Bayes’sche Potenzialfelder für Kryptotrends und Abhängigkeiten

Zusammenfassung

Dieses Paper modelliert Kryptowährungspreise als Bewegungen in einem veränderlichen nichtlinearen Potenzialfeld. Es kombiniert Bayes’sche Inferenz mit Gauß-Prozessen, um das Feld anhand historischer Preise zu schätzen, und verwendet anschließend abgeleitete Attraktoren und Repelloren als Indikatoren für Marktbedingungen und strukturelle Beziehungen zwischen Kryptowährungen. Eine Lyapunov-Stabilitätsanalyse dient als Beleg für die Existenz des vorgeschlagenen Potenzialfelds.

Die Autoren analysieren Bitcoin-Crashphasen von April 2017 bis November 2021. Sie berichten, dass Attraktoren Markttrend, Volatilität und Korrelation abbilden und die abgeleiteten Abhängigkeiten mit Wavelet-Kohärenzergebnissen übereinstimmen. Werden die vorgeschlagenen Indikatoren zu Deep-Learning-Preismodellen hinzugefügt, verbessern sich Litecoin-Prognosen; die berichteten Zugewinne reichen bis zu einem Horizont von 12 Tagen. Das Dokument stellt dies als empirische Ergebnisse dar, doch die bereitgestellte Beschreibung enthält weder ein detailliertes Stichprobendesign noch Benchmark-Ergebnisse oder Belege für eine Performance über die untersuchten Daten und Modelle hinaus. Sie belegt nicht, dass die Indikatoren in anderen Zeiträumen zuverlässig bleiben oder nach Kosten profitablen Handel ermöglichen.

Kernaussagen

• Das Framework stellt Kursbewegungen von Kryptowährungen als Trajektorien dar, die durch ein zeitlich veränderliches nichtlineares Potenzialfeld geprägt sind.
• Bayes’sche Inferenz mit Gauß-Prozessen schätzt das Potenzialfeld anhand historischer Preise.
• Abgeleitete Attraktoren und Repelloren werden als Indikatoren für Markttrends und strukturelle Abhängigkeiten vorgeschlagen.
• Die berichteten Abhängigkeitsmuster stimmen mit der Wavelet-Kohärenzanalyse überein.
• Die Autoren berichten von einer verbesserten Litecoin-Prognose, wenn ihre Indikatoren Deep-Learning-Modelle ergänzen.

Schlagwörter

# 2308.01013


# Bayesian framework for characterizing cryptocurrency market dynamics, structural dependency, and volatility using potential field









Identifying the structural dependence between the cryptocurrencies and predicting market trend are fundamental for effective portfolio management in cryptocurrency trading. In this paper, we present a unified Bayesian framework based on potential field theory and Gaussian Process to characterize the structural dependency of various cryptocurrencies, using historic price information. The following are our significant contributions: (i) Proposed a novel model for cryptocurrency price movements as a trajectory of a dynamical system governed by a time-varying non-linear potential field. (ii) Validated the existence of the non-linear potential function in cryptocurrency market through Lyapunov stability analysis. (iii) Developed a Bayesian framework for inferring the non-linear potential function from observed cryptocurrency prices. (iv) Proposed that attractors and repellers inferred from the potential field are reliable cryptocurrency market indicators, surpassing existing attributes, such as, mean, open price or close price of an observation window, in the literature. (v) Analysis of cryptocurrency market during various Bitcoin crash durations from April 2017 to November 2021, shows that attractors captured the market trend, volatility, and correlation. In addition, attractors aids explainability and visualization. (vi) The structural dependence inferred by the proposed approach was found to be consistent with results obtained using the popular wavelet coherence approach. (vii) The proposed market indicators (attractors and repellers) can be used to improve the prediction performance of state-of-art deep learning price prediction models. As, an example, we show improvement in Litecoin price prediction up to a horizon of 12 days.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.