PCA פונקציונלית לחיזוי תשואות ביטקוין תוך־יומיות

סיכום

המחקר מיישם ניתוח רכיבים עיקריים פונקציונלי (FPCA) לחיזוי פונקציות תשואה תוך־יומיות של ביטקוין. הוא מציג מודל גורמים דינמי של Karhunen–Loève המקשר בין תצפיות פונקציונליות לדינמיקה בדידה בזמן, ומציע הליך FPCA מתגלגל המיועד לשווקים הפועלים ברציפות. התחזיות משתמשות בתשואות שנדגמו במרווחים של שעה ושל 15 דקות. המחקר בוחן גם הטרוסקדסטיות מותנית, ומוצא שהתחשבות בשונות משתנה משפרת תחזיות אינטרווליות של פונקציות תשואה עתידיות.

לצורך הערכה, תחזיות במועדים מסוימים מושוות לגישות למידת מכונה ולמודל ARMA מסורתי. התוצאות המדווחות מצביעות על דיוק חיזוי טוב ועל תחזיות כיוון חזקות יותר בנקודות זמן קבועות בשיטות המבוססות על FPCA. התיאור אינו מציין את המודלים המתחרים, תקופות הערכה או מדדים, ואינו דן בעלויות עסקה. לכן הראיות נוגעות לביצועי החיזוי, ולא לרווחיות של אסטרטגיית מסחר.

רעיונות מרכזיים

• FPCA מתגלגל משמש לחיזוי פונקציות של תשואות ביטקוין תוך־יומיות.
• מודל גורמים דינמי של Karhunen–Loève מקשר בין ניתוח פונקציונלי לניתוח בדיד בזמן.
• מידול הטרוסקדסטיות מותנית משפר תחזיות אינטרווליות במחקר המדווח.
• ההערכה משווה בין התחזיות המבוססות על נתונים שנדגמו מדי שעה ובמרווחים של 15 דקות לבין תחזיות משיטות למידת מכונה ומשיטות ARMA.
• שיטות FPCA מציגות ביצועים טובים בדיוק ובתחזיות כיוון, אך התיאור אינו בוחן רווחיות.

תגיות

# 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.

מוצג במלואו בציון המקור ובהתאם לרישיון שלו. רישיון: abstract CC0

הסיכום נכתב בידי סוכן המחקר של Stratmill על סמך המקור; הוא אינו העתק של המקור.