- Modélisation récurrente approfondie de la formation de prix Bitcoin stationnaire à l’aide du flux de commandes (arXiv)
Auteur : Ye-Sheen Lim, Denise Gorse
Abstrait : Dans cet article, nous proposons un modèle récurrent profond basé sur le flux d’ordres pour la modélisation stationnaire des mouvements de prix directionnels à haute fréquence. Le flux d’ordres est le flux microseconde d’ordres arrivant à la bourse, entraînant la formation des prix vus sur le graphique des prix d’une action ou d’une devise. Pour tester la stationnarité de notre modèle proposé, nous entraînons notre modèle sur des données avant la période de bulle Bitcoin de 2017 et testons notre modèle pendant et après la bulle. Nous montrons que sans aucun recyclage, le modèle proposé est stable dans le temps alors même que le trading de Bitcoin passe à une période de « trouble de bulle » extrêmement volatile. L’importance du résultat est démontrée par une comparaison avec des modèles de pointe existants dans la littérature pour modéliser la formation des prix à l’aide de l’apprentissage en profondeur.
2. Tarification des dérivés Bitcoin sous les modèles Jump-Diffusion (arXiv)
Auteur : Pablo Olivarès
Abstrait : Ces dernières années, le trading de crypto-monnaie a attiré l’attention des praticiens et des universitaires. Le volume des échanges avec les monnaies standard a connu une augmentation spectaculaire ces derniers temps. Cet article aborde le besoin de modèles décrivant une dynamique d’échange bitcoin-dollar américain et leur utilisation pour évaluer l’option européenne ayant le bitcoin comme actif sous-jacent.
3. Utilisation de réseaux et d’équations aux dérivées partielles pour prédire le prix du Bitcoin (arXiv)
Auteur : Yufang Wang, Haiyan Wang
Abstrait : Au cours de la dernière décennie, la technologie blockchain et sa crypto-monnaie Bitcoin ont reçu une attention considérable. Bitcoin a connu des fluctuations de prix importantes dans les valorisations quotidiennes et à long terme. Dans cet article, nous proposons un modèle d’équation différentielle partielle (PDE) sur le réseau de transaction bitcoin pour prédire le prix du bitcoin. Grâce à l’analyse de sous-graphes ou de chaînes de bitcoins, le modèle PDE capture l’influence des modèles de transaction sur le prix du bitcoin au fil du temps et combine l’effet de tous les clusters de chaînes. De plus, Google Trends Index est intégré au modèle PDE pour refléter l’effet du sentiment du marché du bitcoin. L’expérience montre que la précision moyenne de la prévision quotidienne du prix du bitcoin est de 0,82 pendant 362 jours consécutifs en 2017. Les résultats démontrent que le modèle PDE est capable de prédire le prix du bitcoin. Le document est la première tentative d’appliquer un modèle PDE au réseau de transaction bitcoin pour prédire le prix du bitcoin.
4.Une approche d’unité récurrente fermée pour la prévision des prix Bitcoin (arXiv)
Auteur : Aniruddha Dutta, Saket Kumar, Meheli Basu
Abstrait : À l’ère actuelle des mégadonnées, l’apprentissage en profondeur et l’intelligence artificielle ont formé l’épine dorsale de l’optimisation du portefeuille de crypto-monnaie. Les chercheurs ont étudié divers modèles d’apprentissage automatique de pointe pour prédire le prix et la volatilité du Bitcoin. Il a été démontré que les modèles d’apprentissage automatique tels que le réseau neuronal récurrent (RNN) et la mémoire longue à court terme (LSTM) fonctionnent mieux que les modèles de séries chronologiques traditionnels dans la prévision des prix des crypto-monnaies. Cependant, très peu d’études ont appliqué des modèles de séquence avec une ingénierie de fonctionnalités robuste pour prédire les prix futurs. Dans cette étude, nous étudions un cadre avec un ensemble de méthodes avancées d’apprentissage automatique avec un ensemble fixe de facteurs exogènes et endogènes pour prédire les prix quotidiens du Bitcoin. Nous étudions et comparons différentes approches en utilisant l’erreur quadratique moyenne (RMSE). Les résultats expérimentaux montrent que le modèle d’unité récurrente fermée (GRU) avec abandon récurrent fonctionne mieux que les modèles existants populaires. Nous montrons également que des stratégies de trading simples, lorsqu’elles sont mises en œuvre avec notre modèle GRU proposé et avec un apprentissage approprié, peuvent conduire à un gain financier.
Rejoignez Coinmonks Telegram Channel et Youtube Channel pour en savoir plus sur le trading et l’investissement cryptographiques
