Прогнозирование цены Bitcoin по техническим индикаторам и машинному обучению

Сводка

В исследовании проверяется, могут ли модели машинного обучения с техническими индикаторами прогнозировать цену Bitcoin. Используются исторические данные с января 2012 по август 2019; сравниваются обобщённая линейная модель со штрафом, случайный лес, линейная регрессия опорных векторов и стекинговый ансамбль. Модели оцениваются по средней абсолютной процентной ошибке, среднеквадратичной ошибке, средней абсолютной ошибке и коэффициенту детерминации R².

Согласно сообщению авторов, лучший результат показал стекинг, объединяющий случайный лес и обобщённую линейную модель, с линейной регрессией опорных векторов в роли метаалгоритма. В документе приведены метрики ошибки и качества подгонки стекинга, указывающие на близкое соответствие ценам в рамках оценки исследования. Однако не описаны схема валидации, сравнение с бенчмарками и учёт транзакционных издержек или торговой доходности. Следовательно, результаты относятся к прогнозированию цен на указанной выборке и сами по себе не доказывают, что метод генерировал бы прибыль или оставался надёжным в другие периоды.

Ключевые идеи

• В исследовании технические индикаторы используются для прогнозирования цен Bitcoin.
• Сравниваются четыре подхода машинного обучения, включая стекинговый ансамбль.
• Выбранный ансамбль объединяет случайный лес и обобщённую линейную модель со штрафом, используя регрессию опорных векторов как метаалгоритм.
• Приведённые метрики прогноза описывают качество подгонки модели, но не доказывают прибыльность торговли.
• Данные охватывают период с января 2012 по август 2019.

Теги

# 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.

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.