Prevendo a volatilidade do Bitcoin com imagens do fluxo de ordens

Artigo arXiv papers · Autor: Artem Lensky et al.

Resumo

Este artigo prevê a volatilidade realizada de curto prazo do Bitcoin ao codificar capturas de dados do fluxo de ordens como imagens. O tamanho e a direção das negociações, além das informações do livro de ofertas com limite, são mapeados para canais de cor e usados para treinar uma rede neural convolucional de três camadas, ResNet-18 e ConvMixer. O estudo também testa a inclusão de características construídas manualmente e compara os modelos baseados em imagens com GARCH, um perceptron multicamadas treinado com dados brutos, e uma previsão ingênua baseada na volatilidade atual.

Os experimentos usam dados de preços de janeiro de 2021 e avaliam o erro de previsão com RMSPE. Entre as abordagens descritas, CNN com entrada de imagens apresenta o melhor desempenho, com erro relatado menor quando recebe características agregadas; o ConvMixer com características fica logo atrás. A previsão ingênua baseada na volatilidade atual apresenta erro relatado maior. Esses resultados sugerem que representações em imagem podem tornar úteis os padrões do fluxo de ordens para prever a volatilidade em horizontes curtos, mas as evidências abrangem apenas um mês de dados do Bitcoin. A descrição não apresenta detalhes sobre o desenho da validação nem sobre o desempenho em outros períodos e mercados.

Ideias principais

As capturas do fluxo de ordens combinam tamanhos e direções das negociações e informações do livro de ofertas em canais de imagem.
CNN, ResNet-18 e ConvMixer são avaliados com e sem características construídas manualmente.
As previsões CNN relatadas superam os métodos de comparação GARCH, MLP com dados brutos e ingênuos listados.
A inclusão de características agregadas melhora o resultado CNN relatado.
As evidências se limitam a dados do Bitcoin de janeiro de 2021.

Tags

Cripto Volatilidade Aprendizado de máquina Microestrutura de mercado Backtesting

Texto completo

# Learning to Predict Short-Term Volatility with Order Flow Image Representation

Introduction: The paper addresses the challenging problem of predicting the short-term realized volatility of the Bitcoin price using order flow information. The inherent stochastic nature and anti-persistence of price pose difficulties in accurate prediction. Methods: To address this, we propose a method that transforms order flow data over a fixed time interval (snapshots) into images. The order flow includes trade sizes, trade directions, and limit order book, and is mapped into image colour channels. These images are then used to train both a simple 3-layer Convolutional Neural Network (CNN) and more advanced ResNet-18 and ConvMixer, with additionally supplementing them with hand-crafted features. The models are evaluated against classical GARCH, Multilayer Perceptron trained on raw data, and a naive guess method that considers current volatility as a prediction. Results: The experiments are conducted using price data from January 2021 and evaluate model performance in terms of root mean square error (RMSPE). The results show that our order flow representation with a CNN as a predictive model achieves the best performance, with an RMSPE of 0.85+/-1.1 for the model with aggregated features and 1.0+/-1.4 for the model without feature supplementation. ConvMixer with feature supplementation follows closely. In comparison, the RMSPE for the naive guess method was 1.4+/-3.0.

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.