Модели направления цены биткоина с контролем риска по уверенности

Сводка

В исследовании внутренние данные сети Bitcoin и внешние признаки используются для прогнозирования ежедневного направления цены с помощью нескольких моделей машинного обучения. Прогнозы оцениваются торговой стратегией на не использовавшихся при обучении наблюдениях, собранных в первом квартале 2021. Согласно описанию, бинарный сигнал дал доходность, сопоставимую с покупкой и удержанием, за трёхмесячный тестовый период.

Стратегия также использует уверенность прогноза как входной параметр толерантности к риску и меняет торговые решения в зависимости от степени уверенности модели. Авторы сообщают, что в указанный период эта версия превзошла покупку и удержание. Результаты ограничены одним активом и коротким историческим периодом оценки; в отрывке нет подробностей об издержках, показателях с поправкой на риск, выборе модели или устойчивости в других режимах. Поэтому полученный результат служит основанием для дальнейшей проверки, а не подтверждением устойчивой работы в реальной торговле.

Ключевые идеи

• Модели объединяют признаки сети Bitcoin с внешними входными данными, чтобы классифицировать ежедневное направление цены.
• Эффективность оценивается торговой стратегией на не использовавшихся при обучении данных за первый квартал 2021.
• По сообщению авторов, корректировка толерантности к риску с учётом уверенности прогноза улучшает результат по сравнению с покупкой и удержанием.
• Короткая оценка за один период не подтверждает устойчивость в разных рыночных режимах или применимость в реальной торговле.

Теги

# Exploration of Algorithmic Trading Strategies for the Bitcoin Market


# Exploration of Algorithmic Trading Strategies for the Bitcoin Market









Bitcoin is firmly becoming a mainstream asset in our global society. Its highly volatile nature has traders and speculators flooding into the market to take advantage of its significant price swings in the hope of making money. This work brings an algorithmic trading approach to the Bitcoin market to exploit the variability in its price on a day-to-day basis through the classification of its direction. Building on previous work, in this paper, we utilise both features internal to the Bitcoin network and external features to inform the prediction of various machine learning models. As an empirical test of our models, we evaluate them using a real-world trading strategy on completely unseen data collected throughout the first quarter of 2021. Using only a binary predictor, at the end of our three-month trading period, our models showed an average profit of 86\%, matching the results of the more traditional buy-and-hold strategy. However, after incorporating a risk tolerance score into our trading strategy by utilising the model's prediction confidence scores, our models were 12.5\% more profitable than the simple buy-and-hold strategy. These results indicate the credible potential that machine learning models have in extracting profit from the Bitcoin market and act as a front-runner for further research into real-world Bitcoin trading.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.