Kiểm định hiệu quả thị trường Bitcoin bằng mạng nơ-ron và dữ liệu liên tài sản
Tóm tắt
Nghiên cứu kiểm định dạng yếu của giả thuyết thị trường hiệu quả đối với Bitcoin bằng mạng nơ-ron truyền thẳng. Nghiên cứu đặt câu hỏi liệu việc bổ sung lợi suất hoặc đặc trưng liên quan từ tài sản khác có cải thiện khả năng dự đoán bên cạnh lợi suất Bitcoin hay không. Đầu vào bổ sung gồm các chỉ số cổ phiếu, tỷ giá EUR/USD, lợi suất trái phiếu Kho bạc US và một chỉ số các nhà sản xuất vàng và bạc. Nghiên cứu so sánh kết quả huấn luyện với dự đoán trên tập kiểm thử và xem xét hiệu suất so với chiến lược mua và nắm giữ.
Độ chính xác huấn luyện tăng từ 54.6% với một đặc trưng lên 61% với sáu đặc trưng, nhưng các đặc trưng bổ sung không cải thiện độ chính xác trên tập kiểm thử. Một bộ đặc trưng phần nào vượt mua và nắm giữ, trong khi thêm một đặc trưng khác làm giảm hiệu suất đó. Vì vậy, các tác giả nhận thấy mô hình và đầu vào được chọn không cho thấy sự kém hiệu quả dạng yếu có thể khai thác trong giai đoạn mẫu, đồng thời xác định đây là kết luận một phần. Kết quả phụ thuộc vào giai đoạn, đặc trưng, kiến trúc và siêu tham số được chọn; kết quả không xác lập rằng Bitcoin luôn hiệu quả hay loại trừ các phương pháp khác.
Ý chính
- Nghiên cứu kiểm định hiệu quả dạng yếu của Bitcoin bằng mạng nơ-ron truyền thẳng.
- Nghiên cứu so sánh riêng lợi suất Bitcoin với đầu vào từ cổ phiếu, tiền tệ, lợi suất trái phiếu Kho bạc và chỉ số liên quan đến kim loại.
- Độ chính xác huấn luyện cải thiện khi thêm đặc trưng, nhưng độ chính xác kiểm thử thì không.
- Một bộ đặc trưng phần nào vượt mua và nắm giữ, nhưng hiệu suất giảm sau khi thêm đặc trưng khác.
- Kết luận về hiệu quả chỉ giới hạn trong mẫu, đầu vào và cấu hình mô hình được nghiên cứu.
Thẻ
Toàn văn
# The Efficient Market Hypothesis for Bitcoin in the context of neural networks # 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.
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.