[论文解读] 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 11

一句话总结

本文提出了一种基于支持向量机（SVM）的分类模型，利用从历史价格和链上数据中提取的技术指标，预测比特币、以太坊和莱特币的1小时价格走势。该模型将预测结果转化为一种交易策略，在22个月的回测中表现优于市场，实现了更高的平均收益与更低的波动性，尤其在高波动性时期表现突出。

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.

研究动机与目标

• 开发一种基于历史价格和链上数据提取的技术指标的短期加密货币价格预测模型。
• 评估多种分类方法在高波动性加密货币市场中预测1小时价格方向（上涨/下跌）的表现。
• 基于1小时后的预测结果，设计并回测一种现实的交易策略，以评估其盈利能力。
• 在较长时期内，将不同机器学习模型（尤其是SVM）的表现与市场基准进行比较。
• 探索策略在不同市场条件下的稳健性及其风险调整后表现，包括高波动性时期。

提出的方法

• 作者从2015年7月至2019年11月，从Coinbase获取了比特币、以太坊和莱特币的1小时OHLCV（开盘价、最高价、最低价、收盘价、成交量）数据，并从Blocktap获取了相应的链上指标。
• 从价格和成交量数据中构建了超过100项技术指标，以捕捉短期市场模式和动量特征。
• 将分类问题设定为：基于这些特征预测未来1小时内价格走势的方向（上涨/下跌）。
• 训练并评估了多种机器学习分类器，包括SVM、随机森林、逻辑回归和梯度提升模型，用于该预测任务。
• 采用回测框架模拟了真实的交易环境，将1小时预测结果转化为买入/卖出信号，并设定固定头寸规模和交易成本。
• 通过累计收益、夏普比率、最大回撤以及与市场相关性等指标，在22个月的样本外测试期内评估了该策略的表现。

实验结果

研究问题

• RQ1 支持向量机能否有效利用技术指标预测主要加密货币的短期（1小时）价格走势？
• RQ2 在模拟交易环境中，SVM与其他分类模型相比，在分类准确率和盈利能力方面表现如何？
• RQ3 该提出的交易策略在22个月的时间跨度内，是否产生了优于简单买入持有市场基准的风险调整后收益？
• RQ4 该策略在市场波动性增加时的行为如何变化？是否能在市场下跌期间避免损失？
• RQ5 该策略的收益与整体市场相关性多低，从而具备多角化投资的潜力？

主要发现

• 基于SVM的模型在所有测试的分类器中盈利能力最高，在22个月的回测期内，平均收益超过市场表现。
• 对于比特币、以太坊和莱特币，SVM策略在实现更高累计收益的同时，表现出更低的波动性和更小的最大回撤。
• 该策略在市场波动性较高的时期表现出更高的交易活跃度，与预测置信度的提升保持一致。
• SVM策略收益与市场的相关性较低——以太坊为0.1%，莱特币为18.5%，表明具备潜在的分散化优势。
• 在低波动性时期，该模型通常选择不交易，从而在市场不确定性较高时降低风险敞口，有助于整体风险的降低。
• 回测结果表明，该策略能够成功规避重大市场下跌，例如2018年底的暴跌，同时捕捉到短期收益。