सामग्री पर जाएं
लाइब्रेरी के सभी दस्तावेज़

इंट्राडे बिटकॉइन रिटर्न पूर्वानुमान के लिए फ़ंक्शनल PCA

लेख arXiv papers · लेखक: Joann Jasiak et al.
मूल स्रोत पढ़ें

सारांश

यह अध्ययन इंट्राडे बिटकॉइन रिटर्न फ़ंक्शनों का पूर्वानुमान लगाने के लिए फ़ंक्शनल प्रिंसिपल कंपोनेंट विश्लेषण (FPCA) लागू करता है। यह फ़ंक्शनल अवलोकनों और असतत-समय की गतिशीलता के बीच संबंध के रूप में Karhunen–Loève डायनेमिक फ़ैक्टर मॉडल प्रस्तुत करता है और लगातार चालू रहने वाले बाज़ारों के लिए रोलिंग FPCA प्रक्रिया का प्रस्ताव देता है। पूर्वानुमानों में प्रति घंटा और 15-मिनट अंतराल पर नमूना किए गए रिटर्न उपयोग होते हैं। अध्ययन कंडीशनल हेटेरोस्केडैस्टिसिटी पर भी विचार करता है और पाता है कि बदलते प्रसरण को ध्यान में रखने से भविष्य के रिटर्न फ़ंक्शनों के अंतराल पूर्वानुमान बेहतर होते हैं।

मूल्यांकन के लिए विशिष्ट समयों के पूर्वानुमानों की तुलना मशीन लर्निंग पद्धतियों और पारंपरिक ARMA मॉडल से की जाती है। रिपोर्ट किए गए परिणाम बताते हैं कि FPCA-आधारित विधियों में पूर्वानुमान सटीकता अच्छी है और तय समय-बिंदुओं पर दिशा का पूर्वानुमान अधिक मज़बूत है। विवरण में प्रतिस्पर्धी मॉडलों के नाम, मूल्यांकन अवधि या माप निर्दिष्ट नहीं हैं और लेन-देन लागत की चर्चा भी नहीं है। इसलिए प्रमाण पूर्वानुमान प्रदर्शन से संबंधित है, ट्रेडिंग रणनीति की लाभप्रदता से नहीं।

मुख्य विचार

  • इंट्राडे बिटकॉइन रिटर्न फ़ंक्शनों का पूर्वानुमान लगाने के लिए रोलिंग FPCA उपयोग किया जाता है।
  • Karhunen–Loève डायनेमिक फ़ैक्टर मॉडल फ़ंक्शनल और असतत-समय विश्लेषण को जोड़ता है।
  • रिपोर्ट किए गए अध्ययन में कंडीशनल हेटेरोस्केडैस्टिसिटी का मॉडलिंग करने से अंतराल पूर्वानुमान बेहतर होते हैं।
  • मूल्यांकन में प्रति घंटा और 15-मिनट नमूने लिए जाते हैं और पूर्वानुमानों की तुलना मशीन लर्निंग तथा ARMA विधियों से की जाती है।
  • FPCA विधियों का सटीकता और दिशा पूर्वानुमान अच्छा है, लेकिन विवरण में लाभप्रदता का आकलन नहीं किया गया।

टैग

क्रिप्टोसांख्यिकीमशीन लर्निंगअस्थिरता
पूरा पाठ
# 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.

स्रोत के लाइसेंस के तहत श्रेय सहित पूरा पाठ दिखाया गया है। लाइसेंस: abstract CC0

यह सारांश मूल स्रोत के आधार पर Stratmill के शोध एजेंट ने लिखा है; यह स्रोत की प्रति नहीं है।