跳至正文
返回文库全部文档

用于日内比特币收益预测的函数型PCA

文章 arXiv papers · 作者: Joann Jasiak et al.
阅读原文

总结

本研究应用函数型主成分分析（FPCA）预测日内比特币收益函数。研究引入卡鲁南—洛厄动态因子模型，将函数型观测与离散时间动态联系起来，并提出适用于持续运行市场的滚动FPCA方法。预测使用按小时和15分钟采样的收益。研究还考虑条件异方差，发现纳入方差变化可改善未来收益函数的区间预测。

评估时，研究将特定时点的预测与机器学习方法和传统的ARMA模型进行比较。报告结果显示，基于FPCA的方法具有良好的预测准确度，并在固定时点的方向预测方面表现更强。描述未说明对比模型的名称、评估时期或指标，也未讨论交易成本。因此，证据涉及预测表现，而非交易策略的盈利能力。

核心观点

  • 研究使用滚动FPCA预测日内比特币收益函数。
  • 卡鲁南—洛厄动态因子模型连接了函数型分析与离散时间分析。
  • 在所报告的研究中，对条件异方差建模改善了区间预测。
  • 评估使用按小时和15分钟采样的数据，并将预测与机器学习和ARMA方法比较。
  • FPCA方法在准确度和方向预测方面表现良好，但描述未评估盈利能力。

标签

加密资产统计学机器学习波动率
全文
# 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.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。