Zo pak je prijsvoorspellingen in crypto aan met machine learning (zonder jezelf wijs te maken over het risico)

Crypto trekt data scientists aan, en dat is niet voor niets: er is altijd wel een nieuwe indicator om te proberen, steeds meer data om te verzamelen, en elke modelbouwer belooft betere signalen. De valkuil is dat crypto-markten snel kunnen overschakelen van regime. Als dat gebeurt, kan een voorspelling die in backtests goed leek ineens niet meer werken in live trading.

Het doel hier is niet om machine learning weg te zetten, maar om het te gebruiken op een manier waarbij je jezelf minder makkelijk kunt misleiden—door forecasts te laten aansluiten op wat je daadwerkelijk kunt traden, en door je risico te verankeren in R (je risicounit), niet in dollars.

Waarom crypto ‘prijsvoorspellen’ vaak teleurstelt

Voorspellingen vallen meestal om een paar voorspelbare redenen tegen.

• Modellen kunnen ruis en signaal niet betrouwbaar scheiden in snelle, regime-veranderende markten.
• Een voorspelling is geen handelsplan. Zelfs als een model richting of kans inschat, heb je nog steeds entries, stops en risk control nodig.
• Veel ML-aanpakken leveren richting of een kansscore, maar de uitvoering hangt nog steeds af van marktstructuur (niveaus, ‘fairness’, positionering) en van je eigen risk model.

Een nette manier om het te formuleren: forecasting kan je helpen met waarschijnlijkheid. Trading vraagt vervolgens om keuzes: wat ga je doen als de markt beweegt, en hoeveel je kunt verliezen als je ongelijk krijgt.

Wat zou een model in crypto moeten voorspellen?

Als je wilt dat ML-uitkomsten echt in je tradingproces passen, focus dan op targets die je kunt meten en waar je iets mee kunt.

Voorspel het verhandelbare, niet de fantasie

Werk met voorspellingen die je direct kunt gebruiken:

• Waarschijnlijk regime: trend, range of chop
• Kans op voortzetting (of kans op een terugdraaiende beweging)
• Voorwaarden rond fair value (betalen traders te veel, of krijgen ze juist goedkoper dan het gemiddelde?)

Maak de target meetbaar

Gebruik in plaats van ‘volgende prijs’ iets wat meetbaar en handelbaar is, zoals:

• kans dat de prijs gunstig beweegt met een vastgesteld bedrag voordat je stop wordt geraakt

Door het zo te formuleren, dwing je het model om gedrag te leren dat aansluit op uitvoering.

Label het regime bij de entry

In de praktijk maken regimeverschillen vaak meer uit dan het fine-tunen van indicatoren. Daarom hoort je model je te helpen bepalen welk draaiboek nu past.

Modelinputs die vaak beter generaliseren tussen symbolen en tijdframes

Een veelgemaakte fout is features bouwen die alleen werken voor één coin, één timeframe of één specifieke volatiliteitssituatie. Inputs die marktgedrag beschrijven, dragen vaker goed over.

Veranker ‘fairness’ met VWAP

Neem in je features:

• session VWAP (geankerd op UTC 00:00)
• rollende VWAP over de afgelopen N bars

VWAP (Volume-Weighted Average Price) is de gemiddelde prijs, gewogen op handelsvolume. In crypto futures is het een bruikbaar anker voor fairness:

• prijs boven session VWAP → kopers betalen gemiddeld meer
• prijs onder session VWAP → verkopers worden gemiddeld hoger gevuld dan de prijs die kopers gemiddeld betaalden

Funding als kosten-/positioneringssignaal lezen

Perpetual futures gebruiken een funding rate om de perp-prijs dicht bij spot te houden.

• Funding positief betekent longs betalen shorts
• Funding negatief betekent shorts betalen longs

Zie het niet als ‘sentiment’. Beschouw het als een kosten-signaal. Wat vaak het meest bruikbaar is, is niet alleen het niveau, maar juist hoe funding verandert:

• langdurig negatief → drukke shorts die betalen
• langdurig positief → drukke longs die betalen
• rond nul en mean-reverting → meer gebalanceerde omstandigheden

Gebruik de orderbook voor context bij de entry—voorzichtig

Orderbook-imbalans (biedvolume vs vraagvolume bij de touch) en weighted depth kunnen helpen om entries rond niveaus te timen.

Maar check het altijd met echt uitgevoerde trades. Spoofing gebeurt: nep-walls kunnen ineens wegvallen. Als de imbalance sterke biedingen laat zien maar de prints blijven verkopen, dan kunnen die biedingen nep zijn.

Voeg volatiliteit en structuurgevoel toe

ATR-gedreven features helpen het model begrijpen hoe ruim de markt wil bewegen. Dat is belangrijk omdat hetzelfde patroon er heel anders uit kan zien in verschillende volatiliteitsregimes.

Veelgebruikte crypto-signalen omzetten naar model-vriendelijke regels

Veel traders gebruiken al VWAP, funding en orderbook-ideeën. De kunst is om er regels van te maken die het model kan leren, niet interpretaties die vaag blijven.

VWAP als anker, niet als losse trigger

Behandel VWAP als referentiepunt:

• prijs boven session VWAP betekent dat kopers gemiddeld ‘te veel’ betalen

Als je long-biased bent, helpt VWAP je de vraag te stellen: koop ik boven een waarde die de markt eerder als fair heeft geaccepteerd? Zo ja, waarom?

VWAP-retests in trendregimes

Een veelvoorkomende voortzettingsstructuur is:

• na een nette sessiebeweging kijk je naar de eerste retest van VWAP
• dat kan een entry met hoge kans zijn als het regime nog steeds trendgedrag ondersteunt

Het sleutelwoord is als. Retests op VWAP werken anders in range dan in trend.

Funding: let op veranderingen, niet alleen op het teken

Vuistregels die goed vertaalbaar zijn naar modelleren:

• consequent negatief hangt samen met drukke shorts die betalen
• consequent positief hangt samen met drukke longs die betalen
• de meeste waarde zit in het spotten van verschuivingen, niet in langdurig naar één niveau staren

Orderbook: timing dicht bij niveaus

Gebruik imbalance om entries te timen:

• een niveau heroveren met bied-ondersteuning werkt vaker in het voordeel van longs
• zware wachtende asks boven de huidige prijs zijn een tegenwind voor breakout-pogingen

Ook hier: behandel de orderbook als context. Laat het niet alleen je thesis worden.

Regime-classificatie als ruggengraat van je ML-ontwerp

Regime is de meest bruikbare filter om het juiste draaiboek te kiezen.

Werk met drie praktische regimes: trend, range, chop.

Trend

Trend is directionele structuur:

• stijgende ADX
• higher-highs / higher-lows (of het spiegelbeeld voor shorts)

Trend is het best voor momentum-entries en trailing exits.

Range

Range is schommelen rond herkenbare support/resistance:

• ATR die samentrekt

Range is het meest geschikt voor fade/mean-reversion entries met strakkere, vooraf ingestelde exits.

Chop

Chop is rommelig:

• geen heldere structuur
• vaak stop-runs

Standaardactie: kleinere positie of even niet handelen. Als je tóch trade, focus dan alleen op de setups met de hoogste overtuiging en accepteer bredere stops.

Label elke trade met het regime bij entry. Na verloop van tijd laat performance met regime-labels vaak een duidelijker verschil zien dan ‘indicator A versus indicator B’.

Waar machine learning en deep learning wél passen

Een praktische manier om ML eerlijk te houden, is het doel te koppelen aan beslissingen.

Forecastkansen en classificeer regimes

Gebruik ML/deep learning om te schatten:

• de kans op voortzetting versus reversal
• de kans dat het huidige regime-classificatie klopt

Geen deterministische ‘volgende prijs’-paden. De markt is je geen rechte lijn verschuldigd.

Sequence-modellen voor event-timing

Sequence (deep learning)-aanpakken kunnen nuttig zijn als je temporele patronen wilt leren rond:

• VWAP-retests
• fundingveranderingen
• orderbook-shifts

Koppel outputs aan uitvoering

Het model moet outputs leveren die je kunt doorzetten naar execution en risk.

Als het model alleen zegt ‘omhoog’ of ‘omlaag’, maar je niet kunt vertalen naar entry-timing en stoplogica, dan schuif je weer terug naar subjectieve keuzes.

Risicomanagement: forecastkwaliteit is zinloos zonder R-gestuurde controles

Zelfs een goed model kan geld verliezen als je risk logic niet consistent is.

Veranker alles aan R

R is je risicounit: het verschil tussen entry en stopprijs.

Alle performance hoort je uit te drukken in R:

• expectancy
• MFE (maximum favorable excursion)
• MAE (maximum adverse excursion)

Dat is relevant omdat dollar PnL wild kan verschillen tussen volatiliteitsomgevingen. Een strategie die +0.35R per trade verdient, verdient +0.35R of de markt nu kalm of juist hevig beweegt; de dollaruitkomst schommelt door position sizing en volatiliteit.

Expectancy generaliseert als R consistent is

Als je modelprestaties beoordeelt, kijk dan naar expectancy in R. Zet het pas op het einde om naar dollars als je het nodig hebt voor je budget.

‘Voorspellen’ vervangt geen stops

Een forecast verandert niets aan wat je stop doet. Het is de stopafstand, position sizing en je exitregels die de verdeling van je trades bepalen.

Posities bepalen via ATR zodat stops logisch blijven

Als je een vaste contractgrootte aanhoudt en volatiliteit doet waar die zin in heeft, verschuift je geïmpliceerde stopafstand. Dat is precies hoe traders worden verrast.

Size zo dat 1-ATR tegenbeweging binnen je risicobudget valt

Position sizing hoort ATR-gedreven te zijn:

• stopafstand instellen op k * ATR
• k kiezen op basis van regime

Typische k-waardes:

• 1.0–1.5 in trend
• 1.5–2.0 in chop

Daarna size je je posities zodat een 1-ATR tegenbeweging gelijk staat aan je risicobudget.

Een veelgemaakte fout: position sizing vastzetten en laten dat de geïmpliceerde stopafstand meebeweegt tijdens spikes in volatiliteit. Het systeem werkt alleen zoals bedoeld als stoplogica en sizing samen opschalen.

Outputs uit het model koppelen aan execution-draaiboeken

Zodra je regimekans en voortzettingskans hebt, gebruik je die om een playbook aan te sturen.

Trend-bias + modelvertrouwen: schaal in rond VWAP (niet achtervolgen)

Koop niet simpelweg de breakout-candle, maar overweeg laddering rond prior VWAP.

Een typische opbouw:

• 30% op de eerste VWAP-herovering
• 30% bij een bevestigde retest met dunnere sell-side depth
• 40% nadat er na de retest een higher-low ontstaat

Annuleer de resterende tranches als de prijs terug sluit onder VWAP op het werkende timeframe.

Range-bias: mean-reversion entries met strakke exits

Bij range-omstandigheden ligt het voor de hand om te kiezen voor:

• strakke stops
• exits dicht bij de tegenoverliggende rand van de range

Gebruik hier geen trendlogica. Een VWAP-herovering kan in mean-reverting omstandigheden iets heel anders betekenen.

Chop: kleinere size of even niet handelen

In chop:

• verlaag size of skip trades
• als je handelt: beperk je tot de hoogste overtuiging setups
• accepteer bredere stops als de structuur dat vraagt

Backtesten van je model: meet wat er écht toe doet

Backtests moeten vragen beantwoorden over edge en risico, niet alleen over ‘accuracy’.

Evalueer expectancy in R

Zo generaliseer je over symbolen en volatiliteitsregimes. R-metrics houden de evaluatie consistent.

Volg de uitkomstverdeling

Kijk niet alleen naar win rate.

Volg ook zaken zoals:

• MAE/MFE in R om te zien of signals vroeg genoeg binnenkomen voor je stoplogica

Als MAE structureel te groot uitvalt ten opzichte van je stopafstand, kan je edge een illusie zijn door timing bij execution.

Stress-test per regime

Label elke trade bij entry (trend/range/chop) en test of performance echt verschilt per regime. Als je model overal werkt, leert het vaak helemaal geen regime-structuur.

Implementatie-checklist (en waar je live moet monitoren)

Modelwerk stopt zodra execution begint. Voor betere alignment is het handig om analyse en uitvoering op dezelfde plek te houden.

XT Exchange is waar onze live market feeds snapshots en signalen levert.

Een praktische checklist:

• Als je een specifieke perp handelt: check op XT de session VWAP, het gedrag van de rollende VWAP, funding trends en order-book imbalance voor dat pair
• Gebruik live charts om je regime-tags te verifiëren en om te zien of VWAP-retests in deze sessie uitpakken zoals verwacht

Crypto kan z’n karakter snel veranderen. Live monitoring hoort bij het researchproces.

Volgende stap: check je inputs op XT en bouw door vanuit R-based risk

Wil je dit framework echt gebruiken? Begin simpel.

• Open je XT-account en handel een BTC-pair (of je favoriete perp) om session VWAP, rollende VWAP, funding-shifts en orderbook-reacties direct in real time te observeren
• Vertaal daarna je modeloutput naar R-based entry/stop-logica met ATR-gedreven sizing, zodat backtestgedrag en livegedrag consistent blijven

Begin met één symbool, label trades op regime, en schaal complexiteit pas daarna op.