PCA للتنبؤ بعوائد بيتكوين خلال اليوم

الملخص

تطبق هذه الدراسة تحليل المكونات الرئيسية الدالي (FPCA) للتنبؤ بدوال عوائد بيتكوين خلال اليوم. وتقدم نموذج عوامل ديناميكيًا لكارونهين–لوف يربط بين المشاهدات الدالية والديناميكيات ذات الزمن المتقطع، وتقترح إجراء FPCA متحركًا مصممًا للأسواق التي تعمل باستمرار. وتستخدم التنبؤات عوائد مأخوذة بفواصل ساعة واحدة و15 دقيقة. كما تتناول الدراسة عدم تجانس التباين الشرطي، وتجد أن أخذ تغير التباين في الحسبان يحسن التنبؤات الفترية لدوال العوائد المستقبلية.

للتقييم، تُقارن التنبؤات في أوقات محددة بأساليب التعلم الآلي وبنموذج ARMA تقليدي. وتشير النتائج المعروضة إلى دقة جيدة للتنبؤ وإلى تنبؤ اتجاهي أقوى عند نقاط زمنية ثابتة للأساليب القائمة على FPCA. ولا يحدد الوصف النماذج المنافسة أو فترات التقييم أو مقاييسه، ولا يناقش تكاليف المعاملات. لذلك تتعلق الأدلة بأداء التنبؤ، لا بربحية استراتيجية تداول.

الأفكار الرئيسية

• يُستخدم FPCA متحرك للتنبؤ بدوال عوائد بيتكوين خلال اليوم.
• يربط نموذج العوامل الديناميكي لكارونهين–لوف بين التحليل الدالي والتحليل ذي الزمن المتقطع.
• يحسن نمذجة عدم تجانس التباين الشرطي التنبؤات الفترية في الدراسة المعروضة.
• يستخدم التقييم عينات بفواصل ساعة واحدة و15 دقيقة، ويقارن التنبؤات بأساليب التعلم الآلي وARMA.
• تؤدي أساليب FPCA جيدًا في دقة التنبؤ والتنبؤ الاتجاهي، لكن الوصف لا يقيّم الربحية.

الوسوم

# Intraday Functional PCA Forecasting of Cryptocurrency Returns


# Intraday Functional PCA Forecasting of Cryptocurrency Returns









We study the Functional PCA (FPCA) forecasting method in application to functions of intraday returns on Bitcoin. We show that improved interval forecasts of future return functions are obtained when the conditional heteroscedasticity of return functions is taken into account. The Karhunen-Loeve (KL) dynamic factor model is introduced to bridge the functional and discrete time dynamic models. It offers a convenient framework for functional time series analysis. For intraday forecasting, we introduce a new algorithm based on the FPCA applied by rolling, which can be used for any data observed continuously 24/7. The proposed FPCA forecasting methods are applied to return functions computed from data sampled hourly and at 15-minute intervals. Next, the functional forecasts evaluated at discrete points in time are compared with the forecasts based on other methods, including machine learning and a traditional ARMA model. The proposed FPCA-based methods perform well in terms of forecast accuracy and outperform competitors in terms of directional (sign) of return forecasts at fixed points in time.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.