論文の概要: Machine Learning-Based Bitcoin Trading Under Transaction Costs: Evidence From Walk-Forward Forecasting

• arxiv url: http://arxiv.org/abs/2606.00060v1
• Date: Tue, 19 May 2026 14:30:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-07 20:42:22.532578
• Title: Machine Learning-Based Bitcoin Trading Under Transaction Costs: Evidence From Walk-Forward Forecasting
• Title（参考訳）: トランザクションコストによる機械学習ベースのBitcoin取引 - ウォークフォワード予測による証拠
• Authors: Andrei Bysik, Robert Ślepaczuk,
• Abstract要約: 本稿では、時間毎のBTC-USDTリターンの機械学習予測を、取引コストの後に経済的に有意義なトレーディングパフォーマンスに変換することができるかどうかを検討する。 XGBoost,LSTM,iTransformerを27倍のウォークフォワードプロトコルで評価した。 いずれのモデルも、選択された構成において肯定的な総取引性能を生み出すが、10ベーシックポイントの取引コストが課されると、単純サインベースの戦略は失敗する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper investigates whether machine learning forecasts of hourly BTC-USDT returns can be converted into economically meaningful trading performance after transaction costs. Using approximately 70,000 hourly observations from 2018-2026, XGBoost, LSTM, and iTransformer are evaluated in a 27-fold walk-forward protocol. All three models produce positive gross trading performance in selected configurations, but naive sign-based strategies fail once transaction costs of ten basis points are imposed. A cost-aware execution filter, which prevents trades only when the forecast magnitude exceeds a transaction-cost-based threshold, sharply reduces turnover and restores profitability in selected configurations. The strongest long-only XGBoost strategy produces annualised returns above 65% with a Sharpe ratio above one. Additional tests show that technical indicators improve performance in selected cases, EGARCH-derived features do not provide uniformly robust gains, and XGBoost is descriptively stronger than the neural alternatives, although bootstrap evidence does not support formal statistical dominance. Loss-function and model-selection effects are secondary and statistically fragile. The results show that the main obstacle in hourly cryptocurrency trading is not only weak predictability, but also the way forecasts are converted into trades.
• Abstract（参考訳）: 本稿では、時間毎のBTC-USDTリターンの機械学習予測を、取引コストの後に経済的に有意義なトレーディングパフォーマンスに変換することができるかどうかを検討する。 2018-2026年の約7万時間の観測で、XGBoost、LSTM、iTransformerを27倍のウォーキングフォワードプロトコルで評価した。 3つのモデル全ては、選択された構成において肯定的な総取引性能を生み出しますが、10ベーシックポイントのトランザクションコストが課されると、単純サインベースの戦略は失敗します。 予測等級がトランザクションコストベースの閾値を超える場合にのみ取引を防止し、ターンオーバーを著しく低減し、選択された構成の利益性を取り戻すコスト対応実行フィルタ。 最も強力なXGBoost戦略は、シャープ比が1以上の65%以上の年間リターンを生み出す。 追加のテストでは、選択された症例の技術的指標がパフォーマンスを向上させることを示し、EGARCH由来の特徴は一様に堅牢な利得を与えず、XGBoostは神経代替品よりも記述的に強いが、ブートストラップの証拠は正式な統計的優位性をサポートしていない。 損失関数とモデル選択効果は二次的かつ統計的に脆弱である。 その結果、時間ごとの暗号通貨取引の主な障害は、予測可能性の弱さだけでなく、予測が取引に変換される方法であることがわかった。

関連論文リスト

• From Index to Equity: Pre-Training Transformers for Stock Return Prediction [2.814741750783267]
  本研究は、機械学習を活用して株価予測を改善し、情報投資決定を支援することを目的とする。 株予測のための変圧器モデルについて検討し,事前学習戦略が予測性能に与える影響について検討する。
  論文  参考訳（メタデータ） (2026-05-12T13:18:48Z)
• TFT-ACB-XML: Decision-Level Integration of Customized Temporal Fusion Transformer and Attention-BiLSTM with XGBoost Meta-Learner for BTC Price Forecasting [0.7857499581522376]
  既存のディープラーニングモデルは、様々な市場条件で解釈可能性や一般化に苦しむことが多い。 本研究は,BTC閉値予測のためのハイブリッドスタック一般化フレームワークTFT-ACB-XMLを提案する。 2014年10月1日から2026年1月5日までのBTCデータを用いた実証検証では,提案フレームワークの性能が向上した。
  論文  参考訳（メタデータ） (2026-02-12T20:20:56Z)
• ZIP-RC: Optimizing Test-Time Compute via Zero-Overhead Joint Reward-Cost Prediction [57.799425838564]
  ZIP-RCは、モデルに報酬とコストのゼロオーバーヘッド推論時間予測を持たせる適応推論手法である。 ZIP-RCは、同じまたはより低い平均コストで過半数投票よりも最大12%精度が向上する。
  論文  参考訳（メタデータ） (2025-12-01T09:44:31Z)
• An Adaptive Multi Agent Bitcoin Trading System [0.0]
  本稿では,Large Lan-guage Models(LLMs)を暗号通貨市場でのアルファ生成とポートフォリオ管理に利用したMulti Agent Bitcoinトレーディングシステムを提案する。 提案するフレームワークは,LLMを技術分析,感情評価,意思決定,パフォーマンスリフレクションの専門エージェントに構造化することで,この問題を克服する。 2024年7月から2025年4月までのBitcoin価格データのバックテストでは、市場体制全体で一貫したパフォーマンスが見られた。
  論文  参考訳（メタデータ） (2025-10-09T10:55:52Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [48.87381259980254]
  我々は、ChatGPTのような大規模言語モデル(LLM)が、直接の金融トレーニングなしでニュースの見出しから株式市場の反応を予測する能力について文書化している。 GPT-4は、認識後カットオフの見出しを使って、最初の市場の反応を捉え、取引不能な初期反応に対して、ポートフォリオの1日当たりのヒット率を約90%達成している。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• Bitcoin Transaction Strategy Construction Based on Deep Reinforcement Learning [8.431365407963629]
  本研究では,PPO(Deep reinforcement Learning Algorithm-proximal Policy Optimization)に基づく,高速ビットコイン自動取引のためのフレームワークを提案する。 提案したフレームワークは、ボラティリティと急上昇の期間を通じて過剰なリターンを得ることができるため、ディープラーニングに基づく単一暗号通貨取引戦略を構築するための扉を開くことができる。
  論文  参考訳（メタデータ） (2021-09-30T01:24:03Z)
• GA-MSSR: Genetic Algorithm Maximizing Sharpe and Sterling Ratio Method for RoboTrading [0.4568777157687961]
  外国為替は世界最大の金融市場である。 ほとんどの文献は、歴史的価格情報と技術指標を訓練に用いた。 この問題に対処するため,我々は,技術指標と取引規則から派生した取引規則の特徴を設計した。
  論文  参考訳（メタデータ） (2020-08-16T05:33:35Z)
• Deep Stock Predictions [58.720142291102135]
  本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。 次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。 カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-08T23:37:47Z)

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。