Сравнительный анализ эффективности эконометрических моделей и алгоритмов машинного обучения на рынке криптовалют

Данное исследование посвящено сравнительному анализу эффективности эконометрических моделей и алгоритмов машинного обучения на рынке криптовалют. Подобное исследование важно, поскольку данный рынок является плохо изученным, сильно отличается от фондовых или фиатных и обладает уникальными чертами, присущему только ему. В качестве данных использовались свечи цифровой валюты Bitcoin по отношению к доллару США. Агрегация данных включала в себя инструменты из технического анализа, использовавшиеся в качестве независимых переменных в моделях. Данные индикаторы были построены с различными вариантами шага, и далее самые важные отбирались на основании показателей feature importance в алгоритмах XGBoost и CatBoost. Также была сформирована мета-переменная, представляющая из себя вероятность роста цены в момент времени t, полученная из предсказаний MLP модели. Были написаны собственные метрики оценки качества регрессионных моделей и кастомные функции потерь, чувствительные к неправильному знаку в предсказании изменения цены. В качестве классификационных моделей использовались Logit, MLP, XGBoost, CatBoost, LSTM; в качестве регрессионных – XGBoost, CatBoost, ARMA, LSTM, hybrid ARMA-LSTM. Полученные результаты свидетельствуют о том, что алгоритмы классификации сильно уступают регрессионным. При этом из самих моделей регрессии самой лучшей оказалось гибридная модель ARMA-LSTM, которой удалось с точностью 62% уловить изменение цены на тестовой выборке.