Функциональный анализ главных компонент (PCA) для прогнозирования внутридневной доходности Bitcoin

Сводка

В исследовании функциональный анализ главных компонент (FPCA) применяется для прогнозирования внутридневных функций доходности биткоина. Модель динамических факторов Карунена — Лоэва связывает функциональные наблюдения с динамикой дискретного времени; также предлагается скользящая процедура FPCA, рассчитанная на непрерывно работающие рынки. Прогнозы строятся по доходности с часовым и 15-минутным интервалом. Исследование также учитывает условную гетероскедастичность и показывает, что учет меняющейся дисперсии улучшает интервальные прогнозы будущих функций доходности.

При оценке прогнозы для определенных моментов времени сравниваются с методами машинного обучения и традиционной моделью ARMA. Приведенные результаты указывают на хорошую точность прогноза и более сильное предсказание направления в фиксированные моменты времени для методов на основе FPCA. В описании не названы конкурирующие модели, периоды оценки или метрики, а также не обсуждаются транзакционные издержки. Таким образом, представленные данные относятся к качеству прогнозов, а не к прибыльности торговой стратегии.

Ключевые идеи

• Скользящий FPCA используется для прогнозирования функций внутридневной доходности биткоина.
• Модель динамических факторов Карунена — Лоэва связывает функциональный анализ с анализом дискретного времени.
• Согласно исследованию, моделирование условной гетероскедастичности улучшает интервальные прогнозы.
• Оценка использует часовые и 15-минутные выборки, а прогнозы сравниваются с методами машинного обучения и ARMA.
• Методы FPCA показывают хорошие результаты по точности и прогнозированию направления, но прибыльность в описании не оценивается.

Теги

# 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.

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.