跳至正文
返回文库全部文档

比较比特币交易中的机器学习与技术信号

文章 arXiv papers · 作者: José Ángel Islas Anguiano et al.
阅读原文

总结

本研究将两种机器学习模型 LightGBM 和 LSTM，与两种比特币指标策略进行比较：指数移动平均线交叉策略，以及结合 MACD 和 ADX 的策略。研究结合 2024 年 1 月首批比特币现货交易所交易基金获美国监管批准的背景进行比较。研究旨在评估这些信号在比特币交易中的表现。

本文报告称，在所考察期间，LSTM 策略不到一年取得约 65.23% 的累计收益，表现优于其他模型、技术策略和买入并持有策略。单一报告结果并不能证明模型可以泛化：本文没有说明数据集、验证设计、交易成本、风险调整后收益或防止过拟合的措施。因此，这项比较只是有限研究期间的表现主张，细节不足以判断结果能否重复，或是否适合部署。

核心观点

  • 比较包括 LightGBM 和 LSTM 模型，以及 EMA 交叉策略和 MACD 加 ADX 策略。
  • 研究评估这些比特币策略，动机是美国批准比特币现货 ETF。
  • 本文报告称，在研究期间，LSTM 的累计收益在列出的方法中最高。
  • 仅凭报告的收益，无法判断交易成本后的结果或不同验证方法下的表现。
  • 本文没有提供足够的方法细节，无法评估结果能否重复或过拟合风险。

标签

加密资产机器学习技术指标回测现货市场
全文
# Technical Analysis Meets Machine Learning: Bitcoin Evidence


# Technical Analysis Meets Machine Learning: Bitcoin Evidence









In this note, we compare Bitcoin trading performance using two machine learning models-Light Gradient Boosting Machine (LightGBM) and Long Short-Term Memory (LSTM)-and two technical analysis-based strategies: Exponential Moving Average (EMA) crossover and a combination of Moving Average Convergence/Divergence with the Average Directional Index (MACD+ADX). The objective is to evaluate how trading signals can be used to maximize profits in the Bitcoin market. This comparison was motivated by the U.S. Securities and Exchange Commission's (SEC) approval of the first spot Bitcoin exchange-traded funds (ETFs) on 2024-01-10. Our results show that the LSTM model achieved a cumulative return of approximately 65.23% in under a year, significantly outperforming LightGBM, the EMA and MACD+ADX strategies, as well as the baseline buy-and-hold. This study highlights the potential for deeper integration of machine learning and technical analysis in the rapidly evolving cryptocurrency landscape.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。