PCA fonctionnelle pour prévoir les rendements intrajournaliers du Bitcoin

Résumé

Cette étude applique l’analyse en composantes principales fonctionnelles (FPCA) pour prévoir les fonctions de rendement intrajournalier du Bitcoin. Elle introduit un modèle factoriel dynamique de Karhunen–Loève reliant les observations fonctionnelles à une dynamique en temps discret, et propose une procédure FPCA glissante conçue pour les marchés en fonctionnement continu. Les prévisions utilisent des rendements échantillonnés à intervalles horaires et de 15 minutes. L’étude examine également l’hétéroscédasticité conditionnelle et constate que la prise en compte de la variance variable améliore les prévisions par intervalle des fonctions de rendement futures.

Pour l’évaluation, les prévisions à des moments précis sont comparées à des approches d’apprentissage automatique et à un modèle ARMA traditionnel. Les résultats rapportés indiquent une bonne précision des prévisions et une prédiction directionnelle plus forte à des moments fixes pour les méthodes fondées sur FPCA. La description ne nomme pas les modèles concurrents, ne précise ni les périodes ni les mesures d’évaluation, et ne traite pas des coûts de transaction. Les preuves portent donc sur la performance des prévisions, et non sur la rentabilité d’une stratégie de trading.

Idées clés

• Une méthode FPCA glissante sert à prévoir les fonctions des rendements intrajournaliers du Bitcoin.
• Un modèle factoriel dynamique de Karhunen–Loève relie l’analyse fonctionnelle à l’analyse en temps discret.
• La modélisation de l’hétéroscédasticité conditionnelle améliore les prévisions par intervalle dans l’étude présentée.
• L’évaluation utilise des échantillons horaires et de 15 minutes, et compare les prévisions à des méthodes d’apprentissage automatique et ARMA.
• Les méthodes FPCA affichent de bons résultats en précision et en prévision directionnelle, mais la description n’évalue pas la rentabilité.

Étiquettes

# 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.

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.