Funktionale PCA zur Prognose untertägiger Bitcoin-Renditen

Zusammenfassung

Diese Studie wendet funktionale Hauptkomponentenanalyse (FPCA) an, um Funktionen untertägiger Bitcoin-Renditen vorherzusagen. Sie führt ein dynamisches Karhunen–Loève-Faktormodell als Verbindung zwischen funktionalen Beobachtungen und diskreter Zeitdynamik ein und schlägt ein rollierendes FPCA-Verfahren vor, das für kontinuierlich betriebene Märkte ausgelegt ist. Die Prognosen verwenden Renditen in Stunden- und 15-Minutenintervallen. Die Studie berücksichtigt auch bedingte Heteroskedastizität und stellt fest, dass die Berücksichtigung veränderlicher Varianz die Intervallprognosen zukünftiger Renditefunktionen verbessert.

Zur Bewertung werden Prognosen zu bestimmten Zeitpunkten mit Ansätzen des maschinellen Lernens und einem traditionellen ARMA-Modell verglichen. Die berichteten Ergebnisse zeigen eine gute Prognosegenauigkeit und eine stärkere Richtungsprognose zu festgelegten Zeitpunkten bei den FPCA-basierten Methoden. Die Beschreibung nennt weder die konkurrierenden Modelle noch Bewertungszeiträume oder Kennzahlen und behandelt auch keine Transaktionskosten. Die Ergebnisse betreffen daher die Prognoseleistung, nicht die Rentabilität einer Handelsstrategie.

Kernaussagen

• Rollierendes FPCA wird verwendet, um Funktionen untertägiger Bitcoin-Renditen vorherzusagen.
• Ein dynamisches Karhunen–Loève-Faktormodell verbindet funktionale Analysen mit diskreter Zeit.
• Die Modellierung bedingter Heteroskedastizität verbessert in der berichteten Studie die Intervallprognosen.
• Die Bewertung verwendet Stunden- und 15-Minutenstichproben und vergleicht Prognosen mit maschinellem Lernen und ARMA-Methoden.
• FPCA-Methoden erzielen gute Ergebnisse bei Genauigkeits- und Richtungsprognosen; die Beschreibung bewertet jedoch nicht die Rentabilität.

Schlagwörter

# 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.

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.