Working Papers

Seria wydawnicza WNE WORKING PAPERS prowadzona jest przez WNE UW od 2008 r. i jak dotąd opublikowano w niej ponad 400 prac.

Seria WNE Working Papers służy szybkiemu upowszechnianiu wyników badań prowadzonych na Wydziale Nauk Ekonomicznych UW. Publikowane tu teksty mają charakter wersji roboczych (pre-printów): mogą być uzupełniane lub poprawiane w miarę postępu prac nad tekstem i procesu wydawniczego. Prezentujemy aktualną wersję udostępnioną przez autorów, opatrzoną datą oraz identyfikatorami DOI/ISSN – co ułatwia jej cytowanie i śledzenie kolejnych iteracji. Każdy dokument zachowuje pełne prawa autorskie swoich twórców, a w przypadku późniejszych zmian, autorzy mogą w dowolnym momencie zamieścić zaktualizowany plik lub wskazać miejsce ostatecznego wydania.

Do serii WORKING PAPERS przyjmowane są artykuły pracowników naukowych WNE UW oraz publikacje z konferencji organizowanych na WNE UW. Artykuły powinny dotyczyć ekonomii, mieć charakter oryginalnych prac badawczych, nie być wcześniej publikowane. Przyjmowane są wyłącznie teksty w języku angielskim.

Prace prosimy przesyłać e-mailem na adres: Wxk-o1q=AC.U]0r/'pl_VR93Ga!]#[Oh^sYzY#y0nHQKjxhybW_4x&PRl

Prosimy przesyłać dwa pliki:

(1) główny tekst bez podania tytułu artykułu oraz autorów (plik DOC/DOCX) oraz

(2) stronę tytułową zawierającą: tytuł opracowania, autorów oraz ich afiliację (plik DOC/DOCX). 

Przed przesłaniem tekstu prosimy zapoznać się z szczegółowymi wymogami edycyjnymi.

Redaktorem wydawniczym serii Working Papers jest dr Maciej Bukowski.

Ilość wyników 1

WP(2/2019)287. Robustness of Support Vector Machines in Algorithmic Trading on Cryptocurrency Market

Autorzy: Zenkova Maryna, Ślepaczuk Robert
This study investigates the profitability of a algorithmic trading strategy based on training SVM model to identify cryptocurrencies with high or low predicted returns. A tail set is defined to be a group of coins whose volatility-adjusted returns ar…

WP287. Robustness of Support Vector Machines in Algorithmic Trading on Cryptocurrency Market

This study investigates the profitability of a algorithmic trading strategy based on training SVM model to identify cryptocurrencies with high or low predicted returns. A tail set is defined to be a group of coins whose volatility-adjusted returns are in the highest or lowest quantile. Each cryptocurrency is represented by a set of six technical features. SVM is trained on historical tail sets and tested on the current data. The classifier is chosen to be a nonlinear support vector machine. Portfolio is formed by ranking coins using SVM output. The highest ranked coins are used for long positions to be included in the portfolio for one reallocation period. The following metrics were used to estimate the portfolio profitability: %ARC (the annualized rate of change), %ASD (the annualized standard deviation of daily returns), MDD (the maximum drawdown coefficient), IR1, IR2 (the information ratio coefficients). The performance of the SVM portfolio is compared to the performance of the four benchmark strategies based on the values of the information ratio coefficient IR1 which quantifies the risk-weighted gain. The question on how sensitive the portfolio performance is to the parameters set in the SVM model is also addressed in this study.


Zenkova Maryna, Ślepaczuk Robert
machine learning support vector machines investment algorithm algorithmic trading strategy optimization cross-validation overfitting cryptocurrency market technical analysis meta parameters
  • 1