О некоторых подходах к построению торговых стратегий на рынках криптовалют 
Щетинин Е.Ю.

1
Введение

2
Методы моделирования и прогнозирования стоимости криптовалют

3
Таблица 1. Описание набора данных и содержащихся в нем факторов
Выбор оптимальных параметров модели и построение прогноза

4
Рис. 1. Распределение обучающей и тестовой выборки по меткам тренда

5
Таблица 2. Точность прогноза на тестовой выборке
Рис. 2. Распределение факторов набора данных по их силе влияния на прогноз

6
Выводы
Таблица 3. Действия согласно стратегии по управлению портфелем

7
Рис. 3. Динамика стоимости портфеля с короткими позициями и без них
Рис. 4. Котировка биткойна и прогнозные метки

8
Таблица 4. Результаты бэк-тестинга модели
Литература

Ключевые слова: биткойн, торговая стратегия, ансамблевые модели, глубокое обучение, инвестирование

Аннотация

В работе предложена торговая стратегия инвестирования на рынке криптовалют, использующая моменты входа на рынок на основе дополнительных источников информации. Соответствующая задача поставлена как задача по классификации тренда стоимостных показателей криптовалют. Для ее решения в статье применяются ансамблевые модели и глубокие нейронные сети. Компьютерный анализ стратегий инвестирования показал преимущество предложенной модели перед традиционными методами машинного обучения.

Журнал: «Управление финансовыми рисками» — №3, 2021 (© Издательский дом Гребенников)
Объем в страницах: 8

DOI

10.36627/2221-7541-2021-3-3-206-213 — https://doi.org/10.36627/2221-7541-2021-3-3-206-213

* Деятельность Meta (соцсети Facebook и Instagram) запрещена в России как экстремистская.

1. Жерон О. Прикладное машинное обучение с помощью Scikit-Learn, Keras и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем. — М.: Диалектика, 2020. — 1040 с.

2. Михайлов А.Ю. Ценообразование на рынке криптоактивов и взаимосвязь с фондовыми индексами // Финансы и кредит. — 2018. — №24(11). — С. 641–651.

3. Огнев Г.Г., Щетинин Е.Ю. Исследование глубоких нейронных сетей с LSTM-архитектурой для прогнозирования финансовых временных рядов // Информационно-телекоммуникационные технологии и математическое моделирование высокотехнологичных систем: Материалы всероссийской конференции с международным участием. — М.: Российский университет дружбы народов, 2020. — С. 280–283.

4. Севастьянов Л.А., Щетинин Е.Ю. О методах повышения точности многоклассовой классификации на несбалансированных данных // Информатика и ее применение. — 2020. — Т.14. — №1. — С. 63–70.

5. Щетинин Е.Ю. Исследование влияния пандемии COVID-19 на международные авиаперевозки // Управление финансовыми рисками. — 2021. — №1. — С. 46–58.

6. Щетинин Е.Ю., Прудников Ю.Г., Марков П.Н. Моделирование и оценивание длинной памяти финансовых временных рядов // Вестник Российского университета дружбы народов. — Серия «Математика, информатика, физика». — 2011. — №1. — С. 98–106.

7. Янсен С. Машинное обучение для алгоритмической торговли на финансовых рынках. Практикум / Пер. с англ. — СПб.: БХВ-Петербург, 2020. — 560 с.

8. Arratia A., López-Barrantes A.X. (2021). «Do Google trends forecast bitcoins? Stylized facts and statistical evidence». Journal of Banking and Financial Technology, Vol. 5(1), pp. 1–13.

9. Spörer J. (2020). Backtesting of Algorithmic Cryptocurrency Trading Strategies. — Подробнее .

Щетинин Евгений Юрьевич
д. ф.-м. н.
профессор

Профессор департамента анализа данных, принятия решений и финансовых технологий Финансового университета при Правительстве Российской Федерации.

г. Москва

Другие статьи автора 7