Tester des modèles récurrents du flux d’ordres Bitcoin pendant une bulle

Résumé

Cet article propose un modèle récurrent profond qui utilise le flux d’ordres d’une plateforme d’échange pour modéliser les mouvements directionnels des prix à haute fréquence. Le flux d’ordres est décrit comme la suite des ordres entrants qui contribue à la formation des prix. La question centrale est de savoir si un modèle entraîné dans un régime de marché reste utile lorsque les conditions changent fortement.

Pour évaluer sa stabilité dans le temps, les auteurs entraînent le modèle sur des données antérieures à la bulle du Bitcoin de 2017, puis le testent pendant et après cette période sans le réentraîner. Ils indiquent que le modèle reste stable pendant la bulle, caractérisée par une forte volatilité, et le comparent à des approches existantes d’apprentissage profond appliquées à la formation des prix. La description fournie ne précise ni la source des données, ni la cible exacte de prévision, ni les métriques d’évaluation, ni les résultats des comparaisons. Elle étaye donc une affirmation de stabilité dans l’expérience rapportée, mais laisse ouverte la question de sa généralisation à d’autres actifs, plateformes ou régimes de marché.

Idées clés

• Le modèle récurrent profond proposé utilise le flux d’ordres d’une plateforme pour modéliser les variations directionnelles des prix à haute fréquence.
• L’expérience entraîne le modèle sur des données du Bitcoin antérieures à la bulle et le teste pendant et après la bulle de 2017.
• Le modèle est évalué sans réentraînement pendant la période de plus forte volatilité.
• Les auteurs rapportent une stabilité temporelle et comparent le modèle à des approches existantes d’apprentissage profond.
• La description disponible omet les métriques et les détails sur les données nécessaires pour évaluer la généralisation à plus grande échelle.

Étiquettes

# 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.

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.