Pruebas de modelos recurrentes de flujo de órdenes de Bitcoin durante una burbuja

Resumen

Este artículo propone un modelo recurrente profundo que utiliza el flujo de órdenes de una plataforma para modelar movimientos direccionales de precios de alta frecuencia. El flujo de órdenes se describe como la secuencia de órdenes entrantes que contribuye a la formación de precios. La pregunta central es si un modelo entrenado en un régimen de mercado sigue siendo útil cuando las condiciones cambian considerablemente.

Para evaluar la estabilidad temporal, los autores entrenan el modelo con datos anteriores a la burbuja de Bitcoin de 2017 y lo prueban durante y después de ese periodo, sin volver a entrenarlo. Informan de que el modelo se mantiene estable durante la burbuja de alta volatilidad y lo comparan con enfoques existentes de aprendizaje profundo para la formación de precios. La descripción proporcionada no especifica la fuente de datos, el objetivo preciso de predicción, las métricas de evaluación ni los resultados de la comparación. Por tanto, respalda una afirmación de estabilidad en el experimento comunicado, pero deja abierta la medida en que el hallazgo se generaliza a otros activos, plataformas o regímenes de mercado.

Ideas clave

• El modelo recurrente profundo propuesto utiliza el flujo de órdenes de la plataforma para modelar cambios direccionales de precios de alta frecuencia.
• El experimento entrena con datos de Bitcoin anteriores a la burbuja y prueba el modelo durante y después de la burbuja de 2017.
• El modelo se evalúa sin volver a entrenarlo durante el periodo de mayor volatilidad.
• Los autores informan de estabilidad temporal y comparan el modelo con enfoques existentes de aprendizaje profundo.
• La descripción disponible omite métricas y detalles de los datos necesarios para evaluar una generalización más amplia.

Etiquetas

# 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.

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.