Champs de potentiel bayésiens pour les tendances et les dépendances des cryptomonnaies

Résumé

Cet article modélise les prix des cryptomonnaies comme des trajectoires dans un champ de potentiel non linéaire évolutif. Il combine l’inférence bayésienne et les processus gaussiens pour estimer ce champ à partir des prix historiques, puis utilise les attracteurs et répulseurs estimés comme indicateurs des conditions de marché et des relations structurelles entre cryptomonnaies. L’analyse de stabilité de Lyapunov étaye l’existence de la fonction de potentiel proposée.

Les auteurs analysent les périodes de krach du Bitcoin d’avril 2017 à novembre 2021. Ils indiquent que les attracteurs reflètent la tendance, la volatilité et la corrélation du marché, et que les dépendances estimées concordent avec les résultats de cohérence par ondelettes. L’ajout des indicateurs proposés à des modèles de prix par apprentissage profond améliore les prévisions du Litecoin, avec des gains rapportés jusqu’à un horizon de 12 jours. Le document présente ces éléments comme des résultats empiriques, mais la description fournie ne détaille ni le plan d’échantillonnage, ni les résultats de référence, ni les performances au-delà des données et modèles étudiés. Elle n’établit pas que ces indicateurs resteront fiables sur d’autres périodes ou permettront un trading rentable après coûts.

Idées clés

• Le cadre représente les mouvements de prix des cryptomonnaies comme des trajectoires façonnées par un champ de potentiel non linéaire variable dans le temps.
• L’inférence bayésienne et les processus gaussiens estiment le champ de potentiel à partir des prix historiques.
• Les attracteurs et répulseurs estimés sont proposés comme indicateurs des tendances du marché et des dépendances structurelles.
• Les profils de dépendance rapportés concordent avec l’analyse de cohérence par ondelettes.
• Les auteurs rapportent de meilleures prévisions du Litecoin lorsque leurs indicateurs complètent des modèles d’apprentissage profond.

Étiquettes

# 2308.01013


# Bayesian framework for characterizing cryptocurrency market dynamics, structural dependency, and volatility using potential field









Identifying the structural dependence between the cryptocurrencies and predicting market trend are fundamental for effective portfolio management in cryptocurrency trading. In this paper, we present a unified Bayesian framework based on potential field theory and Gaussian Process to characterize the structural dependency of various cryptocurrencies, using historic price information. The following are our significant contributions: (i) Proposed a novel model for cryptocurrency price movements as a trajectory of a dynamical system governed by a time-varying non-linear potential field. (ii) Validated the existence of the non-linear potential function in cryptocurrency market through Lyapunov stability analysis. (iii) Developed a Bayesian framework for inferring the non-linear potential function from observed cryptocurrency prices. (iv) Proposed that attractors and repellers inferred from the potential field are reliable cryptocurrency market indicators, surpassing existing attributes, such as, mean, open price or close price of an observation window, in the literature. (v) Analysis of cryptocurrency market during various Bitcoin crash durations from April 2017 to November 2021, shows that attractors captured the market trend, volatility, and correlation. In addition, attractors aids explainability and visualization. (vi) The structural dependence inferred by the proposed approach was found to be consistent with results obtained using the popular wavelet coherence approach. (vii) The proposed market indicators (attractors and repellers) can be used to improve the prediction performance of state-of-art deep learning price prediction models. As, an example, we show improvement in Litecoin price prediction up to a horizon of 12 days.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.