Campos potenciais bayesianos para tendências e dependências de criptomoedas

Resumo

Este artigo modela os preços de criptomoedas como trajetórias em um campo potencial não linear que varia ao longo do tempo. Ele combina inferência bayesiana com Processos Gaussianos para estimar o campo a partir de preços históricos e, em seguida, usa atratores e repulsores inferidos como indicadores das condições de mercado e das relações estruturais entre criptomoedas. A análise de estabilidade de Lyapunov é usada para sustentar a existência da função potencial proposta.

Os autores analisam períodos de queda do Bitcoin de abril de 2017 a novembro de 2021. Eles relatam que os atratores refletem a tendência, a volatilidade e a correlação do mercado, e que as dependências inferidas estão de acordo com os resultados de coerência por wavelets. A inclusão dos indicadores propostos em modelos de preços de aprendizado profundo melhora as previsões de Litecoin, com ganhos relatados que se estendem a um horizonte de 12 dias. O documento apresenta esses resultados como achados empíricos, mas a descrição fornecida não traz detalhes do desenho da amostra, resultados de referência ou evidências de desempenho além dos dados e modelos estudados. Ela não demonstra que os indicadores continuarão confiáveis em outros períodos nem que permitirão trading lucrativo após custos.

Ideias principais

• A estrutura representa o movimento dos preços de criptomoedas como uma trajetória moldada por um campo potencial não linear que varia no tempo.
• A inferência bayesiana com Processos Gaussianos estima o campo potencial a partir de preços históricos.
• Atratores e repulsores inferidos são propostos como indicadores de tendências de mercado e dependências estruturais.
• Os padrões de dependência relatados estão alinhados com a análise de coerência por wavelets.
• Os autores relatam melhora no desempenho das previsões de Litecoin quando seus indicadores são adicionados a modelos de aprendizado profundo.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.