Prévoir un mouvement de Bitcoin de 5 % sur sept jours

Une question de mouvement significatif

Prédire le prix exact de Bitcoin est une tâche fragile. Le preprint de Parsa Yousefnezhad et ses coauteurs choisit une question plus précise : le prix augmentera-t-il de plus de 5 % dans les sept prochains jours ? La cible binaire cherche un mouvement économiquement visible plutôt qu’une variation quotidienne minuscule.

L’étude combine trois familles de signaux : microstructure et marché, fondamentaux on-chain, et sentiment. Les indicateurs de sentiment incluent l’indice Fear & Greed et Google Trends. Les auteurs utilisent un réseau convolutif temporel multi-échelle, avec blocs InceptionTCN, attention sur les canaux et perte de classement par paires. Un seuil de décision est ensuite sélectionné selon une fonction de profit.

Des données très asymétriques

L’échantillon couvre février 2018 à décembre 2025 et contient 2 888 observations quotidiennes dans les statistiques descriptives rapportées. Le cours de clôture moyen est de 37 456 dollars, avec une plage allant de 3 212 à 124 625 dollars. Le volume quotidien est fortement asymétrique et leptokurtique : son asymétrie vaut 3,531 et son kurtosis 16,367.

Les rendements sont eux aussi non gaussiens. Leur moyenne logarithmique quotidienne est proche de zéro, leur asymétrie vaut -1,128 et leur kurtosis 18,743. Ces propriétés expliquent pourquoi une précision brute peut être trompeuse. Les grands mouvements sont rares, les coûts sont asymétriques et une majorité de journées peut appartenir à la classe négative.

Les variables on-chain présentent également de fortes différences d’échelle. Le hashrate moyen est d’environ 319 millions de TH/s, tandis que le ratio de profits et pertes réalisé affiche un kurtosis de 71,3. Les indicateurs Fear & Greed et Google Trends oscillent autour de niveaux moyens proches de 47 et 45 dans le tableau descriptif.

Éviter la fuite vers le futur

Les auteurs utilisent une validation walk-forward avec cinq plis de 100 jours. Pour chaque fenêtre de test, l’entraînement ne voit que les observations précédentes. Les moyennes et écarts-types utilisés pour standardiser les variables sont calculés dans le train du pli, puis réutilisés pour le test. Le modèle reçoit une séquence des 60 dernières observations quotidiennes.

Cette organisation est plus proche d’une utilisation en production qu’un mélange aléatoire des dates. Elle ne garantit pas toutefois l’absence de toutes les fuites possibles : la définition des variables, la disponibilité réelle des données on-chain et la date de publication des indicateurs doivent rester vérifiées séparément.

Un TCN à plusieurs échelles

Le réseau proposé utilise trois blocs InceptionTCN. Chaque bloc réduit d’abord le nombre de canaux avec une convolution 1 × 1, puis traite la séquence avec trois dilatations parallèles : 1, 2 et 4. Ces branches cherchent à capter des motifs locaux et des dépendances plus espacées sans faire croître le nombre de paramètres de façon exponentielle.

Une couche de fusion combine les branches et une connexion résiduelle facilite l’optimisation. Le classifieur ajoute une attention par canal, un pooling moyen adaptatif et du dropout. L’attention peut donner davantage de poids aux canaux ou aux moments jugés informatifs, mais elle ne fournit pas automatiquement une explication économique : un poids élevé n’est pas une preuve de causalité.

Optimiser le classement et le seuil

Comme environ 26 % des événements dépassent le seuil de 5 %, les auteurs préfèrent l’AUC à l’accuracy pour mesurer la séparation des classes. L’AUC regarde si un exemple positif reçoit un score supérieur à un exemple négatif, sans imposer un seuil de classification fixe.

Le modèle proposé est entraîné avec une perte de classement par paires. Elle pénalise un logit positif qui ne dépasse pas le logit négatif d’une marge de 1. Les modèles de comparaison utilisent une entropie croisée standard. Après l’entraînement, les auteurs choisissent un seuil via une fonction de profit qui compte un gain brut de 5 % pour une prédiction positive correcte et un coût aller-retour de 0,1 % par transaction, avec les définitions indiquées dans le papier.

Cette étape est importante : un seuil qui maximise l’AUC n’est pas forcément celui qui maximise une stratégie. Elle crée aussi un risque de surajustement si elle est réglée sur la même fenêtre que celle utilisée pour annoncer le profit. La validation temporelle doit donc isoler la sélection du seuil et l’évaluation finale.

Résultats rapportés

Le résumé annonce une AUC de 0,6316 et un profit de 1,703 pour le modèle proposé, devant cinq baselines : ImprovedTCN_GRU, LSTM, TCN, XGBoost et Random Forest. Ces nombres indiquent un gain dans le protocole de l’étude ; ils ne disent pas qu’un investisseur obtiendra ce résultat après frais réels, slippage, latence, contraintes de liquidité ou changement de régime.

L’AUC de 0,6316 reste une capacité de classement modérée. Elle ne se transforme pas directement en probabilité calibrée d’une hausse et ne garantit pas que les signaux soient exploitables après coûts. Le profit dépend du seuil, de la convention d’entrée, de la répétition des positions et de la fonction économique choisie.

Comment lire le résultat en crypto

L’intérêt du papier est de réunir des sources hétérogènes et une évaluation walk-forward. Les indicateurs on-chain peuvent refléter l’état du réseau, les variables de marché décrivent la liquidité et le momentum, et le sentiment ajoute une information comportementale. Leur combinaison ne supprime pas la non-stationnarité de Bitcoin.

Une plateforme crypto devrait conserver la date de disponibilité de chaque signal, vérifier les révisions historiques, recalculer les statistiques par régime et comparer un seuil fixe à un seuil optimisé. Elle devrait aussi publier la couverture des signaux manquants. Un modèle qui reçoit une variable on-chain avec retard n’évalue pas la même stratégie qu’un modèle qui la voit en temps réel.

Limites et statut de la source

L’étude couvre une seule cryptomonnaie, une période spécifique et un objectif de hausse de 5 % sur sept jours. Le profit est défini par une fonction simplifiée et ne remplace pas une simulation d’exécution complète. Les résultats sont sensibles aux fenêtres walk-forward, au choix des features, au seuil et aux changements de régime.

Le document est un preprint ArXiv, donc pas nécessairement évalué par les pairs. Il ne constitue ni une recommandation d’achat ou de vente ni une promesse de rendement. Toute utilisation devrait ajouter des coûts réalistes, une validation hors période et un contrôle des fuites de données.

Le choix d’une cible de plus de 5 % crée aussi une question de couverture. Un modèle peut obtenir une AUC correcte en classant des événements rares sans générer assez de signaux pour absorber les coûts, ou produire un profit apparent en prenant des positions sur une poignée de cas favorables. Le rapport devrait donc publier le nombre de positifs par pli, la fréquence des transactions, la stabilité du seuil, les intervalles de profit et une comparaison à un seuil fixé avant le test. La séparation entre score de classement et résultat économique est indispensable pour ne pas confondre discrimination statistique et stratégie exploitable.

La comparaison avec les baselines doit enfin rester temporelle. Un modèle qui exploite une relation présente dans une phase haussière peut perdre son avantage lorsque la liquidité, la volatilité ou le régime de sentiment change. Des fenêtres de test supplémentaires et une analyse par régime seraient nécessaires pour savoir si le signal dépasse le contexte particulier de l’échantillon.

Sources

Parsa Yousefnezhad, Gholamreza Mansourfar et Mohammadreza Feizi Derakhshi, « Forecasting Economically Significant Bitcoin Moves: A Multi-Scale TCN with Profit-Optimized Thresholds », ArXiv 2608.26174v1 : preprint, PDF.