Эффективность биткоина и нейронные сети

Статья arXiv papers · Автор: Mike Kraehenbuehl et al.

Сводка

В исследовании слабая форма гипотезы эффективного рынка для биткоина проверяется с помощью нейронной сети прямого распространения. Авторы выясняют, улучшает ли прогноз добавление доходности и связанных признаков других активов к доходности биткоина. Дополнительные входные данные включают фондовые индексы, обменный курс EUR/USD, доходность казначейских облигаций US и индекс производителей золота и серебра. Результаты обучения сопоставляются с прогнозами на тестовой выборке и оцениваются относительно стратегии «купи и держи».

Точность на обучающей выборке растёт с 54.6% при одном признаке до 61% при шести, но дополнительные признаки не повышают точность на тестовой выборке. Один набор признаков частично превосходит стратегию «купи и держи», однако добавление ещё одного признака снижает этот результат. Поэтому авторы заключают, что их модель и выбранные входные данные не выявляют поддающуюся использованию неэффективность слабой формы за период выборки, оговаривая частичный характер вывода. Результат зависит от выбранного периода, признаков, архитектуры и гиперпараметров: он не доказывает, что биткоин всегда эффективен, и не исключает другие методы.

Ключевые идеи

В исследовании слабая форма эффективности рынка биткоина проверяется нейронной сетью прямого распространения.
Доходность биткоина сопоставляется с входными данными по акциям, валютам, казначейским облигациям и индексом, связанным с металлами.
Точность на обучении растёт при добавлении признаков, но на тестовой выборке — нет.
Один набор признаков частично превосходит стратегию «купи и держи», но добавление ещё одного признака ухудшает результат.
Вывод об эффективности ограничен изученной выборкой, входными данными и конфигурацией модели.

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.

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.

Проверка эффективности рынка биткоина с помощью нейросетей и данных других активов

Сводка

Ключевые идеи

Теги