Прогноз волатильности Bitcoin по изображениям потока заявок

Сводка

В статье прогнозируется краткосрочная реализованная волатильность Bitcoin: снимки данных о потоке заявок кодируются как изображения. Размер и направление сделок, а также данные стакана лимитных заявок преобразуются в цветовые каналы, на которых обучаются трехслойная сверточная нейронная сеть, ResNet-18 и ConvMixer. В исследовании также проверяется добавление признаков, созданных вручную, а модели на основе изображений сравниваются с GARCH, многослойным перцептроном, обученным на исходных данных, и наивным прогнозом на основе текущей волатильности.

В экспериментах использованы данные о ценах за январь 2021, а ошибку прогноза оценивали с помощью RMSPE. Среди описанных подходов лучше всего показала себя основанная на изображениях CNN: при добавлении агрегированных признаков сообщаемая ошибка была ниже; ConvMixer с признаками занял близкое второе место. Наивный прогноз на основе текущей волатильности показал более высокую ошибку. Эти результаты позволяют предположить, что представление данных в виде изображений помогает использовать закономерности в потоке заявок для краткосрочного прогнозирования волатильности, однако данные охватывают только один месяц торгов биткоином. В описании нет подробностей о схеме валидации или результатах для других периодов и рынков.

Ключевые идеи

• Снимки потока заявок объединяют в каналах изображения данные о размере и направлении сделок, а также информацию из стакана заявок.
• Оцениваются модели CNN, ResNet-18 и ConvMixer — с признаками, созданными вручную, и без них.
• По результатам, прогнозы CNN превосходят перечисленные методы сравнения: GARCH, модель MLP на исходных данных и наивный прогноз.
• Добавление агрегированных признаков улучшает результат CNN согласно представленным оценкам.
• Доказательства ограничены данными Bitcoin за январь 2021.

Теги

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


# 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.

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.