A comparative analysis of machine learning and naive models as effective benchmarks for cryptocurrency price prediction

Cryptocurrencies are among the most innovative and novel financial assets. Since their inception in 2009 with Bitcoin, they have gained more and more importance and recognition as a means of payment and investment, but not only. In this context, understanding their price dynamics has become a crucial aspect for investors, traders, and policymakers. The volatile nature of these digital assets, coupled with their decentralized structure, presents unique challenges and opportunities in financial forecasting. The purpose of this study is to evaluate the performance of advanced Machine Learning models in the context of cryptocurrency price prediction, comparing them to simpler benchmark models, usually used to model random walk series. The outcomes are then utilized to offer insights into whether cryptocurrency prices follow a random walk pattern or not. Predictions are computed on data with daily frequency and the comparison between the models is performed on three different forecast horizons: 1 day, 7 days, 30 days. Furthermore a set of five cryptocurrencies: Bitcoin, Ethereum, Binance Coin, Solana, Ripple is considered. To evaluate the models, classical error metrics such as MAE, RMSE and MAPE are used. The final results indicate that Naive models, taken as benchmarks, perform best for a 1 day forecasting horizon, while complex models generally perform better for the longer forecast horizons. The superior performance of Naive models in short-term forecasting could be attributed to the random walk characteristic of cryptocurrency prices at these intervals. However, as the forecast horizon extends, the efficacy of ML models over Naive ones possibly indicates the emergence of broader trends or cycles that these models can exploit, which are not as apparent in the short term. These results seem to suggest that cryptocurrency prices do not strictly follow a random walk process.

Le criptovalute sono tra gli asset finanziari più recenti e innovativi. Dalla loro comparsa nel 2009 con Bitcoin, hanno guadagnato sempre più importanza e riconoscimento come mezzo di pagamento e investimento, ma non solo. In questo contesto, comprendere la dinamica dei loro prezzi è diventato un aspetto cruciale per investitori, operatori del mercato e decisori politici. La natura volatile di questi asset digitali, unitamente alla loro struttura decentralizzata, presenta sfide e opportunità uniche nella previsione finanziaria. Lo scopo di questo studio è valutare la performance di modelli avanzati di Apprendimento Automatico nel contesto della previsione dei prezzi delle criptovalute, confrontandoli con modelli di riferimento più semplici, generalmente utilizzati per modellare serie di cammini aleatori. I risultati sono poi utilizzati per determinare se i prezzi delle criptovalute seguano o meno un modello di cammino aleatorio. Le previsioni sono calcolate su dati con frequenza giornaliera e il confronto tra i modelli è effettuato su tre diversi orizzonti di previsione: 1 giorno, 7 giorni, 30 giorni. Inoltre, viene considerato un insieme di cinque criptovalute: Bitcoin, Ethereum, Binance Coin, Solana, Ripple. Per valutare i modelli, sono utilizzate metriche di errore classiche come MAE, RMSE e MAPE. I risultati finali indicano che i modelli Naive, presi come riferimento, si comportano meglio per un orizzonte di previsione di 1 giorno, mentre i modelli complessi generalmente si comportano meglio per gli orizzonti di previsione più lunghi. La prestazione superiore dei modelli Naive nella previsione a breve termine potrebbe essere attribuita alla caratteristica di cammino aleatorio dei prezzi delle criptovalute in questi intervalli. Tuttavia, man mano che l’orizzonte di previsione si estende, l’efficacia dei modelli di Apprendimento Automatico rispetto a quelli Naive indica possibilmente l’emergere di tendenze o cicli più ampi che questi modelli possono sfruttare, non così evidenti nel breve termine. Questi risultati sembrano suggerire che i prezzi delle criptovalute non seguono strettamente un processo di cammino aleatorio.