Vorhersage der kurzfristigen Volatilität mit Hilfe der Darstellung des Orderflows als Bild

แนวคิดหลัก

Die Studie untersucht, ob eine relativ einfache Convolutional Neural Network (CNN) Architektur in der Lage ist, Ereignisse im Orderflow zu erfassen und daraus die kurzfristige Preisvolatilität vorherzusagen. Dabei wird die Leistung des CNN-Modells mit fortschrittlicheren Modellen wie ConvMixer und ResNet18 verglichen.

บทคัดย่อ

Die Studie befasst sich mit der Herausforderung, die kurzfristige realisierte Volatilität des Bitcoin-Preises unter Verwendung von Orderflow-Informationen vorherzusagen. Die inhärente stochastische Natur und Antipersistenz der Preise erschweren eine genaue Vorhersage.
Um dies anzugehen, schlagen die Autoren eine Methode vor, die Orderflow-Daten über ein festes Zeitintervall (Schnappschüsse) in Bilder umwandelt. Der Orderflow umfasst Handelsgröße, Handelsrichtung und Limit-Order-Buch und wird in Farbkanäle abgebildet. Diese Bilder werden dann verwendet, um sowohl ein einfaches 3-schichtiges Convolutional Neural Network (CNN) als auch fortschrittlichere ResNet-18- und ConvMixer-Modelle zu trainieren, wobei zusätzlich handgefertigte Merkmale hinzugefügt werden.
Die Experimente werden unter Verwendung von Preisdaten aus dem Januar 2021 durchgeführt und die Modellleistung in Bezug auf den Root Mean Square Percentage Error (RMSPE) bewertet. Die Ergebnisse zeigen, dass die Darstellung des Orderflows mit einem CNN als Vorhersagemodell die beste Leistung erzielt, mit einem RMSPE von 0,85 ± 1,1 für das Modell mit aggregierten Merkmalen und 1,0 ± 1,4 für das Modell ohne Merkmalssupplementierung. ConvMixer mit Merkmalssupplementierung folgt knapp dahinter. Zum Vergleich betrug der RMSPE für die naive Schätzmethode 1,4 ± 3,0.

สถิติ

Die Realisierte Volatilität RV wird berechnet als RV =
√
Rt+τ, wobei Rt+τ =
Pn
i=0 r2
τi,τi+1 ist und rt,τ = P(t + τ) − P(t) den logarithmischen Renditen entspricht.
Die Limit Order Book (LOB) Informationen und die Time & Sales (T&S) Daten werden verwendet, um den Orderflow darzustellen.

คำพูด

"Eine genaue Vorhersage der zukünftigen Volatilität wird Händlern helfen, potenzielle Risiken und Chancen in der Zukunft zu antizipieren."
"Die Motivation für diese Arbeit stammt von diskretionären Händlern, die Intraday-Handelstrategien (Scalping-Strategien) einsetzen. Diese Klasse von Händlern verlässt sich auf den Orderflow, um Unterstützungs- und Widerstandsniveaus, die Handelshäufigkeit und die Größenverteilung zu identifizieren, um Trendwenden und Ausbrüche zu erkennen."

ข้อมูลเชิงลึกที่สำคัญจาก

Learning to Predict Short-Term Volatility with Order Flow Image Representation

by Artem Lensky... ที่ arxiv.org 03-21-2024

https://arxiv.org/pdf/2304.02472.pdf

สอบถามเพิ่มเติม

Wie könnte man die Darstellung des Orderflows weiter verbessern, um die Vorhersagegenauigkeit zu erhöhen?

Um die Darstellung des Orderflows weiter zu verbessern und die Vorhersagegenauigkeit zu erhöhen, könnten verschiedene Ansätze verfolgt werden. Eine Möglichkeit wäre die Feinabstimmung der Parameter für die Bildcodierung, wie z.B. die Auswahl des optimalen Wertebereichs und der Pixelauflösung. Durch Experimente mit verschiedenen Wertebereichen und Pixelgrößen könnte die Darstellung verfeinert werden, um mehr relevante Informationen zu erfassen.
Ein weiterer Ansatz wäre die Integration von zusätzlichen Datenquellen oder die Erweiterung der Merkmalsdarstellung in den Bildern. Dies könnte beispielsweise die Einbeziehung von externen Indikatoren oder die Hinzufügung von weiteren Farbkanälen in den Bildern sein, um mehr Einblicke in den Orderflow zu gewinnen. Durch die Erweiterung der Merkmalsdarstellung könnte die Modellleistung verbessert werden, da mehr relevante Informationen für die Vorhersage verfügbar wären.

Welche Auswirkungen hätte eine Berücksichtigung der Zeitkorrelation zwischen aufeinanderfolgenden Orderflow-Bildern auf die Modellleistung?

Die Berücksichtigung der Zeitkorrelation zwischen aufeinanderfolgenden Orderflow-Bildern könnte sich positiv auf die Modellleistung auswirken, da dies dazu beitragen würde, die zeitlichen Abhängigkeiten im Orderflow besser zu erfassen. Durch die Einbeziehung der Zeitkorrelation könnten die Modelle besser in der Lage sein, Muster und Trends im Orderflow zu erkennen, die für die Vorhersage der Volatilität relevant sind.
Durch die Zeitkorrelation könnten die Modelle auch lernen, wie sich bestimmte Ereignisse oder Handelsaktivitäten im Orderflow im Laufe der Zeit entwickeln. Dies könnte dazu beitragen, präzisere Vorhersagen über zukünftige Volatilitäten zu treffen, da die Modelle ein besseres Verständnis für die zeitliche Dynamik des Orderflows entwickeln würden.

Wie könnte man die vorgestellte Methodik auf andere Vermögenswerte oder Märkte übertragen, um die Verallgemeinerbarkeit zu untersuchen?

Um die vorgestellte Methodik auf andere Vermögenswerte oder Märkte zu übertragen und die Verallgemeinerbarkeit zu untersuchen, müssten zunächst die spezifischen Merkmale und Eigenschaften dieser Vermögenswerte berücksichtigt werden. Es wäre wichtig, die Datenquellen und Merkmale anzupassen, um den Orderflow dieser Vermögenswerte angemessen darzustellen.
Darüber hinaus könnte die Methodik durch die Anpassung der Bildcodierung und Modellarchitektur an die spezifischen Anforderungen anderer Märkte optimiert werden. Dies könnte die Berücksichtigung von zusätzlichen Informationen oder die Anpassung der Bildauflösung und Farbkanäle umfassen, um die Darstellung des Orderflows zu verbessern.
Durch die Anwendung der Methodik auf verschiedene Vermögenswerte und Märkte und die Evaluierung der Modellleistung könnte die Verallgemeinerbarkeit der vorgestellten Ansätze überprüft werden, um festzustellen, ob sie auch auf andere Finanzinstrumente oder Handelsumgebungen anwendbar sind.