Mô hình dự đoán hướng Bitcoin với kiểm soát rủi ro theo độ tin cậy

Tóm tắt

Nghiên cứu dùng dữ liệu mạng lưới Bitcoin và các đặc trưng bên ngoài để dự đoán hướng giá hằng ngày bằng nhiều mô hình học máy. Nghiên cứu đánh giá các dự báo đó thông qua một chiến lược giao dịch trên những quan sát chưa từng được dùng, thu thập trong quý đầu tiên của 2021. Tín hiệu nhị phân tạo ra lợi suất được báo cáo là tương đương với mua và nắm giữ trong giai đoạn kiểm thử ba tháng.

Chiến lược cũng dùng độ tin cậy của dự đoán làm đầu vào cho mức chấp nhận rủi ro, điều chỉnh quyết định giao dịch tùy theo độ chắc chắn của mô hình. Các tác giả cho biết phiên bản này vượt trội hơn mua và nắm giữ trong giai đoạn đã nêu. Kết quả chỉ giới hạn ở một tài sản và một khoảng đánh giá lịch sử ngắn; phần trích dẫn không nêu chi phí, hiệu quả điều chỉnh theo rủi ro, cách chọn mô hình hoặc độ vững qua các chế độ thị trường khác. Vì vậy, kết quả được báo cáo là lý do để kiểm thử thêm, chứ chưa chứng minh hiệu quả bền vững trong giao dịch thực.

Ý chính

• Các mô hình kết hợp đặc trưng mạng Bitcoin với các đặc trưng bên ngoài để phân loại hướng giá hằng ngày.
• Hiệu quả được đánh giá qua chiến lược giao dịch trên dữ liệu chưa từng được dùng từ quý đầu tiên của 2021.
• Bài viết cho biết dùng độ tin cậy của dự đoán để điều chỉnh mức chấp nhận rủi ro giúp cải thiện kết quả so với mua và nắm giữ.
• Đánh giá ngắn trên một giai đoạn không chứng minh được độ vững qua các chế độ thị trường hoặc hiệu quả trong giao dịch thực.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.