Байесовские потенциальные поля для трендов и зависимостей криптовалют

Сводка

В статье цены криптовалют моделируются как траектории в меняющемся нелинейном потенциальном поле. Байесовский вывод сочетается с гауссовскими процессами для оценки поля по историческим ценам; затем выведенные аттракторы и репеллеры используются как индикаторы рыночных условий и структурных связей между криптовалютами. Анализ устойчивости по Ляпунову служит обоснованием существования предложенной функции потенциала.

Авторы анализируют периоды обвала биткоина с апреля 2017 по ноябрь 2021. По их данным, аттракторы отражают рыночный тренд, волатильность и корреляцию, а выведенные зависимости согласуются с результатами вейвлет-когерентности. Добавление предложенных индикаторов к моделям цены на основе глубокого обучения улучшает прогнозы для Litecoin; заявленные улучшения сохраняются на горизонте до 12 дней. В документе это представлено как эмпирические результаты, однако в предоставленном описании нет подробностей о дизайне выборки, эталонных результатах или свидетельств эффективности за пределами изученных данных и моделей. Оно не доказывает, что индикаторы останутся надежными в другие периоды или позволят прибыльно торговать после учета издержек.

Ключевые идеи

• В этой модели цены криптовалют представляются как траектории, формируемые меняющимся во времени нелинейным потенциальным полем.
• Байесовский вывод и гауссовские процессы используются для оценки потенциального поля по историческим ценам.
• Выведенные аттракторы и репеллеры предлагаются как индикаторы рыночных трендов и структурных зависимостей.
• Заявленные закономерности зависимостей согласуются с анализом вейвлет-когерентности.
• Авторы сообщают об улучшении прогнозов Litecoin при добавлении их индикаторов к моделям глубокого обучения.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.