“该策略涵盖从CoinMarketCap获取数据的市值高于50万美元的加密货币，排除数据缺失的加密货币。分析样本包含2014年至2022年的2963种加密货币，使用24个技术信号（移动平均线、动量和平衡量）来预测回报。通过非线性缩放充分预测法分析技术因子，并根据风险厌恶程度在加密货币和无风险票据间分配资产，每周重新平衡投资组合。”
资产类别：加密货币 | 地区：全球 | 频率：每周 | 市场：加密货币 | 关键词：机器学习，加密货币
策略概述
投资范围包括从coinmarketcap.com获取每日数据的加密货币，包括开盘价、收盘价、最高价、最低价、交易量和市值。市值低于50万美元以及缺少价格、交易量或市值信息的加密货币被排除。对于作者来说，这导致了在2014年至2022年期间的2963种加密货币样本。样本内期间为2015年至2022年，样本外期间为2018年至2022年。
接下来，构建将用于分析的技术指标：作者构建了24个技术信号，基于三种最常见的趋势跟随策略在不同时间范围内的表现：移动平均线、动量和“平衡量”（on-balance volume）。具体的预测构建方法在论文的第5至第7页中描述。
为了预测未来的加密货币回报，使用了非线性缩放充分预测法（nonlinear sSUFF）对技术预测因子进行分析。根据期望的风险厌恶程度，在加密货币市场和无风险票据之间分配资产。每周进行一次重新平衡。
策略合理性
基于趋势的因子，如动量、交易量和移动平均线，在文献中得到了广泛的研究和认可。作者在某种程度上确认了这些因子的预测能力，然而，通过使用合适的机器学习方法可以进一步增强这种可预测性。在作者测试的所有方法中（包括主成分分析、缩放主成分分析、偏最小二乘法、缩放充分预测法、最小绝对收缩与选择算子和弹性网络），非线性缩放充分预测法（sSUFF）在这项任务中表现最好。sSUFF与其他方法一样，是一种降维方法，旨在通过平均预测因子来识别共享的潜在因子，从而隔离预测信号。非线性sSUFF具体包括通过局部线性回归创建预测指数的非线性组合，然后使用得到的拟合值来预测目标。在本研究的情况下，这种方法比其他方法产生了更稳健和精确的结果。
论文来源
Trend-based Forecast of Cryptocurrency Returns [点击浏览原文]
- 谭喜龙，澳门大学经济学系
- 陶宇博，澳门大学亚太经济与管理学院
<摘要>
我们系统地重新审视了基于趋势的技术指标在预测加密货币市场回报方面的有效性，涵盖每日、每周和每月的时间跨度。研究表明，基于价格的信号在短期内比基于交易量的信号更有效。
回测表现
| 年化收益率 | 12.6% |
| 波动率 | 18.26% |
| Beta | N/A |
| 夏普比率 | 0.69 |
| 索提诺比率 | N/A |
| 最大回撤 | N/A |
| 胜率 | N/A |
