Terwijl Bitcoin probeert een deel van de glans terug te winnen die het eind 2017 had, toen het bijna $ 20 bereikte, 000 in waarde, beleggers vragen zich nog steeds af hoe ze zo'n volatiele valuta kunnen voorspellen.

Als cryptovaluta, er is geen fysieke vorm die Bitcoin waarde geeft, het is dus onmogelijk om een ​​traditionele fundamentele analyse van de valuta uit te voeren. Bijgevolg, veel beleggers volgen de zogenaamde technische handelsindicatoren (geometrische patronen opgebouwd uit historische prijzen en handelsvolumes) om de toekomstige beweging van Bitcoin te begrijpen en te voorspellen.

Sommige onderzoekers hebben succes gevonden met grote gecompliceerde modellen. Maar deze hebben soms honderden variabelen (of voorspellers) en het is moeilijk om sleutelfactoren te bepalen of de reproduceerbaarheid van dergelijke benaderingen te testen. Het is ook moeilijk te begrijpen welke factoren de Bitcoin-fluctuaties op de markt echt veroorzaken.

Al meer dan 20 jaar, Ik heb onderzoek gedaan naar de toepassingen van AI in de financiële wereld. Aan de Lang School of Business and Economics aan de Universiteit van Guelph, mijn co-auteur en voormalig afgestudeerde student Robert Adcock en ik hebben een kunstmatig neuraal netwerk (ANN) -model gemaakt om de voorspelbaarheid van Bitcoin-prijzen te testen.

Fluctuaties voorspellen

We gebruikten technische indicatoren die voortschrijdende gemiddelden worden genoemd als voorspellers. Voortschrijdende gemiddelden worden geconstrueerd door het gemiddelde te nemen van prijzen over een bepaalde periode (bijvoorbeeld 50 of 200 dagen) en deze als een lijn samen met de prijzen uit te zetten. De reden voor het gebruik van voortschrijdende gemiddelden is dat als de prijs van Bitcoin vandaag hoger of lager wordt dan de gemiddelde prijs in de afgelopen 50 of 200 dagen, handelaren konden de opkomst van een opwaartse of neerwaartse trend verwachten.

Als Bitcoin onvoorspelbaar is, dan wordt niet verwacht dat ons model het random walk-model zal verslaan — in wezen, het is niet beter dan gissen.

Echter, ons model leverde een aantal zeer interessante resultaten op met betrekking tot de voorspelbaarheid van Bitcoin in de tijd en tijdens periodes van ongewone volatiliteit.

Voorspellingen van kunstmatige intelligentie

Met behulp van dagelijkse waarnemingen van 2011-2018, we hebben een ANN gemaakt met drie voorspellers:rendement, Koop-verkoopsignaal van 50 dagen en koop-verkoopsignaal van 200 dagen.

We hebben ook een ANN-model getest dat de Chicago Board Options Exchange Volatility Index (VIX) bevatte om te zien of de volatiliteit van de aandelenmarkt een merkbaar effect had op Bitcoin-bewegingen. De VIX is een index die theoretische marktverwachtingen voor 30 dagen biedt op basis van de S&P 500 Index. Hogere waarden van VIX geven aan dat de markt een grote zwaai zal maken.

Kunstmatige neurale netwerken werken op dezelfde manier als de basisfuncties van het menselijk brein. Ons model neemt voorspellers, of ingangen, en outputs (de dagelijkse prijsverandering van Bitcoin) en pogingen om een ​​patroon te leren van alle gegevens. Het blijft zijn patronen testen totdat het een optimaal punt bereikt waarop verder testen overbodig is. Deze geavanceerde modellen vormen de ruggengraat van veel AI-leerprogramma's die worden gebruikt in het bedrijfsleven en de techniek.

Door de technische analyse van Bitcoin en neurale netwerken te combineren, we hoopten dat de ANN een patroon tussen de gegevens zou vinden waarmee we toekomstige rendementen nauwkeuriger konden voorspellen.

Niet-traditionele investeerders

Ons ANN-model slaagde er inderdaad in om de voorspellingsfout van de random walk met ongeveer vijf tot tien procent te verminderen over de volledige observatieperiode. Deze prognoseverbeteringen zijn statistisch significant, wat aangeeft dat het voorspellen van Bitcoin-prijzen op een dagelijkse basis niet langer giswerk is. Onze resultaten laten zien dat Bitcoin niet wordt beïnvloed door hoe de aandelenmarkt verandert, wat suggereert dat traditionele marktinvesteerders en investeerders in Bitcoin twee verschillende groepen zijn.

We hebben de gegevens ook opgedeeld in vier subsamples van vergelijkbare tijdframes om verder in te zoomen op marktinefficiënties. De voorspellende prestaties van onze ANN zijn binnen deze subsamples verder verbeterd.

een deelmonster, loopt van oktober 2014 tot juni 2016, leverde de beste resultaten van het onderzoek op. Het geïsoleerde 200-dagen signaalmodel presteerde 43,55 procent beter dan de random walk. We merkten op dat deze subsample een lage volatiliteit had in vergelijking met de andere drie subsamples en de stabielste periode van gegevens was die we hebben waargenomen. In essentie, grotere marktvolatiliteit maakt het leren van datapatronen en het trainen van het ANN-model moeilijker.

Samen met prijsnauwkeurigheid, we observeerden ook hoe vaak onze ANN-modellen correct voorspelden of prijzen zouden stijgen of dalen. Ons belangrijkste uitgebreide model over de hele periode 2011-2018 had een voorspellingsnauwkeurigheid van bijna 63 procent. Anders gezegd, Bitcoin-handel met ons model zou gemiddeld winstgevender zijn dan het plaatsen van willekeurige koop- en verkooporders met een kans van 50 procent om winst te maken.

Speculatie en voorspellende bubbels

In vergelijking met andere voorspellende modellen, onze ANN leverde de meest nauwkeurige en betrouwbare voorspellende methode voor Bitcoin. We concludeerden dat de historische evolutie van de dagelijkse Bitcoin-prijzen voorspellende trends (of bubbels) volgde die mogelijk voortvloeien uit de speculatieve aard van cryptocurrency-handel.

Wij geloven dat de toekomst van het voorspellen van Bitcoin - en misschien investeren in het algemeen - ligt in de mogelijkheden van kunstmatige intelligentie en kunstmatige neurale netwerken. Hoewel mensen misschien ruzie maken over de verdiensten van Bitcoin als valuta, we kunnen het op zijn minst waarderen als een fascinerend — en nu gemakkelijker te voorspellen — handelsartikel.

Dit artikel is opnieuw gepubliceerd vanuit The Conversation onder een Creative Commons-licentie. Lees het originele artikel.