Проверка моделей потока заявок Bitcoin на данных рыночного пузыря

Сводка

В статье предлагается глубокая рекуррентная модель, которая использует поток заявок на бирже для моделирования направления движения цены с высокой частотой. Поток заявок описывается как последовательность поступающих заявок, участвующих в формировании цены. Основной вопрос — сохраняет ли модель, обученная в одном рыночном режиме, полезность при существенном изменении условий.

Чтобы оценить временную устойчивость, авторы обучают модель на данных до пузыря Bitcoin 2017 и проверяют её во время этого периода и после него без повторного обучения. Они сообщают, что модель сохраняет стабильность в период высокой волатильности пузыря, и сравнивают её с существующими подходами глубокого обучения к формированию цены. В описании не указаны источник данных, точная цель прогнозирования, метрики оценки или результаты сравнения с эталонами. Поэтому оно поддерживает заявление об устойчивости в представленном эксперименте, но оставляет открытым вопрос о применимости вывода к другим активам, площадкам и рыночным режимам.

Ключевые идеи

• Предложенная глубокая рекуррентная модель использует поток заявок на бирже для моделирования высокочастотных направленных изменений цены.
• Модель обучается на данных Bitcoin до пузыря и тестируется во время пузыря 2017 и после него.
• Модель оценивается без повторного обучения в более волатильный период.
• Авторы сообщают о временной устойчивости и сравнивают модель с существующими подходами глубокого обучения.
• В имеющемся описании нет метрик и сведений о данных, необходимых для оценки более широкой применимости результатов.

Теги

# 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.

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.