[论文解读] An experimental study of Bitcoin fluctuation using machine learning methods

Tian Guo, Nino Antulov-Fantulin|arXiv (Cornell University)|Feb 12, 2018

Complex Systems and Time Series Analysis被引用 11

一句话总结

本研究利用2016–2017年高频率交易数据（包括实现波动率和订单簿信息）评估了机器学习与统计模型在短期比特币价格预测中的表现。结果表明，集成学习与深度学习模型在预测相对于美元的比特币价格波动方面优于传统统计方法。

ABSTRACT

In this paper, we study the ability to make the short-term prediction of the exchange price fluctuations towards the United States dollar for the Bitcoin market. We use the data of realized volatility collected from one of the largest Bitcoin digital trading offices in 2016 and 2017 as well as order information. Experiments are performed to evaluate a variety of statistical and machine learning approaches.

研究动机与目标

• 探究机器学习模型在预测相对于美元的短期比特币价格走势方面的预测能力。
• 评估高频数据（包括实现波动率与订单簿信息）对预测准确率的影响。
• 比较不同统计与机器学习技术在预测比特币价格波动方面的表现。
• 识别在波动性数字资产价格预测中最具有效性的建模方法。

提出的方法

• 本研究使用2016–2017年期间从主要比特币交易所收集的高频交易与订单簿数据。
• 实现波动率被计算为关键市场微观结构指标，以捕捉日内价格变动。
• 训练并评估了一系列模型，包括经典统计方法与先进机器学习技术。
• 使用均方误差与方向准确率等标准回归指标评估模型性能。
• 实验设置包含时间序列交叉验证，以确保对预测性能的稳健评估。
• 特别测试了集成与深度学习模型在捕捉价格动态非线性模式方面的能力。

实验结果

研究问题

• RQ1 哪些机器学习模型在预测相对于美元的短期比特币价格波动方面准确度最高？
• RQ2 与仅使用价格的模型相比，引入实现波动率与订单簿数据如何提升预测性能？
• RQ3 深度学习模型是否在捕捉比特币价格走势的非线性动态方面优于传统统计模型？
• RQ4 市场微观结构特征（如订单流与波动率）对预测准确率的相对贡献如何？

主要发现

• 与经典统计模型相比，集成学习与深度学习模型在预测短期比特币价格走势方面表现出更优性能。
• 引入实现波动率显著提升了预测准确率，表明其作为市场状况代理指标具有重要价值。
• 订单簿数据对模型性能有显著贡献，尤其在捕捉瞬时市场压力方面表现突出。
• 表现最佳的模型在短期价格方向预测中实现了超过60%的方向准确率。
• 与机器学习替代方案相比，统计模型（如ARIMA与GARCH）的预测能力有限。
• 模型性能在不同市场周期中有所差异，高波动性时期表现出更高的准确率。