PCA funcional para previsão de retornos intradiários do Bitcoin

Resumo

Este estudo aplica análise de componentes principais funcional (FPCA) para prever funções de retorno intradiário do Bitcoin. Apresenta um modelo de fatores dinâmicos de Karhunen–Loève como elo entre observações funcionais e dinâmicas em tempo discreto, e propõe um procedimento de FPCA móvel voltado a mercados em operação contínua. As previsões usam retornos amostrados em intervalos de uma hora e de 15 minutos. O estudo também considera a heterocedasticidade condicional e constata que levar em conta a variância variável melhora as previsões intervalares de funções de retorno futuras.

Na avaliação, previsões feitas em horários específicos são comparadas com abordagens de aprendizado de máquina e um modelo ARMA tradicional. Os resultados relatados indicam boa precisão das previsões e melhor previsão direcional em horários fixos para os métodos baseados em FPCA. A descrição não identifica os modelos concorrentes, não especifica períodos ou métricas de avaliação nem discute custos de transação. Portanto, as evidências dizem respeito ao desempenho das previsões, não à rentabilidade de uma estratégia de trading.

Ideias principais

• FPCA móvel é usada para prever funções dos retornos intradiários do Bitcoin.
• Um modelo de fatores dinâmicos de Karhunen–Loève conecta a análise funcional à análise em tempo discreto.
• No estudo relatado, modelar a heterocedasticidade condicional melhora as previsões intervalares.
• A avaliação usa amostras horárias e de 15 minutos e compara previsões com métodos de aprendizado de máquina e ARMA.
• Os métodos FPCA apresentam bons resultados de precisão e previsão direcional, mas a descrição não avalia a rentabilidade.

Tags

# 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.

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.