Testes de modelos recorrentes de fluxo de ordens de Bitcoin durante uma bolha de mercado

Resumo

Este artigo propõe um modelo recorrente profundo que usa o fluxo de ordens da corretora para modelar movimentos direcionais de preços em alta frequência. O fluxo de ordens é descrito como o conjunto de ordens recebidas que contribui para a formação de preços. A questão central é se um modelo treinado em um regime de mercado continua útil quando as condições mudam bastante.

Para avaliar a estabilidade temporal, os autores treinam o modelo com dados anteriores à bolha do Bitcoin de 2017 e o testam durante e após esse período, sem novo treinamento. Relatam que o modelo permanece estável durante a bolha de alta volatilidade e o comparam com abordagens existentes de aprendizado profundo para formação de preços. A descrição fornecida não especifica a fonte dos dados, o alvo exato da previsão, as métricas de avaliação nem os resultados das comparações. Portanto, sustenta uma alegação de estabilidade no experimento relatado, mas deixa em aberto até que ponto a conclusão se generaliza para outros ativos, mercados ou regimes de mercado.

Ideias principais

• O modelo recorrente profundo proposto usa o fluxo de ordens da corretora para modelar variações direcionais de preços em alta frequência.
• O experimento treina com dados do Bitcoin anteriores à bolha e testa durante e após a bolha de 2017.
• O modelo é avaliado sem novo treinamento durante o período de maior volatilidade.
• Os autores relatam estabilidade temporal e comparam o modelo com abordagens existentes de aprendizado profundo.
• A descrição disponível omite métricas e detalhes dos dados necessários para avaliar uma generalização mais ampla.

Tags

# 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.

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.