نیورل نیٹ ورکس اور مختلف اثاثوں کے ڈیٹا سے بٹ کوائن مارکیٹ کی کارکردگی جانچنا

مضمون arXiv papers · مصنف: Mike Kraehenbuehl et al.

خلاصہ

مطالعہ فیڈ فارورڈ نیورل نیٹ ورک سے بٹ کوائن کے لیے مؤثر مارکیٹ مفروضے کی کمزور شکل جانچتا ہے۔ یہ دیکھتا ہے کہ آیا بٹ کوائن کے منافع کے ساتھ دوسرے اثاثوں کے منافع یا متعلقہ خصوصیات شامل کرنے سے پیش گوئی بہتر ہوتی ہے۔ اضافی اِن پٹس میں ایکویٹی اشاریے، EUR/USD شرحِ مبادلہ، US ٹریژری منافع اور سونے و چاندی کے پیدا کنندگان کا اشاریہ شامل ہیں۔ مطالعہ تربیتی کارکردگی کا ٹیسٹ سیٹ کی پیش گوئی سے موازنہ کرتا ہے اور خرید کر رکھنے کے مقابلے میں کارکردگی بھی دیکھتا ہے۔

ایک خصوصیت کے ساتھ تربیتی درستگی 54.6% سے چھ کے ساتھ 61% تک بڑھتی ہے، مگر اضافی خصوصیات ٹیسٹ سیٹ کی درستگی بہتر نہیں کرتیں۔ خصوصیات کا ایک مجموعہ جزوی طور پر خرید کر رکھنے سے بہتر ہے، جبکہ ایک اور خصوصیت شامل کرنے سے کارکردگی گھٹتی ہے۔ اس لیے مصنفین کا نتیجہ ہے کہ ان کا ماڈل اور منتخب اِن پٹس نمونے کی مدت میں قابلِ استعمال کمزور شکل کی غیر مؤثریت ظاہر نہیں کرتے، اگرچہ وہ اسے جزوی نتیجہ قرار دیتے ہیں۔ نتیجہ منتخب مدت، خصوصیات، ساخت اور ہائپر پیرامیٹرز پر منحصر ہے؛ یہ ثابت نہیں کرتا کہ بٹ کوائن ہمیشہ مؤثر ہے یا دوسرے طریقوں سے غیر مؤثریت سامنے نہیں آ سکتی۔

اہم خیالات

مطالعہ فیڈ فارورڈ نیورل نیٹ ورک سے بٹ کوائن کی کمزور شکل کی مؤثریت جانچتا ہے۔
یہ بٹ کوائن کے منافع کا موازنہ ایکویٹیز، کرنسیوں، ٹریژری منافع اور دھاتوں سے متعلق اشاریے کے اِن پٹس سے کرتا ہے۔
خصوصیات شامل کرنے سے تربیتی درستگی بہتر ہوتی ہے، مگر ٹیسٹ درستگی نہیں۔
خصوصیات کا ایک مجموعہ جزوی طور پر خرید کر رکھنے سے بہتر ہے، مگر ایک اور خصوصیت شامل ہونے کے بعد کارکردگی کم ہو جاتی ہے۔
کارکردگی سے متعلق نتیجہ صرف زیرِ مطالعہ نمونے، اِن پٹس اور ماڈل کی ترتیب تک محدود ہے۔

ٹیگز

کرپٹو مشین لرننگ شماریات حصص فاریکس مقررہ آمدنی

مکمل متن

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔