Predicción de la volatilidad de Bitcoin con imágenes del flujo de órdenes

Artículo arXiv papers · Autor: Artem Lensky et al.

Resumen

Este artículo predice la volatilidad realizada a corto plazo de Bitcoin mediante la codificación de instantáneas de datos del flujo de órdenes como imágenes. El tamaño y la dirección de las operaciones, junto con la información del libro de órdenes límite, se asignan a canales de color que luego se utilizan para entrenar una red neuronal convolucional de tres capas, ResNet-18 y ConvMixer. El estudio también prueba la incorporación de características diseñadas manualmente y compara los modelos basados en imágenes con GARCH, un perceptrón multicapa entrenado con datos sin procesar, y un pronóstico ingenuo basado en la volatilidad actual.

Los experimentos utilizan datos de precios de enero de 2021 y evalúan el error de pronóstico con RMSPE. El modelo CNN basado en imágenes obtiene el mejor resultado entre los métodos descritos, y su error informado es menor al añadir características agregadas; ConvMixer con características queda cerca. El pronóstico ingenuo basado en la volatilidad actual presenta un error mayor. Estos resultados sugieren que las representaciones como imágenes pueden hacer útiles los patrones del flujo de órdenes para predecir la volatilidad a corto plazo, pero las pruebas abarcan un solo mes de datos de Bitcoin. La descripción no ofrece detalles sobre el diseño de validación ni sobre el rendimiento en otros periodos y mercados.

Ideas clave

Las instantáneas del flujo de órdenes combinan el tamaño y la dirección de las operaciones con información del libro de órdenes en distintos canales de imagen.
Se evalúan modelos CNN, ResNet-18 y ConvMixer, con y sin características diseñadas manualmente.
Los pronósticos CNN presentados superan a los métodos de comparación enumerados: GARCH, un modelo MLP con datos sin procesar y un método ingenuo.
La incorporación de características agregadas mejora el resultado CNN presentado.
Las pruebas se limitan a datos de Bitcoin de enero de 2021.

Etiquetas

Criptoactivos Volatilidad Aprendizaje automático Microestructura del mercado Pruebas retrospectivas

Texto completo

# 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.

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.