[论文解读] Bayesian regression and Bitcoin

Devavrat Shah, Kang Zhang|arXiv (Cornell University)|Oct 6, 2014

Complex Systems and Time Series Analysis参考文献 7被引用 12

一句话总结

本文提出一种基于潜在源模型的贝叶斯回归方法，利用历史价格数据作为经验先验，预测比特币价格走势。该方法在50天内实现近两倍初始投资回报，通过2872笔交易策略获得89%的收益率，夏普比率为4.10，展现出在高波动市场中的强劲表现。

ABSTRACT

In this paper, we discuss the method of Bayesian regression and its efficacy for predicting price variation of Bitcoin, a recently popularized virtual, cryptographic currency. Bayesian regression refers to utilizing empirical data as proxy to perform Bayesian inference. We utilize Bayesian regression for the so-called "latent source model". The Bayesian regression for "latent source model" was introduced and discussed by Chen, Nikolov and Shah (2013) and Bresler, Chen and Shah (2014) for the purpose of binary classification. They established theoretical as well as empirical efficacy of the method for the setting of binary classification. In this paper, instead we utilize it for predicting real-valued quantity, the price of Bitcoin. Based on this price prediction method, we devise a simple strategy for trading Bitcoin. The strategy is able to nearly double the investment in less than 60 day period when run against real data trace.

研究动机与目标

• 将先前用于二元分类的潜在源模型贝叶斯回归方法，拓展至金融时间序列中的实值价格预测。
• 基于潜在源推断与经验价格数据，开发一种实用且数据驱动的比特币交易策略。
• 评估该方法在预测价格波动及生成真实市场条件下盈利交易信号方面的有效性。
• 探究是否可从潜在源模型中自然涌现出可识别的技术形态（如头肩顶、三角形等），并与其市场表现相关联。
• 评估该策略在高维、实时交易环境中的可扩展性与计算性能。

提出的方法

• 潜在源模型假设每个价格观测值来自K个潜在源之一，每个源具有潜在均值向量 $ s_k $、混合权重 $ u_k $，以及收益上的分布 $ ext{P}_k $。
• 通过贝叶斯推断计算条件分布 $ ext{P}(y|x) $，作为各源特定分布的加权和，使用似然 $ ext{P}(x|T=k) riangleq ext{N}(x; s_k, I) $ 和先验 $ u_k $。
• 利用经验数据近似潜在参数：通过历史价格时间序列的k-means聚类估计源均值 $ s_k $ 作为聚类中心，$ u_k $ 和 $ ext{P}_k $ 分别由聚类频率和收益分布推导得出。
• 对后验概率 $ ext{P}(y|x) $ 应用预测阈值 $ t $，当概率超过 $ t $ 时触发多头或空头头寸，实现简单而有效的交易规则。
• 在2014年5月6日至6月24日期间，使用仅包含测试窗口之前数据的因果回测方法，对真实比特币数据进行验证。
• 计算上，该方法通过内积（等价于互相关）实现快速近似，可在标准硬件上每秒处理数百万个数据点。

实验结果

研究问题

• RQ1 基于潜在源模型的贝叶斯回归能否在高维时间序列数据中有效预测比特币实值价格走势？
• RQ2 如头肩顶或三角形等可识别的技术形态是否能从潜在源聚类过程中自然涌现？
• RQ3 基于潜在源推断的交易策略在收益、风险调整回报率和交易频率方面的表现如何？
• RQ4 该策略在资本规模和交易量方面如何扩展？线性扩展存在哪些局限性？
• RQ5 通过代表性数据采样，能否在保持预测准确性的同时显著降低该方法的计算复杂度？

主要发现

• 所提出的贝叶斯回归策略在50天内实现3362元总利润，共2872笔交易，平均投资3781元，收益率达89%。
• 该策略获得4.10的夏普比率，表明风险调整后表现优异，即使在比特币价格下跌期间也保持持续盈利。
• 在平衡交易频率与单笔平均利润的阈值 $ t $ 处获得最高回报，单笔平均利润与交易总数之间呈现明确的反比关系。
• 潜在源聚类分析显示，最重要的模式与已知的技术分析形态（如“头肩顶”和“三角形”形态）相对应。
• 该方法展现出极高的计算效率，在32核、128GB内存的机器上每秒可处理超过1000万次互相关运算，支持实时部署。
• 该策略优于无风险基准，尤其在市场高波动时期表现突出，且在市场下行阶段仍保持盈利。