پیش‌بینی نوسان بیت‌کوین از تصاویر جریان سفارش
خلاصه
این مقاله نوسان تحقق‌یافته کوتاه‌مدت بیت‌کوین را با کدگذاری قاب‌هایی از داده‌های جریان سفارش به شکل تصویر پیش‌بینی می‌کند. اندازه و جهت معامله و اطلاعات دفتر سفارش محدود به کانال‌های رنگی نگاشت می‌شوند و سپس برای آموزش شبکه عصبی کانولوشنی سه‌لایه، ResNet-18 و ConvMixer به‌کار می‌روند. پژوهش همچنین افزودن ویژگی‌های دست‌ساز را می‌آزماید و مدل‌های مبتنی بر تصویر را با GARCH، یعنی پرسپترون چندلایه آموزش‌دیده بر داده خام، و پیش‌بینی ساده مبتنی بر نوسان فعلی مقایسه می‌کند.
آزمایش‌ها از داده قیمت ژانویه 2021 استفاده می‌کنند و خطای پیش‌بینی را با RMSPE می‌سنجند. در میان رویکردهای توصیف‌شده، CNN مبتنی بر تصویر بهترین عملکرد را دارد و با افزودن ویژگی‌های تجمیعی، خطای گزارش‌شده آن کمتر می‌شود؛ ConvMixer همراه با ویژگی‌ها با فاصله‌ای کم پس از آن قرار می‌گیرد. پیش‌بینی ساده بر پایه نوسان فعلی خطای بیشتری دارد. این نتایج نشان می‌دهند بازنمایی تصویری می‌تواند الگوهای جریان سفارش را برای پیش‌بینی نوسان در افق کوتاه مفید کند، اما شواهد فقط یک ماه داده بیت‌کوین را پوشش می‌دهند. توضیحات جزئیاتی درباره طراحی اعتبارسنجی یا عملکرد در دوره‌ها و بازارهای دیگر ارائه نمی‌کنند.
ایده‌های کلیدی
- تصاویر جریان سفارش، اندازه و جهت معاملات و اطلاعات دفتر سفارش را در کانال‌های تصویری ترکیب می‌کنند.
- مدل‌های CNN، ResNet-18 و ConvMixer با ویژگی‌های دست‌ساز و بدون آن‌ها ارزیابی می‌شوند.
- پیش‌بینی‌های CNN گزارش‌شده عملکرد بهتری از روش‌های مقایسه‌ایِ فهرست‌شده، یعنی GARCH، مدل MLP آموزش‌دیده بر داده خام و روش پیش‌بینی ساده دارند.
- افزودن ویژگی‌های تجمیعی نتیجه گزارش‌شده CNN را بهبود می‌دهد.
- شواهد به داده بیت‌کوین ژانویه 2021 محدود است.
برچسب‌ها
متن کامل
# Learning to Predict Short-Term Volatility with Order Flow Image Representation # 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.
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.