論文の概要: Hawkes-based cryptocurrency forecasting via Limit Order Book data

• arxiv url: http://arxiv.org/abs/2312.16190v1
• Date: Thu, 21 Dec 2023 16:31:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 13:05:31.117324
• Title: Hawkes-based cryptocurrency forecasting via Limit Order Book data
• Title（参考訳）: リミット・オーダーブックのデータによるホークスの暗号通貨予測
• Authors: Raffaele Giuseppe Cestari, Filippo Barchi, Riccardo Busetto, Daniele Marazzina, Simone Formentin
• Abstract要約: 本稿では,ホークスモデルに根ざしたリミットオーダーブック(LOB)データを用いた新しい予測アルゴリズムを提案する。 我々の手法は、将来の金融相互作用の予測を活用することで、返却サインの正確な予測を提供する。 提案手法の有効性は,50シナリオにわたるモンテカルロシミュレーションを用いて検証した。
• 参考スコア（独自算出の注目度）: 1.6236898718152877
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately forecasting the direction of financial returns poses a formidable challenge, given the inherent unpredictability of financial time series. The task becomes even more arduous when applied to cryptocurrency returns, given the chaotic and intricately complex nature of crypto markets. In this study, we present a novel prediction algorithm using limit order book (LOB) data rooted in the Hawkes model, a category of point processes. Coupled with a continuous output error (COE) model, our approach offers a precise forecast of return signs by leveraging predictions of future financial interactions. Capitalizing on the non-uniformly sampled structure of the original time series, our strategy surpasses benchmark models in both prediction accuracy and cumulative profit when implemented in a trading environment. The efficacy of our approach is validated through Monte Carlo simulations across 50 scenarios. The research draws on LOB measurements from a centralized cryptocurrency exchange where the stablecoin Tether is exchanged against the U.S. dollar.
• Abstract（参考訳）: 金融リターンの方向性を正確に予測することは、金融時系列の本質的な予測不可能性を考えると、恐ろしい課題となる。 暗号市場のカオス的かつ複雑な性質を考えると、暗号通貨のリターンに適用した場合、このタスクはさらに困難になる。 本研究では,点過程のカテゴリであるホークスモデルに根ざしたリミットオーダーブック(LOB)データを用いた新しい予測アルゴリズムを提案する。 提案手法は, 連続出力誤差(COE)モデルと組み合わせて, 将来の金融相互作用の予測を利用して, 戻り信号の正確な予測を行う。 当初の時系列の非一様サンプル構造から得られた戦略は,取引環境における予測精度と累積利益の両方でベンチマークモデルを上回った。 本手法の有効性は,50シナリオにわたるモンテカルロシミュレーションにより検証した。 この研究は、stablecoinのテザーを米国ドルと交換する集中型暗号通貨取引所からのlob測定に基づいている。

関連論文リスト

• Quantifying Cryptocurrency Unpredictability: A Comprehensive Study of Complexity and Forecasting [3.724847012963521]
  我々は、Litecoin、Coin、Bitcoin、USDの為替レートに着目した暗号通貨の時系列予測タスクについて検討する。 その結果、暗号通貨の時系列はブラウンノイズによく似た特徴を示すことが明らかとなった。 時系列予測への幅広い統計、機械学習、ディープラーニングモデルの応用は、暗号通貨の予測可能性の低さを示している。
  論文  参考訳（メタデータ） (2025-02-13T08:53:13Z)
• CryptoMamba: Leveraging State Space Models for Accurate Bitcoin Price Prediction [28.15955243872829]
  本稿では,マンバをベースとした新しいステートスペースモデル(SSM)アーキテクチャであるCryptoMambaを提案する。 我々の実験は、CryptoMambaがより正確な予測を提供するだけでなく、異なる市場条件における一般化性も向上していることを示している。 我々の調査結果は、株式や暗号通貨の価格予測タスクにおいて、SSMにとって大きな優位性を示している。
  論文  参考訳（メタデータ） (2025-01-02T02:16:56Z)
• Explainable Post hoc Portfolio Management Financial Policy of a Deep Reinforcement Learning agent [44.99833362998488]
  我々はポートフォリオ管理のための新しい説明可能な深層強化学習(XDRL)アプローチを開発した。 方法論を実践することにより、エージェントの行動を予測する時間内に解釈し、投資政策の要件に従うかどうかを評価することができる。
  論文  参考訳（メタデータ） (2024-07-19T17:40:39Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• BIRP: Bitcoin Information Retrieval Prediction Model Based on Multimodal Pattern Matching [2.2945578854972446]
  CC情報から類似したPCの動きをランク付けする手法を提案する。 追加機能としてこれを活用することで,モデルの方向性予測能力が向上することを示す。 非常に不安定な価格のため、私たちのランク付けと方向性予測の方法論をBitcoinに適用する。
  論文  参考訳（メタデータ） (2023-08-14T07:04:23Z)
• Joint Latent Topic Discovery and Expectation Modeling for Financial Markets [45.758436505779386]
  金融市場分析のための画期的な枠組みを提示する。 このアプローチは、投資家の期待を共同でモデル化し、潜伏する株価関係を自動的に掘り下げる最初の方法だ。 私たちのモデルは年率10%を超えるリターンを継続的に達成します。
  論文  参考訳（メタデータ） (2023-06-01T01:36:51Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
  ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。 我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• Forecasting Bitcoin volatility spikes from whale transactions and CryptoQuant data using Synthesizer Transformer models [5.88864611435337]
  ボラティリティ予測のためのディープラーニング合成器変換器モデルを提案する。 以上の結果から,既存の最先端モデルよりも優れたモデルであることが示唆された。 提案手法はビットコイン市場における極端なボラティリティ(変動性)の動きを予測するための有用なツールであることを示す。
  論文  参考訳（メタデータ） (2022-10-06T05:44:29Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。