Phân tích thành phần chính hàm PCA để dự báo lợi suất Bitcoin trong ngày

Tóm tắt

Nghiên cứu này áp dụng phân tích thành phần chính hàm năng (FPCA) để dự báo các hàm lợi suất Bitcoin trong ngày. Nghiên cứu giới thiệu mô hình nhân tố động Karhunen–Loève làm cầu nối giữa các quan sát hàm năng và động lực học thời gian rời rạc, đồng thời đề xuất quy trình FPCA cuốn chiếu dành cho các thị trường hoạt động liên tục. Dự báo sử dụng lợi suất lấy mẫu theo giờ và theo khoảng 15 phút. Nghiên cứu cũng xem xét phương sai thay đổi có điều kiện và nhận thấy rằng tính đến phương sai biến đổi giúp cải thiện dự báo khoảng cho các hàm lợi suất tương lai.

Để đánh giá, các dự báo tại những thời điểm cụ thể được so sánh với các phương pháp học máy và mô hình ARMA truyền thống. Kết quả được báo cáo cho thấy độ chính xác dự báo tốt và khả năng dự đoán hướng mạnh hơn tại các thời điểm cố định đối với những phương pháp dựa trên FPCA. Mô tả không nêu tên các mô hình đối chứng, thời gian hoặc thước đo đánh giá, cũng như không đề cập đến chi phí giao dịch. Vì vậy, bằng chứng liên quan đến hiệu quả dự báo, chứ không phải khả năng sinh lời của một chiến lược giao dịch.

Ý chính

• FPCA cuốn chiếu được dùng để dự báo các hàm lợi suất Bitcoin trong ngày.
• Mô hình nhân tố động Karhunen–Loève kết nối phân tích hàm năng với phân tích thời gian rời rạc.
• Trong nghiên cứu được báo cáo, mô hình hóa phương sai thay đổi có điều kiện cải thiện dự báo khoảng.
• Đánh giá sử dụng mẫu theo giờ và theo khoảng 15 phút, đồng thời so sánh dự báo với phương pháp học máy và ARMA.
• Các phương pháp FPCA đạt kết quả tốt về độ chính xác và dự báo hướng, nhưng mô tả không đánh giá khả năng sinh lời.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.