اختبار نماذج تدفق أوامر Bitcoin المتكررة عبر فقاعة سوقية

الملخص

تقترح هذه الورقة نموذجاً تكرارياً عميقاً يستخدم تدفق أوامر المنصة لنمذجة تحركات الأسعار الاتجاهية عالية التواتر. ويوصف تدفق الأوامر بأنه سلسلة الأوامر الواردة التي تسهم في تكوين الأسعار. ويتمثل السؤال المحوري في ما إذا كان النموذج المدرَّب في نظام سوق واحد يظل مفيداً عندما تتغير الظروف بشدة.

ولتقييم الاستقرار الزمني، يدرّب المؤلفون النموذج على بيانات تسبق فقاعة Bitcoin في 2017 ويختبرونه أثناء تلك الفترة وبعدها من دون إعادة تدريب. ويفيدون بأن النموذج ظل مستقراً خلال فترة الفقاعة شديدة التقلب، ويقارنونه بأساليب التعلم العميق القائمة لتكوين الأسعار. ولا يحدد الوصف المقدم مصدر البيانات أو هدف التنبؤ الدقيق أو مقاييس التقييم أو نتائج النماذج المرجعية. لذا يدعم الوصف ادعاء الاستقرار في التجربة المبلغ عنها، لكنه لا يحدد مدى تعميم هذه النتيجة على أصول أو منصات أو أنظمة سوق أخرى.

الأفكار الرئيسية

• يستخدم النموذج التكراري العميق المقترح تدفق أوامر المنصة لنمذجة تغيرات الأسعار الاتجاهية عالية التواتر.
• تدرّب التجربة على بيانات Bitcoin السابقة للفقاعة وتختبر النموذج أثناء فقاعة 2017 وبعدها.
• يُقيّم النموذج من دون إعادة تدريب خلال الفترة الأعلى تقلباً.
• يفيد المؤلفون بالاستقرار الزمني ويقارنون النموذج بأساليب التعلم العميق القائمة.
• يغفل الوصف المتاح المقاييس وتفاصيل البيانات اللازمة للحكم على مدى التعميم الأوسع.

الوسوم

# Deep Recurrent Modelling of Stationary Bitcoin Price Formation Using the Order Flow


# Deep Recurrent Modelling of Stationary Bitcoin Price Formation Using the Order Flow









In this paper we propose a deep recurrent model based on the order flow for the stationary modelling of the high-frequency directional prices movements. The order flow is the microsecond stream of orders arriving at the exchange, driving the formation of prices seen on the price chart of a stock or currency. To test the stationarity of our proposed model we train our model on data before the 2017 Bitcoin bubble period and test our model during and after the bubble. We show that without any retraining, the proposed model is temporally stable even as Bitcoin trading shifts into an extremely volatile "bubble trouble" period. The significance of the result is shown by benchmarking against existing state-of-the-art models in the literature for modelling price formation using deep learning.

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.