detalhes como configurações de custos de transação, especificações dos modelos ou desempenho ajustado ao risco; portanto, os resultados relatados, por si só, não estabelecem como a estratégia se sairia em outros períodos ou no trading ao vivo.

Ideias principais

• O estudo cria indicadores técnicos a partir do histórico de preços de criptomoedas para prever a direção do preço em uma hora.
• Avalia classificadores com medidas de valor preditivo positivo e negativo.
• As previsões são convertidas em decisões de trading e avaliadas com um backtester voltado à negociação.
• Entre os métodos testados, as máquinas de vetores de suporte lideram em lucratividade relatada das estratégias.
• A superação do mercado relatada se restringe a Bitcoin, Ethereum, Litecoin e ao período histórico testado.

Tags

# Cryptocurrency Price Prediction and Trading Strategies Using Support Vector Machines


# Cryptocurrency Price Prediction and Trading Strategies Using Support Vector Machines









Few assets in financial history have been as notoriously volatile as cryptocurrencies. While the long term outlook for this asset class remains unclear, we are successful in making short term price predictions for several major crypto assets. Using historical data from July 2015 to November 2019, we develop a large number of technical indicators to capture patterns in the cryptocurrency market. We then test various classification methods to forecast short-term future price movements based on these indicators. On both PPV and NPV metrics, our classifiers do well in identifying up and down market moves over the next 1 hour. Beyond evaluating classification accuracy, we also develop a strategy for translating 1-hour-ahead class predictions into trading decisions, along with a backtester that simulates trading in a realistic environment. We find that support vector machines yield the most profitable trading strategies, which outperform the market on average for Bitcoin, Ethereum and Litecoin over the past 22 months, since January 2018.

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.