Bitcoin-Volatilität anhand von Orderflow-Bildern prognostizieren

Artikel arXiv papers · Autor: Artem Lensky et al.

Zusammenfassung

Dieses Paper prognostiziert die kurzfristige realisierte Bitcoin-Volatilität, indem Momentaufnahmen von Orderflow-Daten als Bilder kodiert werden. Handelsgröße, Richtung und Informationen aus dem Limit-Orderbuch werden Farbkanälen zugeordnet und dann zum Training eines dreischichtigen neuronalen Faltungsnetzes, von ResNet-18 und ConvMixer verwendet. Die Studie prüft außerdem, ob sich von Hand entwickelte Merkmale ergänzen lassen, und vergleicht die bildbasierten Modelle mit GARCH, einem auf Rohdaten trainierten mehrschichtigen Perzeptron, sowie einer naiven Prognose auf Basis der aktuellen Volatilität.

Die Experimente verwenden Preisdaten aus dem Januar 2021 und bewerten den Prognosefehler mit RMSPE. Das bildbasierte CNN schneidet unter den beschriebenen Ansätzen am besten ab. Mit aggregierten Merkmalen ist der berichtete Fehler niedriger; ConvMixer mit Merkmalen liegt knapp dahinter. Die naive Prognose anhand der aktuellen Volatilität weist einen höheren berichteten Fehler auf. Die Ergebnisse legen nahe, dass Bildrepräsentationen Orderflow-Muster für kurzfristige Volatilitätsprognosen nutzbar machen können. Die Belege umfassen jedoch nur einen Monat an Bitcoin-Daten. Die Beschreibung enthält keine Einzelheiten zum Validierungsdesign oder zur Leistung in anderen Zeiträumen und Märkten.

Kernaussagen

Orderflow-Momentaufnahmen kombinieren Handelsgrößen, Handelsrichtungen und Orderbuchinformationen als Bildkanäle.
Die Modelle CNN, ResNet-18 und ConvMixer werden mit und ohne von Hand entwickelte Merkmale ausgewertet.
Die berichteten CNN-Prognosen schneiden besser ab als die aufgeführten GARCH-, Rohdaten-MLP- und naiven Vergleichsmethoden.
Aggregierte Merkmale verbessern laut Bericht das CNN-Ergebnis.
Die Belege beschränken sich auf Bitcoin-Daten aus dem Januar 2021.

Schlagwörter

Krypto Volatilität Maschinelles Lernen Marktmikrostruktur Backtesting

Volltext

# Learning to Predict Short-Term Volatility with Order Flow Image Representation

Introduction: The paper addresses the challenging problem of predicting the short-term realized volatility of the Bitcoin price using order flow information. The inherent stochastic nature and anti-persistence of price pose difficulties in accurate prediction. Methods: To address this, we propose a method that transforms order flow data over a fixed time interval (snapshots) into images. The order flow includes trade sizes, trade directions, and limit order book, and is mapped into image colour channels. These images are then used to train both a simple 3-layer Convolutional Neural Network (CNN) and more advanced ResNet-18 and ConvMixer, with additionally supplementing them with hand-crafted features. The models are evaluated against classical GARCH, Multilayer Perceptron trained on raw data, and a naive guess method that considers current volatility as a prediction. Results: The experiments are conducted using price data from January 2021 and evaluate model performance in terms of root mean square error (RMSPE). The results show that our order flow representation with a CNN as a predictive model achieves the best performance, with an RMSPE of 0.85+/-1.1 for the model with aggregated features and 1.0+/-1.4 for the model without feature supplementation. ConvMixer with feature supplementation follows closely. In comparison, the RMSPE for the naive guess method was 1.4+/-3.0.

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.