# Using machine learning for cryptocurrency trading

<i class="fa fa-book fa-fw"></i> **Jifeng Sun; Yi Zhou; Jianwu Lin**

**Date of Conference: 6-9 May 2019**

**Publisher: IEEE**

[:link: Link](https://ieeexplore.ieee.org/abstract/document/8780358)

摘要
---
- 透過**Random Forest** 預測幾種加密貨幣的價格，通過[Alpha101](https://arxiv.org/ftp/arxiv/papers/1601/1601.00991.pdf)（**量化交易公式**） 部分因子表示 Binance 和 Bitfinex 上加密貨幣市場的歷史特徵。
- 結果表明此策略與Alpha101 的部分因素在加密貨幣交易中是有效的。

簡介
---
- 加密貨幣：
- 2009年BTC為第一個去中心化貨幣。
- 自2017以來加密貨幣市場蓬勃發展。（年初1,000鎂; 年底13,000鎂）
- 2017已有30種市值超過10億鎂之加密貨幣。
- 研究透過傳統交易策略預測分析高波動之加密貨幣市場可行性。
- 使用機器學習對BTC與ETH進行預測。

交易策略
---
- 基本策略：
- 投資者透過基本面及技術面進行評估， 選擇高成長潛力之加密貨幣。
- 與傳統側重於：
- 利潤
- 收入
- 增長率
- 市場份額
- 企業戰略 不同
- **技術社區活躍度**為加密貨幣市場一重要因素。
- 多因素策略：
- 找出與資產收益率最相關之因素（因素與產量之間的相關性），構建投資組合。
- 市場數據
- 社交媒體數據
- 趨勢追蹤（動量交易策略）：
- 買入過去幾個月回報率高之金融產品; 賣出同期回報率低之金融產品。
- 亦廣泛應用於：
- 股票
- 期貨
- 外匯 市場
- 套利：
- 利用價格與收益率暫時不一致獲取收益之策略。
- 跨幣種套利
- 跨平台套利
- 期貨合約套利

相關工作
---
- 因子分析：
- 因子透過組合後，可獲得更高的風險調整收益：
- 動量因子
- 價值因子
- 套利因子
- 使用機器學習和深度學習預測價格趨勢：
- 準確性的重要：
- Random Forest 優於廣義線性模型。
- 社交媒體數據於預測加密貨幣發揮重要作用。

數據及方法
---
- 數據收集：
- 來源：
- [x] [Bincentive](https://github.com/Bincentive/TradingData) （free）
- [ ] [tushare](https://tushare.pro)（free）
- [ ] [bitcoincharts](http://api.bitcoincharts.com)（free）
- [ ] [kaiko](https://www.kaiko.com/pages/historical-data)（free）
- 數據：
- Binance 及Bitfinex兩間交易所（2017/8-2018/12）：
- ETC-USDT
- IOTA-USDT
- LTC-USDT
- NEO-USDT
- TRX-USDT
- XLM-USDT
- XRP-USDT
- ETH-USDT
- ADA-USDT
- BCH-USDT
- BNB-USDT
- BTC-USDT
- 資料預處理：
- 計算準確率：
- 市場高點應高於開盤價; 市場低點應低於收盤價; 市場高點應高於市場低點。
- κ 為數據的正確率
- α 與β 為中間變量
- l 為數據集長度
- x 為開-高-低-收數據
- 124筆資料中刪除其中3筆錯誤資料。
- 遺漏值處理：
- 選擇忽略短缺失範圍數據並使用多項式插值處理長缺失範圍數據，如：
- 拉格朗日插值
- 牛頓插值
- 異常值處理：
- 去除高度異常的異常值（超過三個標準差）。 丟棄產生nan與INF之因素，以0代替。
- 資料標準化：
- 最小-最大歸一化：
- 零均值歸一化：
- μ 為平均值。
- σ 為標準差。
- 小數標度歸一化：
- 以9:1比例將數據分為訓練集與測試集。
- 特徵選擇：
- 選擇Alpha101 中的16個因子。
- 根據單因子序列選擇目標投資組合，一次重複幾個循環的方法，計算資產組合的收益。
- 由於Random Forest的結構（每棵樹使用隨機之因子），可以獲得所有因素的重要性權重。
- 分類方法選擇：
- 因Random Forest 於BTC數據上表現較好，故選擇此算法。
- 模型性能：
- 數據預處理引入的標籤時，不同時間間隔的數據集平均準確率。
- 這表示該模型在預測更遠的未來方面更為準確。 並且隨著時間間隔的增加，準確率增加並趨於穩定。
- alpha24 與alpha32 在實驗中表現出重要程度的可預測性。 市場數據，例如高點、收盤價、開盤價也在模型中發揮重要作用。
- 表示alpha101 這樣的因素對於預測加密貨幣的未來價格變化很有用。

回測結果分析
---
- 選取BTC與ETH歷史數據，5分鐘進行一次回測，根據預測結果下達不同類型的交易訂單。
- 圖一為總資本曲線。
- 圖二為當日收盤價，綠點為進場價，紅點為出場價。
- 圖三為每筆交易之資金。
- 圖四為最大回撤（跌幅）。
- 圖五為頭寸（收入與支出）。
- 該策略可以捕捉到BTC、ETH的走勢變化，但是當BTC價格出現較大價格反轉時，就會出現較大的回撤。
- 故還需設置合理止損、更多價格波動分類以完善此策略及控制風險。

結論
---
- 部分因素在預測價格走勢中起重要作用，並在模型中可在更長的時間間隔內做出更準確的預測。
- BTC與ETH的回測結果也支持這個結論。
- 未來嘗試更多參數調整以提高準確率。
- 未來嘗試以深度學習算法進行預測，同時加入：
- 加密貨幣社區活躍度
- 社交媒體討論
- 加密貨幣本身狀態 等因素。

###### tags: `NKUST` `Paper` `cryptocurrency` `machine learning`