Hybrid algorithmic trading strategies on crypto currency market

กลยุทธ์การซื้อขายแบบอัลกอริทึมผสมในตลาดคริปโทเคอร์เรนซี

Name: Kollavath Charoengan

LCSH: Cryptocurrencies

LCSH: Digital currency

LCSH: Machine learning

Abstract: Algorithmic trading has revolutionized financial markets for amount of time by leveraging machine learning and statistical models to optimize investment strategies, especially in cryptocurrency which explicit the most volatile and fluctuate market nowadays. This study investigates the performance of hybrid algorithmic trading strategies in cryptocurrency markets by integrating Long Short-Term Memory (LSTM) networks, XGBoost models, and portfolio management techniques compare with standalone algorithm. The research utilizes historical market data, volume, market capitalization and number of transactions from Bitcoin (BTC), Ethereum (ETH), Ripple coin (XRP), Binance Coin (BNB), and Litecoin (LTC) to develop predictive algorithm models for price movement. The study employs feature engineering techniques to preprocess financial indicators such as Moving Averages, Relative Strength (RS), Relative Strength Index (RSI), On balance volume (OBV), Awesome oscillator (AO), Bollinger Bands, and Fibonacci while incorporating machine learning models for price forecasting. Additionally, incorporating portfolio management strategies, including the Kelly Criterion, Sharpe Ratio, optimized drawdown, stop loss, and trailing stop, are integrated into the trading framework to enhance profitability while minimizing potential losses. The model’s performance is evaluated based on key metrics, including accuracy, recall, root mean squared error (RMSE), and return on investment (ROI). Results of the study indicate that hybrid algorithmic trading strategies outperform traditional standalone models, demonstrating improved predictive accuracy and profitability in volatile cryptocurrency markets. Additionally, hybrid model with portfolio management integrated show better result than hybrid model without other techniques included. The study highlights the potential of integrating machine learning with financial portfolio management to enhance decision-making in algorithmic trading.

Abstract: การศึกษาผลการลงทุนของระบบการซื้อขายด้วยสถิติข้อมูลในตลาดการเงินระบบไร้ศูนย์กลาง โดยใช้ประโยชน์จาก การเรียนรู้ของเครื่อง (Machine Learning) และ แบบจำลองทางสถิติการเงินการลงทุน เพื่อเพิ่มประสิทธิภาพของกลยุทธ์การลงทุน โดยเฉพาะในตลาดสกุลเงินดิจิทัล ซึ่งเป็นตลาดที่มีความผันผวนสูง งานวิจัยนี้ศึกษาประสิทธิภาพของ กลยุทธ์การซื้อขายด้วยสถิติข้อมูลแบบข้อมูลผสม โดยใช้สถิติข้อมูลผสมระหว่าง Long-Short Term Memory (LSTM), XGBoost และกลยุทธ์การจัดการพอร์ตการลงทุน (Portfolio management) เปรียบเทียบกับการใช้สถิติข้อมูลเดี่ยว การศึกษานี้ใช้ ข้อมูลราคา, ปริมาณการซื้อขาย, มูลค่าตลาดรวม (Market Capitalization) และจำนวนธุรกรรม (Number of transactions) ของเหรียญ Bitcoin (BTC), Ethereum (ETH), Ripple Coin (XRP), Binance Coin (BNB), และ Litecoin (LTC) เพื่อพัฒนา แบบจำลองสถิติข้อมูลการพยากรณ์ราคา นอกจากนี้ยังใช้ วิศวกรรมค่าแทนลักษณะ (Feature Engineering) เพื่อประมวลผล จัดการ ทำความสะอาดข้อมูล และสร้างตัวชี้วัดทางการเงิน ได้แก่ Moving Averages, Relative Strength (RS), Relative Strength Index (RSI), On Balance Volume (OBV), Awesome Oscillator (AO), Bollinger Bands และ Fibonacci Retracement และนำข้อมูลทั้งหมดมาเข้าโมเดลการลงทุน นอกจากนี้ ยังใช้กลยุทธ์การจัดการพอร์ตการลงทุน เช่น Kelly Criterion, Sharpe Ratio, Optimized Drawdown, Stop Loss และ Trailing Stop ในระบบโมเดลการลงทุน เพื่อเพิ่มผลกำไรและลดความเสี่ยงของการขาดทุน การประเมินประสิทธิภาพของโมเดลใช้ ตัวชี้วัดสำคัญ ได้แก่ ความแม่นยำ (Accuracy), ความแม่นยำประเภท Recall,ค่าความคลาดเคลื่อนกำลังสองเฉลี่ยรากที่สอง (RMSE) และผลตอบแทนจากการลงทุน (ROI) ผลการศึกษาแสดงให้เห็นว่า กลยุทธ์การซื้อขายด้วยสถิติข้อมูลแบบข้อมูลผสม มีประสิทธิภาพสูงกว่ากลยุทธ์แบบดั้งเดิมที่ใช้สถิติข้อมูลแบบเดี่ยว โดยให้ผลการพยากรณ์ที่แม่นยำกว่าและสามารถทำกำไรได้ดีกว่าในตลาดสกุลเงินดิจิทัลที่มีความผันผวนสูง นอกจากนี้ กลยุทธ์การซื้อขายด้วยสถิติข้อมูลแบบข้อมูลผสม ที่รวมเทคนิคการบริหารพอร์ตการลงทุน ยังให้ผลลัพธ์ที่ดีกว่า แบบที่ไม่มีการใช้เทคนิคเหล่านี้ การศึกษานี้จึงเน้นย้ำถึงศักยภาพของ การผสาน กลยุทธ์การซื้อขายด้วยสถิติข้อมูลแบบข้อมูลผสม เข้ากับการจัดการพอร์ตการลงทุน เพื่อช่วยให้การตัดสินใจมีประสิทธิภาพมากขึ้น

Chiang Mai University. Library

Address: CHIANG MAI

Email: cmulibref@cmu.ac.th

Name: Nathee Naktnasukanjn

Role: Advisor

Created: 2025

Modified: 2568-10-06

Issued: 2025-07-22

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Master of Science

Level: Master's Degree

Descipline: Digital Innovation and Financial Technology

Grantor: Chiang Mai University

©copyrights Chiang Mai University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	632437902.pdf	2.43 MB

ใช้เวลา

0.034493 วินาที