Prévoir la volatilité du Bitcoin avec des images du flux d’ordres

Résumé

Cet article prévoit la volatilité réalisée à court terme du Bitcoin en encodant des instantanés du flux d’ordres sous forme d’images. La taille et le sens des transactions, ainsi que les informations du carnet d’ordres à cours limité, sont convertis en canaux de couleur, puis utilisés pour entraîner un réseau neuronal convolutif à trois couches, ResNet-18 et ConvMixer. L’étude teste aussi l’ajout de caractéristiques conçues manuellement et compare les modèles fondés sur des images à GARCH, un perceptron multicouche entraîné sur les données brutes, ainsi qu’à une prévision naïve fondée sur la volatilité actuelle.

Les expériences utilisent des données de prix de janvier 2021 et évaluent l’erreur de prévision avec RMSPE. Le CNN fondé sur des images obtient les meilleurs résultats parmi les approches décrites, avec une erreur rapportée plus faible lorsqu’il est complété par des caractéristiques agrégées ; ConvMixer avec ces caractéristiques arrive juste derrière. La prévision naïve fondée sur la volatilité actuelle présente une erreur plus élevée. Ces résultats suggèrent que les représentations en images peuvent rendre les configurations du flux d’ordres utiles pour prévoir la volatilité à court terme, mais les données étudiées couvrent un seul mois pour le Bitcoin. La description ne précise ni le protocole de validation ni les performances sur d’autres périodes et marchés.

Idées clés

• Les instantanés du flux d’ordres combinent la taille et le sens des transactions ainsi que les informations du carnet d’ordres sous forme de canaux d’image.
• Les modèles CNN, ResNet-18 et ConvMixer sont évalués avec et sans caractéristiques conçues manuellement.
• Les prévisions CNN rapportées surpassent les méthodes citées : GARCH, MLP sur données brutes et la méthode naïve.
• L’ajout de caractéristiques agrégées améliore le résultat CNN rapporté.
• Les données étudiées se limitent au Bitcoin en janvier 2021.

Étiquettes

# 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.

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.