Ricerca
Trading di Bitcoin basato sul machine learning in presenza di costi di transazione: evidenze dalle previsioni walk-forward
Questo studio esamina se le previsioni dei rendimenti orari di BTC-USDT ottenute con il machine learning possano tradursi in risultati di trading economicamente significativi al netto dei costi di…

- arXiv
- 2606.00060
- Pubblicato
- 2026-05-19
- Autori
- Andrei Bysik, Robert Ślepaczuk
Abstract degli autori
Questo studio esamina se le previsioni dei rendimenti orari di BTC-USDT ottenute con il machine learning possano tradursi in risultati di trading economicamente significativi al netto dei costi di transazione. Utilizzando circa 70.000 osservazioni orarie dal 2018 al 2026, valuta XGBoost, LSTM e iTransformer con un protocollo walk-forward a 27 partizioni. Tutti e tre i modelli producono risultati di trading positivi al lordo dei costi in alcune configurazioni selezionate, ma le strategie semplicistiche basate sul segno della previsione falliscono quando si applicano costi di transazione di 10 punti base. Un filtro di esecuzione che tiene conto dei costi, e impedisce le operazioni solo quando l’ampiezza della previsione supera una soglia basata sui costi di transazione, riduce nettamente la frequenza delle operazioni e ripristina la redditività in alcune configurazioni selezionate. La strategia XGBoost più efficace, che prevede solo posizioni lunghe, produce rendimenti annualizzati superiori al 65% con un indice di Sharpe superiore a uno. Ulteriori test mostrano che gli indicatori tecnici migliorano i risultati in alcuni casi selezionati, le caratteristiche derivate da EGARCH non offrono miglioramenti uniformemente robusti e XGBoost ottiene risultati descrittivamente migliori rispetto alle alternative neurali, sebbene le evidenze ottenute con il bootstrap non ne confermino una superiorità statistica formale. Gli effetti della funzione di perdita e della selezione del modello sono secondari e statisticamente poco robusti. I risultati mostrano che il principale ostacolo nel trading orario di criptovalute non è soltanto la scarsa prevedibilità, ma anche il modo in cui le previsioni vengono trasformate in operazioni.
Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.
Leggi il paper originale su arXiv