[论文解读] Profitable Strategy Design for Trades on Cryptocurrency Markets with Machine Learning Techniques
本文提出了一种基于机器学习的加密货币市场交易策略，采用k-最近邻、XGBoost和随机森林分类器来预测价格趋势。通过利用包含和不包含技术指标的价格数据，该方法在未见的66天数据上实现了1.60的利润率，表现出强劲的盈利能力，并对有效市场假说的假设提出了挑战。
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.
研究动机与目标
- 设计一种基于机器学习技术的加密货币市场盈利交易策略。
- 评估在模型性能中引入技术指标与原始价格数据的影响。
- 评估所提策略在未见市场数据上的盈利能力和稳健性。
- 探讨结果对有效市场假说的启示。
- 开发一种专家系统，以支持投资者利用市场非有效性的机会。
提出的方法
- 本研究采用三种监督分类模型：k-最近邻、极端梯度提升（XGBoost）和随机森林，以预测未来价格趋势。
- 输入特征包括历史价格数据和技术指标，通过独立实验测试以隔离其影响。
- 模型根据未来价格走势，将每个时间步分类为“上涨”或“下跌”趋势，构成交易信号的基础。
- 通过回测框架在66天的未见数据上评估策略表现，测量利润率和交易执行情况。
- 该方法使用固定的历史窗口进行特征工程，并应用标准的训练-测试划分协议，以确保样本外评估。
- 盈利能力通过利润率衡量，定义为总利润除以总亏损，以评估风险调整后的收益。
实验结果
研究问题
- RQ1机器学习分类器能否有效预测加密货币市场的短期价格趋势？
- RQ2引入技术指标如何影响基于机器学习的交易策略的盈利能力？
- RQ3所提策略在未见市场数据上的样本外表现如何？
- RQ4该策略的盈利能力在多大程度上挑战了有效市场假说？
- RQ5能否仅基于历史价格和技术数据设计出一致且盈利的交易系统？
主要发现
- 所提策略在未见的66天测试期内实现了最高1.60的利润率，表明其具有强劲的风险调整后盈利能力。
- 引入技术指标提升了模型性能，尽管所提供的文本中未量化具体提升比例。
- 在所测试的配置中，XGBoost和随机森林在稳定性和预测准确性方面优于k-最近邻。
- 结果表明，机器学习模型能够利用加密货币市场中的短期市场非有效性。
- 本研究证实，可通过在价格和技术数据上应用监督学习，系统性地设计出盈利的数据驱动交易策略。
- 研究结果引发对市场效率的质疑，因为未见数据上的持续盈利能力挑战了有效市场假说的强形式。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。