PCA تابعی برای پیش‌بینی بازده درون‌روزی بیت‌کوین
خلاصه
این پژوهش تحلیل مؤلفه‌های اصلی تابعی (FPCA) را برای پیش‌بینی توابع بازده درون‌روزی بیت‌کوین به کار می‌گیرد. مدل عامل پویای کارونه–لوو را به‌عنوان پیوندی میان مشاهدات تابعی و پویایی زمان‌گسسته معرفی می‌کند و رویه FPCA را برای بازارهای پیوسته پیشنهاد می‌دهد. پیش‌بینی‌ها از بازده‌های نمونه‌برداری‌شده در بازه‌های ساعتی و 15 دقیقه‌ای استفاده می‌کنند. پژوهش ناهمسانی واریانس شرطی را نیز بررسی می‌کند و می‌یابد که درنظرگرفتن تغییر واریانس، پیش‌بینی بازه‌ای توابع بازده آتی را بهبود می‌دهد.
برای ارزیابی، پیش‌بینی‌ها در زمان‌های مشخص با روش‌های یادگیری ماشین و یک مدل سنتی ARMA مقایسه می‌شوند. نتایج گزارش‌شده حاکی از دقت خوب پیش‌بینی و پیش‌بینی جهت قوی‌تر در نقاط زمانی ثابت برای روش‌های مبتنی بر FPCA است. توضیحات، مدل‌های رقیب را نام نمی‌برد، دوره‌ها یا معیارهای ارزیابی را مشخص نمی‌کند و به هزینه‌های معامله نمی‌پردازد. بنابراین شواهد به عملکرد پیش‌بینی مربوط است، نه سودآوری استراتژی معاملاتی.
ایده‌های کلیدی
- از FPCA غلتان برای پیش‌بینی توابع بازده درون‌روزی بیت‌کوین استفاده می‌شود.
- مدل عامل پویای کارونه–لوو، تحلیل تابعی و زمان‌گسسته را به هم پیوند می‌دهد.
- مدل‌سازی ناهمسانی واریانس شرطی، پیش‌بینی‌های بازه‌ای را در پژوهش گزارش‌شده بهبود می‌دهد.
- ارزیابی از نمونه‌های ساعتی و 15 دقیقه‌ای استفاده می‌کند و پیش‌بینی‌ها را با یادگیری ماشین و روش‌های ARMA مقایسه می‌کند.
- روش‌های FPCA در دقت و پیش‌بینی جهت عملکرد خوبی دارند، اما توضیحات سودآوری را ارزیابی نمی‌کند.
برچسب‌ها
متن کامل
# 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.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.