آزمون مدل‌های جریان سفارش بازگشتی بیت‌کوین در دوره حباب بازار
خلاصه
این مقاله مدلی بازگشتی و عمیق پیشنهاد می‌کند که از جریان سفارش صرافی برای مدل‌سازی حرکت‌های جهت‌دار قیمت با بسامد بالا استفاده می‌کند. جریان سفارش به‌صورت رشته سفارش‌های ورودی توصیف می‌شود که در شکل‌گیری قیمت نقش دارند. پرسش اصلی این است که آیا مدلی که در یک رژیم بازار آموزش دیده، با تغییر چشمگیر شرایط همچنان مفید می‌ماند یا نه.
برای ارزیابی پایداری زمانی، نویسندگان مدل را با داده‌های پیش از حباب بیت‌کوین 2017 آموزش می‌دهند و بدون آموزش مجدد، آن را در دوره حباب و پس از آن می‌آزمایند. آن‌ها گزارش می‌کنند که مدل در سراسر دوره حباب با نوسان بالا پایدار می‌ماند و آن را با رویکردهای یادگیری عمیق موجود برای شکل‌گیری قیمت مقایسه می‌کنند. توضیحات موجود منبع داده، هدف دقیق پیش‌بینی، معیارهای ارزیابی یا نتایج معیارهای مقایسه را مشخص نمی‌کند. بنابراین، این توضیحات از ادعای پایداری در آزمایش گزارش‌شده پشتیبانی می‌کنند، اما روشن نمی‌کنند این یافته تا چه حد به دارایی‌ها، محل‌های معامله یا رژیم‌های بازار دیگر تعمیم می‌یابد.
ایده‌های کلیدی
- مدل بازگشتی عمیق پیشنهادی از جریان سفارش صرافی برای مدل‌سازی تغییرات جهت‌دار قیمت با بسامد بالا استفاده می‌کند.
- آزمایش با داده‌های بیت‌کوین پیش از حباب آموزش می‌بیند و در جریان حباب 2017 و پس از آن می‌آزماید.
- مدل در دوره پرنوسان‌تر و بدون آموزش مجدد ارزیابی می‌شود.
- نویسندگان از پایداری زمانی خبر می‌دهند و مدل را با رویکردهای یادگیری عمیق موجود مقایسه می‌کنند.
- توضیحات موجود، معیارها و جزئیات داده لازم برای داوری درباره تعمیم‌پذیری گسترده‌تر را ارائه نمی‌کند.
برچسب‌ها
متن کامل
# 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.
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.