با استفاده از یادگیری ماشین برای پیش بینی حرکات کوتاه مدت بازار بیت کوین

ما پیش بینی بازار بیت کوین را در افق های پیش بینی از 1 تا 60 دقیقه تجزیه و تحلیل می کنیم. با انجام این کار ، ما مدل های مختلف یادگیری ماشین را آزمایش می کنیم و می دانیم که ، در حالی که همه مدل ها از طبقه بندی تصادفی تصادفی ، شبکه های عصبی مکرر و طبقه بندی های تقویت کننده شیب به ویژه برای کارهای پیش بینی مورد بررسی مناسب هستند. ما از یک مجموعه ویژگی جامع ، از جمله ویژگی های فنی ، مبتنی بر blockchain ، احساسات مبتنی بر علاقه و مبتنی بر دارایی استفاده می کنیم. نتایج ما نشان می دهد که ویژگی های فنی برای اکثر روش ها بیشتر مرتبط هستند و به دنبال آن ویژگی های مبتنی بر blockchain و مبتنی بر علاقه. علاوه بر این ، ما می دانیم که پیش بینی برای افق های پیش بینی طولانی تر افزایش می یابد. اگرچه یک استراتژی معاملاتی کوتاه مدت مبتنی بر کمی قبل از هزینه معاملات ، بازده ماهانه تا 31 ٪ را ایجاد می کند ، اما پس از در نظر گرفتن هزینه های معاملات به دلیل دوره های خاص در اختیار شما ، منجر به بازده منفی می شود.

کلید واژه ها

• بیت کوین
• فراگیری ماشین
• پیش بینی بازار مالی
• شبکه های عصبی
• تقویت شیب
• جنگل های تصادفی

این پیش نمایش محتوای اشتراک ، دسترسی از طریق موسسه شما است.

گزینه های خرید

کتاب الکترونیکی 50. 28 یورو شامل مالیات بر ارزش افزوده (فدراسیون روسیه)

کتاب Softcover 59. 99 یورو از مالیات بر ارزش افزوده (فدراسیون روسیه) مستثنی است

منابع

Nakamoto ، S: Bitcoin: یک سیستم نقدی الکترونیکی همتا به همتا. مقاله کار (2008)

Feng ، G. ، Giglio ، S. ، Xiu ، D: Taming the Factor Zoo: آزمایش عوامل جدید. J. Finance 75 (3) ، 1327-1370 (2020)

Jaquart ، P. ، Dann ، D. ، Martin ، C: یادگیری ماشین برای قیمت گذاری بیت کوین - یک بررسی ادبیات ساختاری. در: مجموعه مقالات پانزدهمین کنگره بین المللی کسب و کار ، صص 174-188 (2020)

CoinmarketCap: CoinmarketCap (2020). https://coinmarketcap.com/. دسترسی به 30 ژوئیه 2020

FAMA ، E. F: بازارهای سرمایه کارآمد: مروری بر تئوری و کار تجربی. J. Finance 25 (2) ، 383-417 (1970)

Lo ، A. W: فرضیه بازارهای تطبیقی. J. Portf. مدیر. 30 (5) ، 15-29 (2004)

Fama ، E. F. ، فرانسوی ، K. R: Disecting Anomalies. J. Finance 63 (4) ، 1653-1678 (2008)

Fischer ، T. ، Krauss ، C: Leaing Deep با شبکه های حافظه کوتاه مدت کوتاه مدت برای پیش بینی های بازار مالی. یوروJ. عملres270 (2) ، 654-669 (2018)

Gu ، S. ، Kelly ، B. ، Xiu ، D: قیمت گذاری دارایی تجربی از طریق یادگیری ماشین. Rev. Financy. گل میخ33 (5) ، 2223-2273 (2020)

Krollner ، B. ، Vanstone ، B. ، Finie ، G: پیش بینی سری زمانی مالی با تکنیک های یادگیری ماشین: یک نظرسنجی. در: مجموعه مقالات سمپوزیوم اروپایی در شبکه های عصبی مصنوعی: یادگیری محاسباتی و ماشین ، صص 1-7. اسپرینگر (2010)

FAMA ، E. F: راندمان بازار ، بازده بلند مدت و امور مالی رفتاری. J. مالی. ECON49 (3) ، 283-306 (1998)

Grossman ، S. J. ، Stiglitz ، J. E: در مورد عدم امکان بازارهای اطلاعاتی کارآمد. صبح. ECONوحی 70 (3) ، 393-408 (1980)

Green ، J. ، Hand ، J. R. M. ، Zhang ، X. F: Supraview از سیگنال های پیش بینی بازگشت. حساب روحانی. گل میخ18 (3) ، 692-730 (2013)

Schwert ، G. W: ناهنجاری ها و کارآیی بازار. در: بازارهای مالی و قیمت گذاری دارایی ، کتابچه راهنمای اقتصاد دارایی ، صص 939-974. Elsevier (2003)

Dyhrberg ، A. H: بیت کوین ، طلا و دلار - تجزیه و تحلیل نوسانات Garch. مالی. resکاهنده16 (1) ، 85-92 (2016)

Buiske ، C. ، White ، A: Bitcoin: زنگ زدن به یک کلاس دارایی جدید ، گزارش فنی (2017)

Urquhart ، A: ناکارآمدی بیت کوین. ECONکاهنده148 (1) ، 80-82 (2016)

Nadarajah ، S. ، Chu ، J: در مورد ناکارآمدی بیت کوین. ECONکاهنده150 (1) ، 6-9 (2017)

Bariviera ، A. F: ناکارآمدی بیت کوین تجدید نظر شده: یک رویکرد پویا. ECONکاهنده161 (1) ، 1-4 (2017)

Vidal-Tomás ، D. ، Ibañez ، A: کارآیی نیمه قوی بیت کوین. امور مالی Res. کاهنده27 (1) ، 259–265 (2018)

Khuntia ، S. ، Pattanayak ، J. K: فرضیه بازار تطبیقی و پیش بینی در حال تحول بیت کوین. ECONکاهنده167 (1) ، 26-28 (2018)

Karakoyun ، E. S. ، Cibikdiken ، A. O: مقایسه مدل سری زمانی Arima و الگوریتم یادگیری عمیق LSTM برای پیش بینی قیمت بیت کوین. در: مجموعه مقالات کنفرانس علمی چند رشته ای ، صص 171-180 (2018)

McNally ، S. ، Roche ، J. ، Caton ، S: پیش بینی قیمت بیت کوین با استفاده از یادگیری ماشین. در: مجموعه مقالات کنفرانس بین المللی Eurmicro 2018 در مورد پردازش موازی ، توزیع شده و مبتنی بر شبکه ، صص 339-343 (2018)

Madan ، I. ، Saluja ، S. ، Zhao ، A: تجارت خودکار بیت کوین از طریق الگوریتم های یادگیری ماشین (2015)

Smuts ، N: چه چیزی قیمت های رمزنگاری را هدایت می کند؟: بررسی روندهای گوگل و احساسات تلگرام. ACM Sigmetrics انجام می دهد. ارزیابیRev 46 (3) ، 131-134 (2019)

Goodfellow ، I. ، Bengio ، Y. ، Courville ، A: Leaing Deep. MIT Press ، کمبریج (2016)

Kumar ، A. ، Garg ، G: تجزیه و تحلیل احساسات از داده های توییتر چندمودال. چندرسانهابزارها78 (17) ، 24103–24119 (2019)

Symeonidis ، S. ، Effrosynidis ، D. ، Arampatzis ، A: ارزیابی مقایسه ای از تکنیک های پیش پردازش و تعامل آنها برای تجزیه و تحلیل احساسات توییتر. کارشناس. systکاربرد110 (1) ، 298-310 (2018)

Takeuchi ، L. ، Lee ، Y.-Y. A: استفاده از یادگیری عمیق برای تقویت استراتژی های معاملات حرکت در سهام (2013)

Kingma ، D. P. ، Ba ، J: Adam: روشی برای بهینه سازی تصادفی. در: مجموعه مقالات سومین کنفرانس بین المللی بازنمایی یادگیری ، صص 1-15 (2015)

Hoik ، K. ، Stinchcombe ، M. ، White ، H: شبکه های فیدر چند لایه تقریبی جهانی هستند. netw عصبی. 2 (5) ، 359-366 (1989)

Hochreiter ، S. ، Schmidhuber ، J: حافظه کوتاه مدت. رایانه عصبی. 9 (8) ، 1735-1780 (1997)

Chung ، J. ، Gülçehre ، ac. ، Cho ، K. ، Bengio ، Y: ارزیابی تجربی شبکه های عصبی مکرر دروازه در مدل سازی توالی. مقاله کار (2014)

هو ، T. K: جنگل های تصمیم گیری تصادفی. در: مجموعه مقالات سومین کنفرانس بین المللی تجزیه و تحلیل و شناخت اسناد ، صص 278-282 (1995)

Friedman ، J. H: تقریب عملکرد حریص: یک دستگاه تقویت شیب. آن راآمار5 (21) ، 1189–1232 (2001)

Diebold ، F. X. ، Mariano ، R. S: مقایسه دقت پیش بینی. J. Bus. ECONآمار20 (1) ، 134-144 (1995)

Breiman ، L: جنگل های تصادفی. ماچفرا گرفتن. 45 (1) ، 5-32 (2001)

Fischer ، T. G. ، Krauss ، C. ، DeInert ، A: داوری آماری در بازارهای رمزنگاری. J. Risk Financy. مدیر. 12 (1) ، 31 (2019)

Biais ، B. ، Bisiere ، C. ، Bouvard ، M. ، Casamatta ، C. ، Menkveld ، A. J: تعادل قیمت گذاری بیت کوین. مقاله کار (2018)

جگادش ، ن: شواهدی از رفتار قابل پیش بینی بازده امنیتی. J. Finance 45 (3) ، 881-898 (1990)

Shefrin ، H. ، Statman ، M: Disposition برای فروش برندگان خیلی زود و بازنده های سوار بیش از حد طولانی: تئوری و شواهد. J. Finance 40 (3) ، 777-790 (1985)

سپاسگزاریها

نویسندگان با قدردانی از حمایت مالی از اتحاد تحقیقات فوردگیتال قدردانی می کنند.

اطلاعات نویسنده

نویسندگان و وابستگی ها

موسسه فناوری کارلسروهه ، Kaiserstraße 89-93 ، 76133 ، Karlsruhe ، آلمان