跳至正文
返回文库全部文档

比特币交易中的机器学习模型比较

文章 arXiv papers · 作者: Abdul Jabbar et al.
阅读原文

总结

本研究比较41个机器学习模型，包括分类器和回归器，用于预测比特币价格并评估其在算法交易中的应用。研究结合绝对误差、平方误差等预测指标，以及盈亏和夏普比率等交易指标。评估据称涵盖历史回测、未见数据上的前向测试和真实交易场景，并关注不同市场条件。

概述指出，随机森林和随机梯度下降模型在盈利能力和风险管理方面表现较好。但文中未提供各模型的具体结果、样本详情、交易规则或数值表现，因此仅凭此文本无法评估这些结论的力度和可复现性。预测准确度本身也不能证明策略扣除成本后仍有盈利，或在样本外仍具稳健性。本文提供了广泛的评估框架和主要发现，但读者需要查阅完整研究，才能判断其实施方式和证据。

核心观点

  • 本研究评估了用于比特币价格预测的41个分类器和回归器。
  • 研究同时使用预测误差和交易表现指标评估模型。
  • 据称评估包括回测、前向测试和真实交易场景。
  • 研究指出随机森林和随机梯度下降模型在盈利能力和风险管理方面相对较强。
  • 概述未提供详细结果和实施信息，无法据此独立评估稳健性。

标签

加密资产机器学习回测风险管理
全文
# A Comprehensive Analysis of Machine Learning Models for Algorithmic Trading of Bitcoin


# A Comprehensive Analysis of Machine Learning Models for Algorithmic Trading of Bitcoin









This study evaluates the performance of 41 machine learning models, including 21 classifiers and 20 regressors, in predicting Bitcoin prices for algorithmic trading. By examining these models under various market conditions, we highlight their accuracy, robustness, and adaptability to the volatile cryptocurrency market. Our comprehensive analysis reveals the strengths and limitations of each model, providing critical insights for developing effective trading strategies. We employ both machine learning metrics (e.g., Mean Absolute Error, Root Mean Squared Error) and trading metrics (e.g., Profit and Loss percentage, Sharpe Ratio) to assess model performance. Our evaluation includes backtesting on historical data, forward testing on recent unseen data, and real-world trading scenarios, ensuring the robustness and practical applicability of our models. Key findings demonstrate that certain models, such as Random Forest and Stochastic Gradient Descent, outperform others in terms of profit and risk management. These insights offer valuable guidance for traders and researchers aiming to leverage machine learning for cryptocurrency trading.

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。