动量效应在基于机器学习的加密货币交易的应用
由googleglass创建，最终由googleglass 被浏览 10 用户
摘要
本文探讨了如何利用机器学习技术在加密货币交易中利用动量效应。加密货币交易近年来在私人投资者中越来越受欢迎，而动量效应对底层市场的影响已被多项研究证实。量化交易系统可以通过动量指标来开仓和平仓，但现有的利用动量效应的方法并未依赖机器学习，而是基于人工制定的规则，这些规则在加密货币市场这种高度波动的环境中并不适用。本文提出利用机器学习方法自动检测加密货币市场数据中的动量效应，并预测下一个交易日加密货币受动量效应影响的可能性及其方向。通过对比测试，机器学习模型能够较好地预测短期价格波动，减少错误交易信号的数量，并提高投资回报率。
研究内容
研究背景
加密货币市场近年来吸引了大量金融机构和投资者的关注，尤其是比特币（BTC）、以太坊（ETH）等加密货币的投机性交易显著增加。与传统资产相比，加密货币具有更高的价格波动性，这引发了关于其是否遵循传统金融市场预测模型的讨论。传统金融模型假设投资者是风险厌恶的，并且能够理性决策，同时市场存在有效的套利机制。然而，这些假设在加密货币市场中并不完全成立，导致了动量效应和反转效应等异常现象的出现。
动量效应指的是资产价格的正向自相关性，即价格上涨的资产可能继续上涨，而下跌的资产可能继续下跌。相反，反转效应指的是资产价格在长时间偏离后会回归其基本面价值。本文利用动量效应设计了一种盈利的加密货币交易策略。
研究方法
- 数据获取与准备：研究收集了比特币、以太坊和莱特币的历史价格数据，并基于技术分析指标进行特征工程。
- 数据集标注：使用动量效应标注数据集，将交易日分为正向动量、负向动量和正常日。
- 分类模型：训练并应用分类模型预测下一个交易日的动量效应及其方向。
- 机器学习模型：测试了多种机器学习模型，包括支持向量机（SVM）、高斯朴素贝叶斯（GNB）、K最近邻（KNN）、逻辑回归（LR）、随机森林（RF）等，并进行了广泛的回测实验。
关键发现
- 机器学习优于传统方法：机器学习方法在预测动量效应方面优于传统启发式方法，尤其是在减少错误交易信号和提高投资回报率方面表现突出。
- KNN模型表现最佳：在所有测试的加密货币中，KNN模型平均表现最佳，尤其是在比特币和以太坊上。
- 交易结果：机器学习方法在交易模拟中表现出更高的盈利交易比例和更高的平均交易回报率。例如，在比特币上，KNN模型的平均交易回报率为0.78%，而传统方法仅为0.06%。
详细正文
/wiki/static/upload/82/827ff2e7-dea5-4f34-903f-4e0d80be5bf8.pdf
\