Dự báo biến động Bitcoin từ ảnh dòng lệnh

Bài viết arXiv papers · Tác giả: Artem Lensky et al.

Tóm tắt

Bài nghiên cứu dự báo biến động thực tế ngắn hạn của Bitcoin bằng cách biểu diễn các ảnh chụp nhanh dữ liệu dòng lệnh thành hình ảnh. Quy mô và hướng giao dịch cùng thông tin sổ lệnh giới hạn được ánh xạ vào các kênh màu, sau đó dùng để huấn luyện mạng nơ-ron tích chập ba lớp, ResNet-18 và ConvMixer. Nghiên cứu cũng thử bổ sung các đặc trưng được thiết kế thủ công và so sánh các mô hình dựa trên hình ảnh với GARCH, một perceptron đa lớp được huấn luyện trên dữ liệu thô, cùng dự báo ngây thơ dựa trên biến động hiện tại.

Các thử nghiệm sử dụng dữ liệu giá tháng Một 2021 và đánh giá sai số dự báo bằng RMSPE. Trong số các phương pháp được mô tả, CNN dựa trên ảnh đạt kết quả tốt nhất, với sai số được báo cáo thấp hơn khi bổ sung các đặc trưng tổng hợp; ConvMixer có đặc trưng đứng ngay sau. Dự báo ngây thơ dựa trên biến động hiện tại có sai số được báo cáo cao hơn. Các kết quả này cho thấy biểu diễn bằng ảnh có thể giúp khai thác mẫu hình dòng lệnh để dự báo biến động trong thời hạn ngắn, nhưng bằng chứng chỉ bao gồm dữ liệu Bitcoin của một tháng. Mô tả không cung cấp chi tiết về thiết kế kiểm định hoặc hiệu quả trong các giai đoạn và thị trường khác.

Ý chính

Ảnh chụp dòng lệnh kết hợp quy mô và hướng giao dịch cùng thông tin sổ lệnh thành các kênh ảnh.
Các mô hình CNN, ResNet-18 và ConvMixer được đánh giá, có và không có đặc trưng được thiết kế thủ công.
Các dự báo CNN được báo cáo là tốt hơn những phương pháp so sánh được liệt kê: GARCH, MLP dùng dữ liệu thô và phương pháp ngây thơ.
Bổ sung đặc trưng tổng hợp giúp cải thiện kết quả CNN được báo cáo.
Bằng chứng chỉ giới hạn ở dữ liệu Bitcoin tháng Một 2021.

Thẻ

Tiền mã hóa Biến động Học máy Vi cấu trúc thị trường Kiểm định quá khứ

Toàn văn

# 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.

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.