Hidden Markov Models for Cryptocurrency Trading

Adam Pešek

Master's thesis

Obchodování na kryptoměnových trzích pomocí Hidden Markov Models

Abstract:

Hidden Markov Model je statistický model sloužící k predikci signálů u sekvenčních dat, který byl široce využíván, mimo jiné, k predikci ekonomických režimů a akciových cen. V této práci představujeme aplikaci různých rozšíření klasických Hidden Markov Models v obchodování s kryptoměnami na základě predikcí tržního stavu. Nejprve představujeme základní pojmy v rámci Hidden Markov Models a dále také Baum-Welch algoritmus pro odhad parametrů spolu s Viterbi algoritmem pro predikci sekvence skrytých stavů. Zvažujeme několik modelů s různými předpoklady o distribuci emisí, včetně Kategorických, Gaussovských a směsi Gaussovských. Dále představujeme Hidden semi-Markov Models a také Parametrické Hidden Markov Models. Po odhadu parametrů modelů na základě historických dat, aplikujeme modely k predikci tržních stavů kryptoměnového trhu a tyto predikce používáme společně s předem definovanými obchodními strategiemi k obchodování na spotovém trhu burzy Binance. Nakonec hodnotíme výkonnost modelů na základě jejich průměrného celkového výnosu na více sekvencích a porovnáváme jej s referenční strategií nákupu a držení.

Abstract:

Hidden Markov models is a statistical signal prediction model for sequential data, which has been widely used, among else, to predict economic regimes and stock prices. In this work, we introduce the application of various extensions of classical Hidden Markov Models in cryptocurrency trading based on the market state predictions. We first introduce the basic concepts of Hidden Markov Models and the Baum-Welch algorithm for parameter estimation along with the Viterbi algorithm for state prediction. We consider several models with different assumptions on the distribution of the observations, including the Categorical, Gaussian and Gaussian-Mixture Model. Furthermore, we present the theory and application behind Hidden semi-Markov Models and Parametric Hidden Markov Models. Having estimated the model parameters on historical data, we then apply the models to predict the market regimes of the cryptocurrency market and use these predictions alongside predefined trading strategies to trade on the Binance spot market. Lastly, we evaluate the performance of the models based on their average total return on multiple sequences and compare it return with the benchmark strategy of buy-and-hold.

Keywords

markov renewal process, cryptocurrency trading, baum welch algorithm, gaussian mixture model, contextual hidden markov model, hidden markov model, hidden semi markov model, expectation maximization algorithm, markov process, semi markov process

Keywords

hidden semi markov models, markov process, markov renewal process, semi markov process, expectation maximization algorithm, baum welch algorithm, gaussian mixture model, contextual hidden markov model, hidden markov models, cryptocurrency trading

Language used: English

Date on which the thesis was submitted / produced: 20. 8. 2023

Thesis defence

• Date of defence: 14. 9. 2023
• Supervisor: Milan Fičura
• Reader: Karel Janda

Vysoká škola ekonomická v Praze

Master programme:
Finanční inženýrství