From smart contracts to smart applications: Leveraging composability to create a trading instrument in decentralized finance

Abstract

This Master's thesis investigates the application of machine learning methods to cryptocurrency market prediction and the development of hybrid trading strategies that combine predictive signals with decentralized finance yield components. The study addresses how machine learning models can predict directional shifts in cryptocurrency markets and whether integrating DeFi yield elements can improve risk-adjusted portfolio returns compared to traditional buy-and-hold approaches.

The empirical investigation examined multiple machine learning architectures for binary directional forecasting of Bitcoin price movements. Models were trained on data spanning January 2018 to August 2024 using walk-forward validation. LightGBMRegressor achieved 53 % directional accuracy, while Random Forest reached 52 % accuracy. Other tested models, including LSTM networks and MLP, performed within the 51-56 % accuracy range. These results indicate that while machine learning methods demonstrate potential for market direction prediction when combined with properly formatted datasets and appropriate technical indicators, achieving high prediction accuracy remains challenging.

A composed trading strategy was developed that integrated LSTM predictions with real-world DeFi yield rates from liquidity pools. The strategy utilized actual yield data to provide realistic performance assessment. Despite modest directional prediction accuracy of 53 %, the hybrid approach reduced drawdown by 50 % compared to the benchmark buy-and-hold strategy. The DeFi yield component compensated for imperfect directional signals, demonstrating that yield-enhanced strategies can achieve adequate risk-adjusted returns even without superior prediction accuracy.

The study also examined structural differences between decentralized and traditional financial systems. DeFi offers global accessibility, programmable infrastructure, and fast settlement, but faces challenges including security vulnerabilities and regulatory uncertainty. However, the primary contribution lies in demonstrating that hybrid strategies combining machine learning signals with DeFi yield mechanisms represent a viable approach to portfolio management, when effective risk management is implemented.

Tässä diplomityössä tutkitaan koneoppimismenetelmien soveltamista kryptovaluuttamarkkinoiden ennustamiseen ja hybridikaupankäyntistrategioiden kehittämistä, jotka yhdistävät ennustesignaaleja hajautetun rahoituksen korkoelementteihin. Työ tarkastelee, miten koneoppimismallit voivat ennustaa suunnanmuutoksia kryptovaluuttamarkkinoilla ja voiko hajautetun rahoituksen korkoelementtien integrointi parantaa salkun riskikorjattua tuottoa verrattuna perinteiseen osta ja pidä -lähestymistapaan.

Empiirinen tutkimus tarkasteli useita koneoppimisarkkitehtuureja Bitcoinin hintaliikkeiden binäärisen suunnan ennustamisessa. Mallit koulutettiin tammikuun 2018 ja elokuun 2024 välisellä datalla käyttäen walk-forward-validointia. LightGBMRegressor saavutti 53% suunta-tarkkuuden, kun taas Random Forest saavutti 52% tarkkuuden. Muut testatut mallit, kuten LSTM-verkot ja MLP, suoriutuivat 51-56% tarkkuusvälillä. Tulokset osoittavat, että vaikka koneoppimismenetelmät osoittavat potentiaalia markkinoiden suunnan ennustamisessa yhdistettynä oikein muotoiltuihin datasetteihin ja sopiviin teknisiin indikaattoreihin, korkean ennustetarkkuuden saavuttaminen on edelleen haastavaa.

Työssä kehitettiin yhdistelmäkaupankäyntistrategia, joka integroi LSTM-mallin ennusteet todellisiin hajautetun rahoituksen korkoihin. Strategia hyödynsi historiallista korkodataa aidon suorituskyvyn arvioimiseksi. Vaatimattomasta 53 % suunta-ennustetarkkuudesta huolimatta hybridistrategia vähensi arvonlaskua 50 % vertailukohtana käytettyyn osta ja pidä -strategiaan. Hajautetun rahoituksen korkokomponentti kompensoi epätarkkoja suuntasignaaleja, osoittaen että korolla tehostetut strategiat voivat saavuttaa riittävän riskikorjatun tuoton ilman ylivoimaista ennustetarkkuutta.

Työssä tarkasteltiin myös rakenteellisia eroja hajautettujen ja perinteisten rahoitusjärjestelmien välillä. Hajautettu rahoitus tarjoaa maailmanlaajuisen saavutettavuuden, ohjelmoitavan infrastruktuurin ja nopeat tapahtumat, mutta kohtaa haasteita, kuten turvallisuushaavoittuvuuksia ja sääntelyepävarmuutta. Ensisijainen kontribuutio on kuitenkin osoittaa, että koneoppimissignaaleja ja hajautetun rahoituksen korkomekanismeja yhdistävät hybridistrategiat edustavat käyttökelpoista lähestymistapaa salkunhoitoon kryptovaluuttamarkkinoilla.