Teste da eficiência de mercado do Bitcoin com redes neurais e dados de outros ativos
Resumo
O estudo testa a forma fraca da hipótese dos mercados eficientes para o Bitcoin com uma rede neural feedforward. Ele investiga se adicionar retornos ou variáveis relacionadas de outros ativos melhora a previsão, além dos retornos do Bitcoin. As entradas adicionais incluem índices de ações, a taxa de câmbio EUR/USD, o rendimento de um título do Tesouro US e um índice de produtores de ouro e prata. O estudo compara o desempenho no treinamento com as previsões no conjunto de teste e considera o desempenho em relação à estratégia de comprar e manter.
A precisão no treinamento sobe de 54.6% com uma variável para 61% com seis, mas as variáveis adicionadas não melhoram a precisão no conjunto de teste. Um conjunto de variáveis supera parcialmente a estratégia de comprar e manter, enquanto a inclusão de outra variável reduz esse desempenho. Portanto, os autores concluem que o modelo e as entradas selecionadas não revelam ineficiência explorável na forma fraca durante o período da amostra, ressalvando que essa conclusão é parcial. O resultado depende do período, das variáveis, da arquitetura e dos hiperparâmetros escolhidos; não demonstra que o Bitcoin seja sempre eficiente nem exclui outros métodos.
Ideias principais
- O estudo testa a eficiência do Bitcoin na forma fraca usando uma rede neural feedforward.
- Compara o uso isolado dos retornos do Bitcoin com o uso de entradas de ações, moedas, rendimentos de títulos do Tesouro e um índice ligado a metais.
- A precisão no treinamento melhora com a adição de variáveis, mas a precisão no teste não.
- Um conjunto de variáveis supera parcialmente a estratégia de comprar e manter, com desempenho inferior após a adição de outra variável.
- A conclusão sobre eficiência limita-se à amostra, às entradas e à configuração do modelo estudadas.
Tags
Texto completo
# The Efficient Market Hypothesis for Bitcoin in the context of neural networks # The Efficient Market Hypothesis for Bitcoin in the context of neural networks This study examines the weak form of the efficient market hypothesis for Bitcoin using a feedforward neural network. Due to the increasing popularity of cryptocurrencies in recent years, the question has arisen, as to whether market inefficiencies could be exploited in Bitcoin. Several studies we refer to here discuss this topic in the context of Bitcoin using either statistical tests or machine learning methods, mostly relying exclusively on data from Bitcoin itself. Results regarding market efficiency vary from study to study. In this study, however, the focus is on applying various asset-related input features in a neural network. The aim is to investigate whether the prediction accuracy improves when adding equity stock indices (S&P 500, Russell 2000), currencies (EURUSD), 10 Year US Treasury Note Yield as well as Gold&Silver producers index (XAU), in addition to using Bitcoin returns as input feature. As expected, the results show that more features lead to higher training performance from 54.6% prediction accuracy with one feature to 61% with six features. On the test set, we observe that with our neural network methodology, adding additional asset classes, no increase in prediction accuracy is achieved. One feature set is able to partially outperform a buy-and-hold strategy, but the performance drops again as soon as another feature is added. This leads us to the partial conclusion that weak market inefficiencies for Bitcoin cannot be detected using neural networks and the given asset classes as input. Therefore, based on this study, we find evidence that the Bitcoin market is efficient in the sense of the efficient market hypothesis during the sample period. We encourage further research in this area, as much depends on the sample period chosen, the input features, the model architecture, and the hyperparameters.
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.