論文の概要: The Efficient Market Hypothesis for Bitcoin in the context of neural networks

• arxiv url: http://arxiv.org/abs/2208.07254v1
• Date: Sat, 25 Jun 2022 09:04:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-08 02:07:43.755948
• Title: The Efficient Market Hypothesis for Bitcoin in the context of neural networks
• Title（参考訳）: ニューラルネットワークの文脈におけるBitcoinの効率的な市場仮説
• Authors: Mike Kraehenbuehl, Joerg Osterrieder
• Abstract要約: 本研究では、フィードフォワードニューラルネットワークを用いて、Bitcoinの効率的な市場仮説の弱い形について検討する。 ニューラルネットワーク手法により,付加的なアセットクラスを追加しても,予測精度は向上しない。 1つの機能セットは、買い取り戦略を部分的に上回ることができるが、他の機能が追加されると、パフォーマンスは再び低下する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study examines the weak form of the efficient market hypothesis for Bitcoin using a feedforward neural network. Due to the increasing popularity of cryptocurrencies in recent years, the question has arisen, as to whether market inefficiencies could be exploited in Bitcoin. Several studies we refer to here discuss this topic in the context of Bitcoin using either statistical tests or machine learning methods, mostly relying exclusively on data from Bitcoin itself. Results regarding market efficiency vary from study to study. In this study, however, the focus is on applying various asset-related input features in a neural network. The aim is to investigate whether the prediction accuracy improves when adding equity stock indices (S&P 500, Russell 2000), currencies (EURUSD), 10 Year US Treasury Note Yield as well as Gold&Silver producers index (XAU), in addition to using Bitcoin returns as input feature. As expected, the results show that more features lead to higher training performance from 54.6% prediction accuracy with one feature to 61% with six features. On the test set, we observe that with our neural network methodology, adding additional asset classes, no increase in prediction accuracy is achieved. One feature set is able to partially outperform a buy-and-hold strategy, but the performance drops again as soon as another feature is added. This leads us to the partial conclusion that weak market inefficiencies for Bitcoin cannot be detected using neural networks and the given asset classes as input. Therefore, based on this study, we find evidence that the Bitcoin market is efficient in the sense of the efficient market hypothesis during the sample period. We encourage further research in this area, as much depends on the sample period chosen, the input features, the model architecture, and the hyperparameters.
• Abstract（参考訳）: 本研究では,feedforwardニューラルネットワークを用いた,bitcoinの効率的な市場仮説の弱い形式について検討する。 近年、暗号通貨の人気が高まり、市場の非効率性がビットコインで悪用されるかどうかという疑問が持ち上がっている。 ここで紹介するいくつかの研究は、統計テストまたは機械学習手法を使用してBitcoinの文脈でこのトピックについて議論している。 市場効率に関する結果は研究によって異なる。 しかし本研究は,ニューラルネットワークに様々なアセット関連入力機能を適用することに焦点を当てている。 株価指数(s&p 500、russell 2000)、通貨(eurusd)、10年間の米国債利回り、および金銀生産者指数(xau)に加え、bitcoinリターンを入力機能として使用する場合の予測精度が向上するかどうかを調べることを目的としている。 予想通り、より多くの機能により、1つの機能で54.6%の予測精度から6つの機能を持つ61%までのトレーニングパフォーマンスが向上した。 テストセットでは、ニューラルネットワークの方法論により、アセットクラスを追加しても、予測精度が向上しないことを観察します。 ある機能セットは買い取り戦略を部分的に上回ることができるが、他の機能が追加されるとすぐにパフォーマンスが低下する。 これにより、Bitcoinの弱い市場不効率はニューラルネットワークと与えられた資産クラスを入力として検出できないという部分的な結論が導かれる。 そこで,本研究では,サンプル期間中の効率的な市場仮説から,ビットコイン市場が効率的であることを示す。 我々は、サンプル期間、入力特徴、モデルアーキテクチャ、ハイパーパラメータに大きく依存するので、この分野のさらなる研究を奨励する。

関連論文リスト

• Predicting Bitcoin Market Trends with Enhanced Technical Indicator Integration and Classification Models [6.39158540499473]
  本研究では,暗号市場の方向性を予測するための分類に基づく機械学習モデルを提案する。 歴史的データと、移動平均収束分量、相対強度指数、ボリンジャーバンドなどの重要な技術指標を用いて訓練されている。 その結果、購入/販売信号の精度は92%を超えた。
  論文  参考訳（メタデータ） (2024-10-09T14:29:50Z)
• A Data-driven Deep Learning Approach for Bitcoin Price Forecasting [10.120972108960425]
  本稿では,bitcoinの閉口価格を日単位の時間枠で予測するために,浅い双方向LSTM(Bidirectional-LSTM)モデルを提案する。 本稿では,他の予測手法と比較し,提案手法の助けを借りて,浅層ニューラルネットワークが他の一般的な価格予測モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-27T10:35:47Z)
• Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
  本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。 シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。 ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
  論文  参考訳（メタデータ） (2023-10-02T12:33:28Z)
• $p$-DkNN: Out-of-Distribution Detection Through Statistical Testing of Deep Representations [32.99800144249333]
  我々は、訓練された深層ニューラルネットワークを使用し、その中間の隠蔽表現の類似構造を分析する新しい推論手順である$p$-DkNNを紹介した。 我々は、$p$-DkNNでアダプティブアタッカーが、最悪のOOD入力の形式である敵の例を作成して、入力に意味のある変更を導入する。
  論文  参考訳（メタデータ） (2022-07-25T21:42:08Z)
• Cryptocurrency Bubble Detection: A New Stock Market Dataset, Financial Task & Hyperbolic Models [31.690290125073197]
  バブル検出のための新しいマルチスパン識別タスクであるCryptoBubblesを公開・公開する。 我々はこのマルチスパン識別タスクに適した一連のシーケンス・ツー・シーケンス・ハイパーボリックモデルを開発する。 RedditとTwitterでCryptoBubblesとハイパーボリックモデルの実用性を示す。
  論文  参考訳（メタデータ） (2022-05-11T08:10:02Z)
• BABD: A Bitcoin Address Behavior Dataset for Address Behavior Pattern Analysis [36.42552617883664]
  私たちは、2019年7月12日から2021年5月26日までにBitcoin取引からなるデータセットを構築しました。 このデータセットには、13種類のBitcoinアドレス、148の機能を提供する5つのカテゴリ、ラベル付きデータ544,462が含まれている。 提案したデータセットは、k-nearest neighborsアルゴリズム、決定木、ランダムフォレスト、多層パーセプトロン、XGBoostといった一般的な機械学習モデルに基づく。
  論文  参考訳（メタデータ） (2022-04-10T06:46:51Z)
• Cryptocurrency Valuation: An Explainable AI Approach [0.8566457170664925]
  本稿では、独自のブロックチェーン会計手法を用いて、新しい市場間投資比率、価格対実用率(PU)比率を提案する。 PU比は、代替手段よりも長期のbitcoinリターンを効果的に予測する。 本稿では、従来の買い取り戦略や市場刺激戦略よりも優れたPU比による自動取引戦略を提案する。
  論文  参考訳（メタデータ） (2022-01-30T19:01:23Z)
• Exploration of Algorithmic Trading Strategies for the Bitcoin Market [1.933681537640272]
  この取り組みは、Bitcoin市場にアルゴリズムによるトレーディングのアプローチをもたらし、その価格の変動を日々利用している。 我々は,2021年第1四半期を通じて収集された全く見えないデータに基づいて,実世界のトレーディング戦略を用いてモデルを実証的に評価した。 モデルの平均利益は86%で、従来の買い取り戦略と一致した。
  論文  参考訳（メタデータ） (2021-10-28T08:13:34Z)
• S2-BNN: Bridging the Gap Between Self-Supervised Real and 1-bit Neural Networks via Guided Distribution Calibration [74.5509794733707]
  本研究では, 実数値から, 最終予測分布上のバイナリネットワークへの誘導型学習パラダイムを提案する。 提案手法は,bnn上で5.515%の絶対利得で,単純なコントラスト学習ベースラインを向上できる。 提案手法は、単純なコントラスト学習ベースラインよりも大幅に改善され、多くの主流教師付きBNN手法に匹敵する。
  論文  参考訳（メタデータ） (2021-02-17T18:59:28Z)
• Real-Time Prediction of BITCOIN Price using Machine Learning Techniques and Public Sentiment Analysis [0.0]
  本研究の目的は、機械学習技術と感情分析により、USDにおけるBitcoinの予測可能な価格方向を決定することである。 TwitterとRedditは、大衆の感情を研究する研究者から大きな注目を集めている。 我々は、感情分析と機械学習の原則をTwitterやRedditの投稿から抽出したツイートに適用した。
  論文  参考訳（メタデータ） (2020-06-18T15:40:11Z)
• Neural Networks and Value at Risk [59.85784504799224]
  リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。 株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。 はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
  論文  参考訳（メタデータ） (2020-05-04T17:41:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。