跳至正文
返回文库全部文档

支持向量机用于短周期加密货币交易

文章 arXiv papers · 作者: David Zhao et al.
阅读原文

总结

本研究使用历史价格和技术指标，对比特币、以太坊和莱特币的短期走势进行分类。研究比较各类分类方法识别一小时内上涨和下跌走势的能力，并报告正预测值和负预测值方面的表现。随后，研究将预测映射为交易决策，并使用旨在模拟交易条件的回测器评估这些决策。

在所比较的方法中，支持向量机产生的策略盈利最高；报告称，在从2018年1月开始的评估期内，这些策略在三种资产上的平均表现均优于市场。这些发现仅适用于所选加密货币、历史样本、指标、预测周期和回测假设。描述未提供交易成本设置、模型规格或风险调整后表现等详情，因此仅凭报告结果无法确定该策略在其他时期或实盘交易中的表现。

核心观点

  • 研究根据加密货币历史价格构建技术指标，以预测一小时内的价格方向。
  • 研究使用正预测值和负预测值指标评估分类器。
  • 预测被转换为交易决策，并通过面向交易的回测器进行评估。
  • 在报告的策略盈利表现中，支持向量机领先于受测方法。
  • 报告的市场超额表现仅适用于比特币、以太坊、莱特币和受测历史时期。

标签

加密资产机器学习技术指标回测
全文
# Cryptocurrency Price Prediction and Trading Strategies Using Support Vector Machines


# Cryptocurrency Price Prediction and Trading Strategies Using Support Vector Machines









Few assets in financial history have been as notoriously volatile as cryptocurrencies. While the long term outlook for this asset class remains unclear, we are successful in making short term price predictions for several major crypto assets. Using historical data from July 2015 to November 2019, we develop a large number of technical indicators to capture patterns in the cryptocurrency market. We then test various classification methods to forecast short-term future price movements based on these indicators. On both PPV and NPV metrics, our classifiers do well in identifying up and down market moves over the next 1 hour. Beyond evaluating classification accuracy, we also develop a strategy for translating 1-hour-ahead class predictions into trading decisions, along with a backtester that simulates trading in a realistic environment. We find that support vector machines yield the most profitable trading strategies, which outperform the market on average for Bitcoin, Ethereum and Litecoin over the past 22 months, since January 2018.

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。