[論文レビュー] Cryptocurrency Price Prediction and Trading Strategies Using Support Vector Machines

David Zhao, Alessandro Rinaldo+1 more|arXiv (Cornell University)|Nov 26, 2019

Blockchain Technology Applications and Security参考文献 11被引用数 11

ひとこと要約

本稿では、ビットコイン、イーサリアム、ライトコインの1時間先価格動向を予測するためのサポートベクターマシン（SVM）ベースの分類モデルを提案している。このモデルは、歴史的価格データおよびオンチェーンデータから導出されたテクニカルインジケーターを用い、予測結果を取引戦略に変換することで、22か月にわたるバックテストにおいて市場を上回るパフォーマンスを示した。平均リターンは高く、ボラティリティは低く、特に高ボラティリティ期において顕著であった。

ABSTRACT

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.

研究の動機と目的

• 歴史的価格およびオンチェーンデータから導出されたテクニカルインジケーターを用いて、主要な暗号資産の短期価格予測モデルを開発すること。
• 変動性の高い暗号資産市場における1時間先の価格動向（上昇／下落）を予測するための、複数の分類手法の評価。
• 1時間先の予測に基づいて、現実的で実用的な取引戦略を設計・バックテストし、収益性を評価すること。
• 延長された期間にわたり、特にSVMを含むさまざまな機械学習モデルのパフォーマンスを市場ベンチマークと比較すること。
• 市場状況の変化、特に高ボラティリティ下での戦略の頑健性およびリスク調整後リターンの評価。

提案手法

• 著者らは、2015年7月から2019年11月までの期間、コインベースから1時間足のOHLCV（始値、高値、安値、終値、出来高）データおよびブロックタップからオンチェーンメトリクスを収集した。
• 価格および出来高データから、短中期的な市場パターンやモメンタムを捉えるために、100個以上のテクニカルインジケーターを設計した。
• 分類問題として、これらの特徴量を用いて、次の1時間以内の価格動向（上昇／下落）を予測するタスクに定式化した。
• SVM、ランダムフォレスト、ロジスティック回帰、勾配ブースティングなどのさまざまな機械学習分類器を、予測タスク上で訓練および評価した。
• バックテストフレームワークを用いて、現実的な取引条件をシミュレートし、1時間先の予測を固定ポジションサイズおよび取引コストを考慮した買い／売りシグナルに変換した。
• 累積リターン、シャープレシオ、最大回帰損失、市場との相関係数といった指標を用いて、22か月間のサンプル外期間における戦略の評価を実施した。

実験結果

リサーチクエスチョン

• RQ1 サポートベクターマシンは、テクニカルインジケーターを用いて、主要な暗号資産の短期的（1時間）価格動向を効果的に予測できるか？
• RQ2 シミュレーテッド取引環境における分類精度および収益性の観点から、SVMは他の分類モデルと比較してどのように性能を発揮するか？
• RQ3 提案された取引戦略は、22か月間にわたる期間において、シンプルなホールド戦略（買いために保有）の市場ベンチマークと比較して、優れたリスク調整後リターンを達成できるか？
• RQ4 市場ボラティリティの変化に伴い、戦略の行動はどのように変化するか？また、市場の下落期には損失を回避できるか？
• RQ5 戦略のリターンは、全体の市場とどれほど相関が低いか。これにより、分散化の利点が得られるか？

主な発見

• SVMベースのモデルは、全テスト分類器の中で最も高い収益性を示し、22か月のバックテスト期間中、市場を上回る平均リターンを達成した。
• ビットコイン、イーサリアム、ライトコインの各通貨において、SVM戦略は市場を上回る累積リターンを記録した一方で、ボラティリティは低く、最大回帰損失も小さかった。
• 戦略は、市場ボラティリティが高まる時期に積極的に取引を行う傾向を示し、予測の信頼性が高まっていることに一致した。
• SVM戦略のリターンと市場との相関係数は、イーサリアムで0.1%、ライトコインで18.5%と低く、分散化の可能性を示した。
• 低ボラティリティ期にはしばしば取引を控える傾向を示し、不確実な市場環境での露出を減らすことで、全体のリスク低減に寄与した。
• バックテストの結果、2018年末に観察されたような深刻な市場の下落を回避することができた一方で、短期的な利益を捉える能力も示した。