[論文レビュー] Profitable Strategy Design for Trades on Cryptocurrency Markets with Machine Learning Techniques

Mohsen Asgari, Hossein Khasteh|arXiv (Cornell University)|May 14, 2021

Stock Market Forecasting Methods被引用数 4

ひとこと要約

本論文は、k-Nearest Neighbors、XGBoost、およびRandom Forest分類器を用いて、暗号通貨市場における機械学習駆動の取引戦略を提案している。価格データに技術的指標を加えたものとそうでないものを使用することで、未観測の66日間のデータにおいて利益率因子1.60を達成し、高い収益性の可能性を示し、効率的市場仮説の仮定に挑戦する。

ABSTRACT

AI and data driven solutions have been applied to different fields and achieved outperforming and promising results. In this research work we apply k-Nearest Neighbours, eXtreme Gradient Boosting and Random Forest classifiers for detecting the trend problem of three cryptocurrency markets. We use these classifiers to design a strategy to trade in those markets. Our input data in the experiments include price data with and without technical indicators in separate tests to see the effect of using them. Our test results on unseen data are very promising and show a great potential for this approach in helping investors with an expert system to exploit the market and gain profit. Our highest profit factor for an unseen 66 day span is 1.60. We also discuss limitations of these approaches and their potential impact on Efficient Market Hypothesis.

研究の動機と目的

• 暗号通貨市場における機械学習技術を用いた収益性の高い取引戦略の設計。
• 技術的指標を含めるかどうかがモデルのパフォーマンスに与える影響の評価。
• 未観測の市場データにおける提案戦略の収益性および頑健性の評価。
• 結果の効率的市場仮説への意味の検討。
• 投資家が市場の非効率性を活用できるように支援するエキスパートシステムの開発。

提案手法

• 本研究では、将来の価格動向を予測するために、k-Nearest Neighbors、eXtreme Gradient Boosting (XGBoost)、およびRandom Forestの3つの教師あり分類モデルを採用している。
• 入力特徴量には、歴史的価格データと技術的指標が含まれており、その影響を分離するために個別の実験が実施されている。
• モデルは、将来の価格動向に基づいて各時系列を「上昇」または「下落」トレンドに分類し、取引シグナルの基礎を形成している。
• バックテストフレームワークにより、66日間の未観測データ上で戦略のパフォーマンスが評価され、利益率因子と取引実行の測定が行われている。
• 特徴工学的手法には固定された履き出しウィンドウが使用され、出外評価を保証するための標準的なトレイン・テスト分割プロトコルが適用されている。
• 収益性は、利益率因子（総利益 ÷ 総損失）として定義され、リスク調整後のリターンを評価する。

実験結果

リサーチクエスチョン

• RQ1 機械学習分類器は、暗号通貨市場における短期的な価格動向を効果的に予測できるか？
• RQ2 技術的指標の組み込みが、MLベースの取引戦略の収益性に与える影響は何か？
• RQ3 提案された戦略の未観測市場データにおける性能はいかがなっているか？
• RQ4 戦略の収益性が、どの程度効率的市場仮説に挑戦しているか？
• RQ5 歴史的価格データと技術的指標のみを用いて、一貫性があり収益性の高い取引システムを設計できるか？

主な発見

• 提案された戦略は、未観測の66日間のテスト期間で最大で利益率因子1.60を達成し、リスク調整後の収益性が非常に高いことを示している。
• 技術的指標の組み込みによりモデルのパフォーマンスが向上したが、正確な向上率は提供された文書では数量化されていない。
• テストされた構成すべてにおいて、XGBoostとRandom Forestはk-Nearest Neighborsよりも安定性と予測精度が優れていた。
• 結果から、機械学習モデルが暗号通貨市場の短期的非効率性を活用できることを示唆している。
• 本研究は、価格データと技術的指標に基づく教師あり学習を用いて、体系的かつ収益性のある取引戦略を設計できることを確認している。
• これらの発見は、未観測データで一貫した収益性を示すという事実から、強形式の効率的市場仮説に疑問を呈するものである。