آرڈر فلو کی تصاویر سے بٹ کوائن کے اتار چڑھاؤ کی پیش گوئی

مضمون arXiv papers · مصنف: Artem Lensky et al.

خلاصہ

یہ مقالہ آرڈر فلو ڈیٹا کے اسنیپ شاٹس کو تصاویر میں بدل کر بٹ کوائن کے قلیل مدتی حقیقی اتار چڑھاؤ کی پیش گوئی کرتا ہے۔ ٹریڈ کے حجم، سمت اور لِمٹ آرڈر بک کی معلومات کو رنگ کے چینلز میں نقش کرکے تین تہوں والے کنولوشنل نیورل نیٹ ورک، ResNet-18 اور ConvMixer کو تربیت دینے کے لیے استعمال کیا جاتا ہے۔ مطالعہ ہاتھ سے بنائی گئی خصوصیات شامل کرنے کی بھی جانچ کرتا ہے، اور تصویری ماڈلز کا موازنہ GARCH، خام ڈیٹا پر تربیت یافتہ ملٹی لیئر پرسیپٹرون، اور موجودہ اتار چڑھاؤ پر مبنی سادہ پیش گوئی سے کرتا ہے۔

تجربات میں جنوری 2021 کا قیمتوں کا ڈیٹا استعمال ہوتا ہے، اور پیش گوئی کی غلطی RMSPE سے جانچی جاتی ہے۔ بیان کردہ طریقوں میں تصویری CNN کی کارکردگی بہترین ہے، اور مجموعی خصوصیات شامل کرنے پر رپورٹ کردہ غلطی کم ہوتی ہے؛ خصوصیات کے ساتھ ConvMixer اس کے قریب ہے۔ موجودہ اتار چڑھاؤ پر مبنی سادہ پیش گوئی کی رپورٹ کردہ غلطی زیادہ ہے۔ نتائج اشارہ کرتے ہیں کہ تصویری نمائندگی آرڈر فلو کے پیٹرنز کو قلیل مدتی اتار چڑھاؤ کی پیش گوئی کے لیے مفید بنا سکتی ہے، لیکن شواہد صرف بٹ کوائن کے ایک مہینے کے ڈیٹا تک محدود ہیں۔ وضاحت میں توثیق کے ڈیزائن یا دیگر ادوار اور مارکیٹوں کی کارکردگی کی تفصیل نہیں۔

اہم خیالات

آرڈر فلو کے اسنیپ شاٹس ٹریڈ کے حجم، سمت اور آرڈر بک کی معلومات کو تصویری چینلز میں یکجا کرتے ہیں۔
CNN، ResNet-18 اور ConvMixer ماڈلز کو ہاتھ سے بنائی گئی خصوصیات کے ساتھ اور ان کے بغیر جانچا گیا۔
رپورٹ کردہ CNN پیش گوئیاں درج شدہ GARCH، خام ڈیٹا والے MLP اور سادہ تقابلی طریقوں سے بہتر ہیں۔
مجموعی خصوصیات شامل کرنے سے رپورٹ کردہ CNN نتیجہ بہتر ہوتا ہے۔
شواہد جنوری 2021 کے بٹ کوائن ڈیٹا تک محدود ہیں۔

ٹیگز

کرپٹو اتار چڑھاؤ مشین لرننگ مارکیٹ مائیکرو اسٹرکچر بیک ٹیسٹنگ

مکمل متن

# 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.

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۔