PCA funcional para predecir rendimientos intradía de Bitcoin

Resumen

Este estudio aplica análisis funcional de componentes principales (FPCA) para pronosticar funciones de rendimiento intradía de Bitcoin. Presenta un modelo de factores dinámicos de Karhunen-Loève que conecta las observaciones funcionales con la dinámica en tiempo discreto, y propone un procedimiento FPCA móvil diseñado para mercados que operan de forma continua. Los pronósticos utilizan rendimientos muestreados en intervalos de una hora y de 15 minutos. El estudio también considera la heterocedasticidad condicional y concluye que tener en cuenta los cambios de varianza mejora los pronósticos por intervalos de las funciones de rendimiento futuras.

Para la evaluación, se comparan pronósticos en momentos concretos con métodos de aprendizaje automático y un modelo ARMA tradicional. Los resultados presentados indican una buena precisión de pronóstico y una mejor predicción direccional en momentos determinados para los métodos basados en FPCA. La descripción no identifica los modelos comparados, no especifica los periodos ni las métricas de evaluación y tampoco aborda los costes de transacción. Por tanto, las pruebas se refieren al rendimiento de los pronósticos, no a la rentabilidad de una estrategia de trading.

Ideas clave

• Se utiliza FPCA móvil para pronosticar funciones de los rendimientos intradía de Bitcoin.
• Un modelo de factores dinámicos de Karhunen-Loève conecta el análisis funcional con el análisis en tiempo discreto.
• En el estudio presentado, modelar la heterocedasticidad condicional mejora los pronósticos por intervalos.
• La evaluación utiliza muestras por hora y de 15 minutos, y compara los pronósticos con métodos de aprendizaje automático y ARMA.
• Los métodos FPCA obtienen buenos resultados en precisión y pronósticos direccionales, pero la descripción no evalúa su rentabilidad.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.