[论文解读] Modeling the price of Bitcoin with geometric fractional Brownian motion: a Monte Carlo approach

Mariusz Tarnopolski|arXiv (Cornell University)|Jul 12, 2017

Complex Systems and Time Series Analysis参考文献 24被引用 6

一句话总结

本文使用赫斯特指数 H > 0.5 的几何分数布朗运动（fBm）对比特币价格动态进行建模，表明存在长程依赖性。通过 10⁴ 次实现的蒙特卡洛模拟，预测 2018 年初比特币价格的中位数为 6,358 美元，有 27.5% 的概率超过 10,000 美元，尽管波动性较高，仍展现出强大的预测准确性。

ABSTRACT

The long-term dependence of Bitcoin (BTC), manifesting itself through a Hurst exponent $H>0.5$, is exploited in order to predict future BTC/USD price. A Monte Carlo simulation with $10^4$ geometric fractional Brownian motion realisations is performed as extensions of historical data. The accuracy of statistical inferences is 10\%. The most probable Bitcoin price at the beginning of 2018 is 6358 USD.

研究动机与目标

• 使用几何分数布朗运动对比特币价格变动进行建模，以捕捉长程依赖性。
• 通过模拟 10⁴ 次 fBm 实现（基于估计的 H、μ 和 σ）预测未来比特币价格。
• 利用截至 2016 年的历史数据评估预测准确性，并与 2017 年的实际价格进行验证。
• 评估未来价格的概率分布，特别是中位数、众数和极端阈值。
• 探讨时变赫斯特指数和波动率对价格预测可靠性与敏感性的影响。

提出的方法

• 使用基于小波的方法（Haar 小波）对 2011–2017 年的日度比特币价格数据估计赫斯特指数 H。
• 基于历史时期内日度对数收益率的均值和标准差，计算漂移 μ 和波动率 σ。
• 利用随机微分方程 dX(t) = μX(t)dt + σX(t)d𝐁ᴴ(t)，其中 X₀ 为最后观测到的价格，生成 10⁴ 次几何 fBm 实现。
• 从所有实现的终端价格中构建经验累积分布函数（CDF），以估计概率。
• 将模拟分布的中位数作为主要价格预测值，与对数正态分布的性质保持一致。
• 比较不同 H 值下的预测结果——H = 0.495（2016 年）和 H = 0.557（完整数据集）——以评估对长记忆效应的敏感性。

实验结果

研究问题

• RQ1 赫斯特指数 H > 0.5 对使用几何 fBm 预测比特币价格有何影响？
• RQ2 与实际市场价格走势相比，几何 fBm 的蒙特卡洛模拟在预测比特币价格方面的准确性如何？
• RQ3 基于历史数据和估计的 H，2018 年初预测的比特币价格中位数是多少？
• RQ4 2018 年初比特币价格超过 5,000 美元或 10,000 美元等关键阈值的概率是多少？
• RQ5 时变赫斯特指数和波动率如何影响模型预测的可靠性和敏感性？

主要发现

• 2018 年初最可能的比特币价格（作为 10⁴ 次模拟实现的中位数预测）为 6,358 美元。
• 基于更新后的 H = 0.557，2018 年初比特币价格超过 10,000 美元的概率为 27.5%。
• 该模型略微低估了实际 2017 年的价格，与预测中位数存在 10% 的偏差，表明具有较强的预测性能。
• 模拟分布的众数为 3,634.13 美元，2018 年预测中超过该值的概率为 77.1%。
• 在 180 天预测期内，价格低于 2017 年当前价格 2,575.90 美元的概率为 11.4%。
• 2018 年预测的平均价格为 8,410.34 美元，显著高于中位数，反映出对数正态分布的右偏特性。