[论文解读] Are Bitcoins price predictable? Evidence from machine learning techniques using technical indicators

Samuel Asante Gyamerah|arXiv (Cornell University)|Sep 3, 2019

Blockchain Technology Applications and Security被引用 7

一句话总结

本研究评估了使用技术指标预测比特币价格的机器学习模型，发现结合随机森林、广义线性模型和线性核支持向量回归的堆叠集成模型表现最佳。该模型在测试数据上的平均绝对百分比误差（MAPE）为0.0191%，均方根误差（RMSE）为15.53美元，决定系数（R-squared）为0.9967，表明其在测试数据上实现了近乎完美的预测性能。

ABSTRACT

The uncertainties in future Bitcoin price make it difficult to accurately predict the price of Bitcoin. Accurately predicting the price for Bitcoin is therefore important for decision-making process of investors and market players in the cryptocurrency market. Using historical data from 01/01/2012 to 16/08/2019, machine learning techniques (Generalized linear model via penalized maximum likelihood, random forest, support vector regression with linear kernel, and stacking ensemble) were used to forecast the price of Bitcoin. The prediction models employed key and high dimensional technical indicators as the predictors. The performance of these techniques were evaluated using mean absolute percentage error (MAPE), root mean square error (RMSE), mean absolute error (MAE), and coefficient of determination (R-squared). The performance metrics revealed that the stacking ensemble model with two base learner (random forest and generalized linear model via penalized maximum likelihood) and support vector regression with linear kernel as meta-learner was the optimal model for forecasting Bitcoin price. The MAPE, RMSE, MAE, and R-squared values for the stacking ensemble model were 0.0191%, 15.5331 USD, 124.5508 USD, and 0.9967 respectively. These values show a high degree of reliability in predicting the price of Bitcoin using the stacking ensemble model. Accurately predicting the future price of Bitcoin will yield significant returns for investors and market players in the cryptocurrency market.

研究动机与目标

• 开发一种基于关键性与高维技术指标的高精度比特币价格预测模型。
• 评估个体机器学习模型——通过惩罚似然法拟合的广义线性模型（GLMNET）、随机森林以及线性核支持向量回归——在比特币价格预测中的表现。
• 将个体模型与堆叠集成模型进行比较，以识别最优的预测方法。
• 为基于机器学习的技术指标在比特币价格预测中的应用提供实证证据，该领域仍属相对未充分探索的范畴。

提出的方法

• 使用2012年1月1日至2019年8月16日期间的比特币历史价格数据进行训练与测试。
• 将34个关键性与高维技术指标作为模型的输入特征。
• 训练了四种模型：通过惩罚似然法拟合的广义线性模型（GLMNET）、随机森林、线性核支持向量回归以及堆叠集成模型。
• 堆叠集成模型采用随机森林和GLMNET作为基学习器，线性核支持向量回归作为元学习器。
• 通过在训练集和测试集上使用MAPE、RMSE、MAE和R-squared等指标评估模型性能。
• 通过可视化分析与误差图评估预测准确性，并识别预测误差较高的时间段。

实验结果

研究问题

• RQ1 尽管市场波动性高，机器学习模型是否能利用技术指标准确预测比特币价格？
• RQ2 个体机器学习模型（GLMNET、随机森林、SVR）在比特币价格预测中的表现如何比较？
• RQ3 堆叠集成模型是否优于个体模型，能够更准确地预测比特币价格？
• RQ4 使用高维技术指标对比特币价格预测的准确性有何影响？

主要发现

• 堆叠集成模型在测试数据上实现了最低的平均绝对百分比误差（MAPE）0.0191%，表明其具有极高的预测准确性。
• 堆叠集成模型在测试集上的均方根误差（RMSE）为15.5331美元，显著低于其他模型。
• 该模型在测试数据上的决定系数（R-squared）达到0.9967，表明模型解释了比特币价格99.67%的方差。
• 堆叠集成模型对大多数数据点存在低估现象，且在2018年6月2日至2018年4月1日以及2019年6月25日至7月15日期间误差较大。
• 线性核支持向量回归为第二优模型，其测试MAPE为0.0209%，RMSE为160.46美元。
• 随机森林在测试集上的MAPE最高（0.0548%），RMSE最大（398.69美元），表明其性能弱于集成模型。