فنکشنل PCA سے انٹرا ڈے بٹ کوائن منافع کی پیش گوئی

خلاصہ

یہ مطالعہ انٹرا ڈے بٹ کوائن منافع کے فنکشنز کی پیش گوئی کے لیے فنکشنل پرنسپل کمپوننٹ تجزیہ (FPCA) استعمال کرتا ہے۔ یہ فنکشنل مشاہدات اور ڈسکریٹ ٹائم حرکیات کے درمیان ربط کے طور پر Karhunen–Loève ڈائنامک فیکٹر ماڈل پیش کرتا ہے، اور مسلسل چلنے والی مارکیٹوں کے لیے رولنگ FPCA طریقۂ کار تجویز کرتا ہے۔ پیش گوئیوں میں فی گھنٹہ اور ہر 15 منٹ کے وقفے پر نمونے لیے گئے منافع استعمال ہوتے ہیں۔ مطالعہ مشروط غیر ہم واری بھی دیکھتا ہے اور بتاتا ہے کہ بدلتے تغیر کو ملحوظ رکھنے سے مستقبل کے منافع فنکشنز کی وقفہ جاتی پیش گوئیاں بہتر ہوتی ہیں۔

جانچ میں مخصوص اوقات کی پیش گوئیوں کا مشینی سیکھنے کے طریقوں اور روایتی ARMA ماڈل سے موازنہ کیا گیا ہے۔ رپورٹ شدہ نتائج FPCA پر مبنی طریقوں کے لیے مقررہ اوقات پر اچھی پیش گوئی کی درستگی اور مضبوط سمتی پیش گوئی ظاہر کرتے ہیں۔ وضاحت مقابل ماڈلز کے نام، جانچ کے ادوار یا پیمانے نہیں بتاتی اور نہ ہی لین دین کی لاگت پر بات کرتی ہے۔ لہٰذا شواہد پیش گوئی کی کارکردگی سے متعلق ہیں، ٹریڈنگ اسٹریٹیجی کے منافع سے نہیں۔

اہم خیالات

• انٹرا ڈے بٹ کوائن منافع کے فنکشنز کی پیش گوئی کے لیے رولنگ FPCA استعمال کیا گیا ہے۔
• Karhunen–Loève ڈائنامک فیکٹر ماڈل فنکشنل اور ڈسکریٹ ٹائم تجزیے کو جوڑتا ہے۔
• رپورٹ کردہ مطالعے کے مطابق مشروط غیر ہم واری کی ماڈلنگ سے وقفہ جاتی پیش گوئیاں بہتر ہوتی ہیں۔
• جانچ میں فی گھنٹہ اور ہر 15 منٹ کے وقفے پر لیے گئے نمونوں سے تیار پیش گوئیوں کا مشینی سیکھنے کے طریقوں اور ARMA طریقوں سے موازنہ کیا گیا۔
• وضاحت کے مطابق FPCA طریقے درستگی اور سمتی پیش گوئی میں اچھی کارکردگی دکھاتے ہیں، مگر منافع کا جائزہ نہیں لیا گیا۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔