När Bitcoin försöker återta en del av den lyster som den hade i slutet av 2017 när den nästan nådde 20 USD, 000 i värde, investerare ifrågasätter fortfarande hur man förutsäger en så volatil valuta.

Som en kryptovaluta, det finns ingen fysisk form som ger Bitcoin värde, så det är omöjligt att utföra traditionell fundamental analys av valutan. Följaktligen, många investerare spårar de så kallade tekniska handelsindikatorerna (geometriska mönster konstruerade från historiska priser och handelsvolymer) för att förstå och förutsäga Bitcoins framtida rörelse.

Vissa forskare har funnit framgång med stora komplicerade modeller. Men dessa har ibland hundratals variabler (eller prediktorer) och det är svårt att fastställa nyckelfaktorer eller testa replikerbarheten av sådana tillvägagångssätt. Det är också svårt att förstå vilka faktorer som verkligen driver Bitcoin-fluktuationer på marknaden.

I över 20 år, Jag har undersökt tillämpningarna av AI inom finans. Vid Lang School of Business and Economics vid University of Guelph, min medförfattare och tidigare doktorand Robert Adcock och jag skapade en modell för artificiellt neuralt nätverk (ANN) för att testa förutsägbarheten av Bitcoin-priser.

Förutsäga fluktuationer

Vi använde tekniska indikatorer som kallas glidande medelvärden som prediktorer. Glidande medelvärden konstrueras genom att genomsnittliga priser över en tidsperiod (t.ex. 50 eller 200 dagar) och plottas som en linje tillsammans med priserna. Skälet för att använda glidande medelvärden är att om priset på Bitcoin idag blir högre eller lägre än det genomsnittliga priset under de senaste 50 eller 200 dagarna, handlare kan förvänta sig uppkomsten av en uppåtgående eller nedåtgående trend.

Om Bitcoin är oförutsägbart, då förväntas inte vår modell slå slumpmässiga promenadmodellen — i huvudsak, det är inte bättre än att gissa.

Dock, vår modell gav några mycket intressanta resultat angående Bitcoins förutsägbarhet över tid och under anfall av ovanlig volatilitet.

Artificiell intelligens prognoser

Med hjälp av dagliga observationer från 2011-2018, vi skapade en ANN med tre prediktorer:avkastning, 50-dagars köp-sälj-signal och 200-dagars köp-sälj-signal.

Vi testade också en ANN-modell som inkluderade Chicago Board Options Exchange Volatility Index (VIX) för att se om volatiliteten på aktiemarknaden hade någon märkbar effekt på Bitcoin-rörelser. VIX är ett index som ger teoretiska 30-dagars marknadsförväntningar baserat på S&P 500 Index. Högre värden på VIX indikerar att marknaden kommer att göra en stor svängning.

Artificiella neurala nätverk fungerar på ett liknande sätt som den mänskliga hjärnans grundläggande funktion. Vår modell tar prediktorer, eller ingångar, och utgångar (den dagliga prisförändringen av Bitcoin) och försöker lära sig ett mönster från all data. Den fortsätter att testa sina mönster tills den når en optimal punkt där ytterligare testning är överflödig. Dessa avancerade modeller utgör ryggraden i många AI-inlärningsprogram som används inom företag och teknik.

Genom att kombinera Bitcoin teknisk analys och neurala nätverk, vi hoppades att ANN skulle hitta ett mönster bland data som gjorde det möjligt för oss att mer exakt förutsäga framtida avkastning.

Icke-traditionella investerare

Vår ANN-modell lyckades verkligen minska prediktionsfelet för den slumpmässiga promenaden med cirka fem till 10 procent under hela observationsperioden. Dessa prognosförbättringar är statistiskt signifikanta, indikerar att det inte längre är gissningar att förutsäga Bitcoin-priser på daglig basis. Våra resultat visar att Bitcoin inte påverkas av hur aktiemarknaden förändras, vilket antyder att traditionella marknadsinvesterare och investerare i Bitcoin är två distinkta grupper.

Vi separerade också data i fyra delprov av liknande tidsramar för att ytterligare zooma in på marknadens ineffektivitet. Vår ANN:s prediktiva prestanda förbättrades ytterligare inom dessa delprov.

Ett delprov, från oktober 2014 till juni 2016, gav de bästa resultaten av studien. Den isolerade 200-dagarssignalmodellen överträffade den slumpmässiga vandringen med 43,55 procent. Vi noterade att detta delprov hade låg volatilitet jämfört med de andra tre delproverna och var den stabilaste dataperioden vi observerade. I huvudsak, större marknadsvolatilitet försvårar inlärning av datamönster och utbildning av ANN-modellen.

Tillsammans med prisnoggrannhet, vi observerade också hur ofta våra ANN-modeller korrekt förutspådde om priserna skulle öka eller minska. Vår huvudsakliga heltäckande modell under hela perioden 2011-2018 hade nästan 63 procents prediktionsnoggrannhet. uttryckt annorlunda, Bitcoin-handel med vår modell skulle i genomsnitt vara mer lönsamt än att lägga slumpmässiga köp- och säljorder som har 50 procents chans att göra vinst.

Spekulationer och prediktiva bubblor

Jämfört med andra prediktiva modeller, vår ANN gav den mest exakta och tillförlitliga prediktionsmetoden för Bitcoin. Vi drog slutsatsen att den historiska utvecklingen av dagliga Bitcoin-priser följde prediktiva trender (eller bubblor) som potentiellt uppstår från den spekulativa karaktären av handel med kryptovalutor.

Vi tror att framtiden för att prognostisera Bitcoin – och kanske investera i allmänhet – ligger i förmågan hos artificiell intelligens och artificiella neurala nätverk. Medan människor kan argumentera om fördelarna med Bitcoin som valuta, vi kan åtminstone uppskatta det som en fascinerande - och nu lättare att förutse - vara.

Den här artikeln är återpublicerad från The Conversation under en Creative Commons-licens. Läs originalartikeln.