Kiểm định mô hình luồng lệnh Bitcoin hồi quy qua một bong bóng thị trường

Tóm tắt

Bài nghiên cứu đề xuất mô hình hồi tiếp sâu sử dụng luồng lệnh trên sàn để mô hình hóa biến động giá theo hướng ở tần suất cao. Luồng lệnh được mô tả là dòng lệnh đến góp phần hình thành giá. Câu hỏi trọng tâm là liệu mô hình được huấn luyện trong một chế độ thị trường có còn hữu ích khi điều kiện thay đổi đáng kể hay không.

Để đánh giá độ ổn định theo thời gian, các tác giả huấn luyện mô hình trên dữ liệu trước bong bóng Bitcoin 2017, rồi kiểm định trong và sau giai đoạn đó mà không huấn luyện lại. Họ báo cáo rằng mô hình duy trì ổn định trong suốt giai đoạn bong bóng biến động mạnh và so sánh mô hình với các phương pháp học sâu hiện có về hình thành giá. Phần mô tả được cung cấp không nêu nguồn dữ liệu, mục tiêu dự báo chính xác, chỉ số đánh giá hay kết quả so sánh chuẩn. Vì vậy, phần này hỗ trợ tuyên bố về độ ổn định trong thí nghiệm được báo cáo, nhưng chưa cho biết phát hiện đó khái quát rộng đến đâu sang tài sản, địa điểm giao dịch hay chế độ thị trường khác.

Ý chính

• Mô hình hồi tiếp sâu được đề xuất sử dụng luồng lệnh trên sàn để mô hình hóa biến động giá theo hướng ở tần suất cao.
• Thí nghiệm huấn luyện bằng dữ liệu Bitcoin trước bong bóng và kiểm định trong, sau bong bóng 2017.
• Mô hình được đánh giá mà không huấn luyện lại trong giai đoạn biến động mạnh hơn.
• Các tác giả báo cáo độ ổn định theo thời gian và so sánh mô hình với các phương pháp học sâu hiện có.
• Phần mô tả hiện có thiếu chỉ số và chi tiết dữ liệu cần thiết để đánh giá khả năng khái quát rộng hơn.

Thẻ

# 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.

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.