Intraday Functional PCA Forecasting of Cryptocurrency Returns
加密货币收益的日内函数主成分预测AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接预测比特币日内收益，使用小时及十五分钟采样，并强调条件异方差对预测区间的影响，支持三个金融方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
加密货币收益的日内函数主成分预测
- 研究问题
- 如何对比特币日内收益曲线进行预测，并在全天连续交易环境中利用条件异方差改善区间预测与收益方向预测？
- 方法与思路
- 作者采用函数主成分分析，引入连接函数与离散动态模型的 KL 动态因子模型，并设计滚动预测算法处理日内收益曲线。
- 材料陈述的贡献
- 摘要称考虑条件异方差可改善区间预测，且所提方法在固定时点的收益方向预测上优于所比较的机器学习及 ARMA 方法。
- 阅读关注点
- 应核对滚动训练与预测时点安排、异方差的建模方式，以及小时和十五分钟数据上的比较是否采用一致的信息集。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明样本时期、预测指标和显著性，所述优势不能外推至其他市场。
原文摘要
We study the Functional PCA (FPCA) forecasting method in application to functions of intraday returns on Bitcoin. We show that improved interval forecasts of future return functions are obtained when the conditional heteroscedasticity of return functions is taken into account. The Karhunen-Loeve (KL) dynamic factor model is introduced to bridge the functional and discrete time dynamic models. It offers a convenient framework for functional time series analysis. For intraday forecasting, we introduce a new algorithm based on the FPCA applied by rolling, which can be used for any data observed continuously 24/7. The proposed FPCA forecasting methods are applied to return functions computed from data sampled hourly and at 15-minute intervals. Next, the functional forecasts evaluated at discrete points in time are compared with the forecasts based on other methods, including machine learning and a traditional ARMA model. The proposed FPCA-based methods perform well in terms of forecast accuracy and outperform competitors in terms of directional (sign) of return forecasts at fixed points in time.