Predicting Bitcoin returns using time series analysis and deep learning

Abstract

I denne Bacheloroppgaven utvikler vi algoritmer basert på predikert avkastning for handel av kryptovalutaen Bitcoin, og med dette utfordrer hypotesen om effisiente markeder. Vi oppnår dette ved å lage modeller for sekvenslæring som Markov Switching-modeller og en Long short-term memory (LSTM) modell. Disse modellene er først og fremst avhengige av historiske data og en Crypto Fear and Greed Index (CFGI) for å forutsi Bitcoins avkastning fra året 2020 til 2023. Den predikerte avkastningen fra modellene våre brukes deretter til å lage kjøps- og salgssignaler for Bitcoin som vi bruker til å generere forskjellige handelsalgoritmer. Ifølge hypotesen om effisiente markeder burde vi ikke klare å lage slike velfungerende handelsalgoritmer siden markedene er effisiente og den tilgjengelige informasjonen allerede vil reflekteres i Bitcoin-prisen. Når vi sammenligner algoritmene med en kjøp og hold-strategi, får vi lovende resultater fra noen av modellene. Vi sammenligner også de ulike algoritmene med hverandre ved å se på avkastning og risiko. Her ser vi at Markov Switching-modellen basert på CFGI og LSTM-modellen presterer bedre enn Markov Switching-modellen basert på glidende gjennomsnitt. Selv om handelsalgoritmene våre viser potensial til å overgå Bitcoin-markedet, bør man huske på at de er basert på en begrenset tidsramme, og resultatene kan variere avhengig av den observerte perioden.

In this Bachelor thesis we develop algorithms based on predicted returns for trading the cryptocurrency Bitcoin, challenging the Efficient Market Hypothesis (EMH). We achieve this by creating models for sequence learning like Markov Switching models and a Long short-term memory (LSTM) model. These models rely primarily on historical data and a Crypto Fear and Greed Index (CFGI) to predict Bitcoins returns from the year 2020 to 2023. The predicted returns from our models are then used to create buy and sell signals for Bitcoin which we use to generate different trading algorithms. According to EMH we should not be able to create such well-performing trading algorithms since the markets are efficient and the available information would already be reflected in the Bitcoin price. When comparing the algorithms to a buy and hold strategy, we observe promising results from some of the models. We have also compared the different algorithms to each other by looking at return and risk and we see that the Markov Switching model based on CFGI and the LSTM model perform better than the Markov Switching model based on moving averages. Although our trading algorithms show potential to outperform the Bitcoin market one should keep in mind that they are based on a limited time frame, and results may vary depending on the observed period.