跳至正文
返回文库全部文档

检验跨越比特币市场泡沫期的循环订单流模型

文章 arXiv papers · 作者: Ye-Sheen Lim et al.
阅读原文

总结

本文提出一种深度循环模型，利用交易所订单流对高频价格方向变动建模。订单流是指不断到达并参与价格形成的订单序列。研究的核心问题是，在一种市场状态下训练的模型，在市场条件发生重大变化后是否仍然有用。

为评估时间稳定性，作者使用 2017 年比特币泡沫前的数据训练模型，并在该时期内及之后进行测试，期间不重新训练。作者报告称，该模型在波动剧烈的泡沫时期仍保持稳定，并将其与现有的价格形成深度学习方法进行比较。所提供的描述未说明数据来源、具体预测目标、评估指标或基准结果。因此，这支持了模型在所报告实验中稳定的说法，但该发现能否广泛推广至其他资产、交易场所或市场状态仍不确定。

核心观点

  • 提出的深度循环模型利用交易所订单流，对高频价格方向变动建模。
  • 实验使用比特币泡沫前的数据训练，并在 2017 年泡沫期间及之后测试。
  • 模型在波动较大的时期内接受评估，期间未重新训练。
  • 作者报告称模型具有时间稳定性，并将其与现有深度学习方法进行比较。
  • 现有描述未提供评估指标和数据细节，无法判断其能否更广泛地推广。

标签

加密资产机器学习高频交易市场微观结构统计学
全文
# 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.

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。