본문으로 건너뛰기
라이브러리 문서 전체

시장 거품 시기 비트코인 주문 흐름 순환 모형 검증

기사 arXiv papers · 저자: Ye-Sheen Lim et al.
원문 읽기

요약

이 논문은 거래소 주문 흐름을 활용해 고빈도 방향성 가격 움직임을 모델링하는 딥 순환 모형을 제안합니다. 주문 흐름은 가격 형성에 기여하는 유입 주문의 연속으로 설명합니다. 핵심 질문은 한 시장 국면에서 학습한 모형이 상황이 크게 바뀐 뒤에도 유용한지 여부입니다.

시간에 따른 안정성을 평가하기 위해 저자들은 2017 비트코인 거품 이전 데이터로 모형을 학습하고, 재학습 없이 거품 시기와 그 이후에 테스트합니다. 변동성이 매우 컸던 거품 시기에도 모형이 안정적으로 유지됐다고 보고하며, 가격 형성에 관한 기존 딥러닝 접근법과 비교합니다. 제공된 설명에는 데이터 출처, 구체적인 예측 대상, 평가 지표, 벤치마크 결과가 명시되지 않습니다. 따라서 보고된 실험에서 안정적이었다는 주장을 뒷받침하지만, 다른 자산이나 거래소, 시장 국면에도 얼마나 일반화되는지는 알 수 없습니다.

핵심 아이디어

  • 제안된 딥 순환 모형은 거래소 주문 흐름으로 고빈도 방향성 가격 변화를 모델링합니다.
  • 실험은 거품 이전 비트코인 데이터로 학습하고 2017 거품 시기와 이후에 테스트합니다.
  • 더 변동성이 큰 기간에도 재학습 없이 모형을 평가합니다.
  • 저자들은 시간에 따른 안정성을 보고하고 기존 딥러닝 접근법과 모형을 비교합니다.
  • 제공된 설명에는 더 넓은 일반화 가능성을 판단할 지표와 데이터 세부 정보가 없습니다.

태그

가상자산머신러닝고빈도 매매시장 미시구조통계
전문
# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.