コンテンツへスキップ
ライブラリの全資料

暗号資産のトレンドと依存関係を捉えるベイズ型ポテンシャル場

記事 arXiv papers · 著者: Anoop C et al.
原文を読む

サマリー

この論文では、暗号資産価格を、時間とともに変化する非線形ポテンシャル場の中の軌道としてモデル化しています。ベイズ推論とガウス過程を組み合わせて過去の価格から場を推定し、推定したアトラクターとリペラーを市場環境や暗号資産間の構造的関係を示す指標として使います。提案するポテンシャル関数の存在を裏付けるため、リアプノフ安定性解析を用いています。

著者らは、April 2017からNovember 2021までのビットコイン急落局面を分析しています。アトラクターは市場トレンド、ボラティリティ、相関を反映し、推定された依存関係はウェーブレットコヒーレンスの結果と一致すると報告しています。提案指標を深層学習の価格モデルに加えると、ライトコインの予測が改善し、その改善は最大12日先まで及ぶと報告されています。これらは実証結果として示されていますが、提示された説明には詳細なサンプル設計、ベンチマーク結果、対象データやモデルを超える成績の証拠がありません。別の期間でも指標の信頼性が続くことや、コスト控除後に収益性の高い取引を支えることは示されていません。

主なアイデア

  • この枠組みでは、暗号資産価格の動きを、時間変化する非線形ポテンシャル場が形作る軌道として表します。
  • ベイズ推論とガウス過程を用いて、過去の価格からポテンシャル場を推定します。
  • 推定されたアトラクターとリペラーを、市場トレンドや構造的依存関係の指標として提案しています。
  • 報告された依存パターンは、ウェーブレットコヒーレンス分析と一致します。
  • 著者らは、提案指標を深層学習モデルに加えるとライトコインの予測成績が改善すると報告しています。

タグ

暗号資産統計機械学習ボラティリティテクニカル指標
全文
# 2308.01013


# Bayesian framework for characterizing cryptocurrency market dynamics, structural dependency, and volatility using potential field









Identifying the structural dependence between the cryptocurrencies and predicting market trend are fundamental for effective portfolio management in cryptocurrency trading. In this paper, we present a unified Bayesian framework based on potential field theory and Gaussian Process to characterize the structural dependency of various cryptocurrencies, using historic price information. The following are our significant contributions: (i) Proposed a novel model for cryptocurrency price movements as a trajectory of a dynamical system governed by a time-varying non-linear potential field. (ii) Validated the existence of the non-linear potential function in cryptocurrency market through Lyapunov stability analysis. (iii) Developed a Bayesian framework for inferring the non-linear potential function from observed cryptocurrency prices. (iv) Proposed that attractors and repellers inferred from the potential field are reliable cryptocurrency market indicators, surpassing existing attributes, such as, mean, open price or close price of an observation window, in the literature. (v) Analysis of cryptocurrency market during various Bitcoin crash durations from April 2017 to November 2021, shows that attractors captured the market trend, volatility, and correlation. In addition, attractors aids explainability and visualization. (vi) The structural dependence inferred by the proposed approach was found to be consistent with results obtained using the popular wavelet coherence approach. (vii) The proposed market indicators (attractors and repellers) can be used to improve the prediction performance of state-of-art deep learning price prediction models. As, an example, we show improvement in Litecoin price prediction up to a horizon of 12 days.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。