Rekurrente Bitcoin-Orderflow-Modelle während einer Marktblase testen

Zusammenfassung

Diese Arbeit schlägt ein tiefes rekurrentes Modell vor, das den Orderflow einer Börse nutzt, um hochfrequente gerichtete Kursbewegungen zu modellieren. Orderflow wird als Strom eingehender Aufträge beschrieben, der zur Preisbildung beiträgt. Im Mittelpunkt steht die Frage, ob ein in einem Marktregime trainiertes Modell nützlich bleibt, wenn sich die Bedingungen deutlich ändern.

Zur Prüfung der zeitlichen Stabilität trainieren die Autoren das Modell mit Daten aus der Zeit vor der Bitcoin-Blase von 2017 und testen es während und nach diesem Zeitraum ohne erneutes Training. Sie berichten, dass das Modell während der Phase mit hoher Volatilität stabil bleibt, und vergleichen es mit bestehenden Deep-Learning-Ansätzen zur Preisbildung. Die Beschreibung nennt weder Datenquelle und genaues Prognoseziel noch Bewertungskennzahlen oder Benchmark-Ergebnisse. Sie stützt daher die Aussage zur Stabilität im berichteten Experiment, lässt aber offen, in welchem Umfang sich dieser Befund auf andere Assets, Handelsplätze oder Marktregime übertragen lässt.

Kernaussagen

• Das vorgeschlagene tiefe rekurrente Modell nutzt den Orderflow einer Börse, um hochfrequente gerichtete Kursbewegungen zu modellieren.
• Das Experiment trainiert mit Bitcoin-Daten vor der Blase und testet während und nach der Blase von 2017.
• Das Modell wird während der volatileren Phase ohne erneutes Training ausgewertet.
• Die Autoren berichten zeitliche Stabilität und vergleichen das Modell mit bestehenden Deep-Learning-Ansätzen.
• Die vorliegende Beschreibung lässt Kennzahlen und Datendetails aus, die zur Beurteilung einer breiteren Übertragbarkeit nötig wären.

Schlagwörter

# 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.

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.