A DEEP LEARNING STATE-BASED MARKET MICROSTRUCTURE APPROACH FOR THE PRICE MOVEMENT PREDICTION TASK

CHAPARRO PORTILLO, NOEL (2022) A DEEP LEARNING STATE-BASED MARKET MICROSTRUCTURE APPROACH FOR THE PRICE MOVEMENT PREDICTION TASK. Maestría thesis, UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA.

Vista Previa

Text Tesis.pdf Download (2010Kb) | Vista Previa

Resumen

El avance de la tecnología ha permitido una evolución en la forma en que se realiza el comercio en los mercados financieros, permitiendo un cambio hacia horizontes de inversión más pequeños, como los que se encuentran en las estrategias de comercio de alta frecuencia (HFT por sus siglas en inglés). Este cambio en el paradigma comercial está impulsado por datos de microestructura de mercado de alta frecuencia: el libro de órdenes limitadas (LOB por sus siglas en inglés) y el flujo de órdenes. Sin embargo, analizar dicha información no es solo una cuestión de velocidad, sino un problema que presenta algunas no linealidades desde un espacio dimensional alto. En esta tesis, se adopta un enfoque de aprendizaje profundo (DL por sus siglas en inglés) para predecir de manera efectiva la dirección del movimiento del precio medio en un horizonte futuro a corto plazo. Se introducen dos representaciones novedosas de los datos basadas en la idea de dar forma a los datos de alta frecuencia contenidos en el LOB como una colección de estados invariantes de escala. Los datos de mercado sin procesar del intercambio Coinbase se utilizan para reconstruir el LOB para el par BTC/USD del 25 de agosto al 25 de octubre de 2020. Las arquitecturas basadas en LSTM y Transformer se utilizan para evaluar las representaciones propuestas. Las mejores métricas de predicción se logran con una de las representaciones propuestas, y los resultados generales sugieren una alta predictibilidad en el mercado de criptomonedas. Aunque fuera del alcance de esta disertación, los modelos mejor entrenados pueden potencialmente integrarse en una estrategia HFT como generadores de señales.

Actions (login required)

Ver Objeto