Multi-dimensional Rational Bubbles and fat tails: application of stochastic regression equations to financial speculation
我们扩展模型的理性泡沫的布兰查德和布兰查德和沃森任意尺寸d:一个数字d的市场时间序列是线性相互依赖的通过d倍d随机耦合系数。我们首先证明,无套利条件要求任何资产i对不同于i的任何其他资产j的非对角影响平均为零,即,必须表现出随机的替代制度的强化和逆向反馈。相反,对角项必须是正的,并且平均等于贴现因子的倒数。将随机矩阵乘积的更新理论的结果应用于随机递归方程(SRE),推广了Lux和Sornette(cond-mat/9910141)的定理,证明了与这种d维泡过程相关的无条件分布的尾部服从幂律(即,表现出双曲线下降),对于所有资产具有相同的渐近尾指数mu<1。在一个大的回报率范围内,价格差和回报率的分布都是由相同的幂律支配的。尾指数的这个小值mu<1在均值和方差不存在方面具有深远的影响。虽然幂律尾是经验数据的普遍特征,但数值mu<1与通常的经验估计值mu约等于3不一致。因此,将理性泡沫的模型推广到任意维度,似乎并不能使我们将模型与金融数据的这些程式化事实相协调。非平稳增长理性气泡模型似乎是目前唯一可行的解决方案(见cond-mat/0010112)。
2001-01-24 cond-mat.stat-mech nlin.AO q-fin.ST
Brexit or Bremain ? Evidence from bubble analysis
Intesa Sanpaolo(意大利联合圣保罗银行);University of Bologna(博洛尼亚大学);Università degli Studi di Milano, Physics Dept.(米兰大学)
本文利用JLS模型分析2016年6月23日脱欧/留欧公投相关的金融气泡和崩溃迹象,发现利率、信贷和房地产市场表现出典型的气泡特征,而股票和货币市场则未显示气泡信号。
2016-06-22 econ.GN q-fin.CP q-fin.EC
Bubble Prediction of Non-Fungible Tokens (NFTs): An Empirical Investigation
我们的研究根据经验预测了不可替代代币(NFT)的泡沫:公共区块链上可转让的独特数字资产。这个主题很重要,因为尽管2021年市场增长强劲,但基于项目的NFT尚未在泡沫预测方面进行研究。具体来说,我们应用对数周期幂律(LPPL)模型的时间序列价格数据与四个主要的非功能性交易项目。结果表明,截至2021年12月20日,(i)NFT总体上处于小泡沫(预测价格下跌),(ii)Decentraland项目处于中等泡沫(预测价格下跌),(iii)以太坊名称服务和ArtBlocks项目处于小负泡沫(预测价格上涨)。未来的工作将包括考虑NFT异质性的预测改进,与其他方法的比较,以及使用更丰富的数据。
2022-06-16 cs.CY q-fin.ST
Why Topological Data Analysis Detects Financial Bubbles?
本文基于LPPLS模型给出启发式论证,解释TDA为何能检测金融时间序列中的临界转变早期预警信号,并以比特币正负泡沫为例进行验证。
2023-04-14 math.DS physics.soc-ph q-fin.ST
Deep Learning in Asset Pricing
我们使用深度神经网络来估计个股回报的资产定价模型,该模型利用了大量的条件信息,同时保持了完全灵活的形式并考虑了时间变化。其主要创新点是以基本的无套利条件为准则函数,采用对抗性方法构造信息量最大的测试资产,并从众多的宏观经济时间序列中提取经济状态。我们的资产定价模型在夏普比率、解释变异和定价误差方面优于样本外的所有基准方法,并确定了推动资产价格的关键因素。
2021-08-11 q-fin.ST stat.ME
Cryptocurrency Bubble Detection: A New Stock Market Dataset, Financial Task & Hyperbolic Models
University of Texas at Dallas(德克萨斯大学达拉斯分校);Georgia Institute of Technology(佐治亚理工学院);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Universitat Politècnica de València(瓦伦西亚理工大学)
信息在社交媒体上的快速传播影响着量化交易和投资。高度波动性资产(如加密货币和迷因股票)的投机交易日益流行,给金融领域带来了新的挑战。调查这种“泡沫”-市场突然异常行为的时期对于更好地理解投资者行为和市场动态至关重要。然而,高波动性加上大量混乱的社交媒体文本,特别是对于加密货币等尚未开发的资产,对现有方法构成了挑战。作为迈向加密货币NLP的第一步,我们提出并公开发布了CryptoBubbles,这是一种用于气泡检测的新型多跨度识别任务,以及一个来自9个交易所的400多个加密货币的数据集,超过五年,超过200万条推文。此外,我们基于加密货币的幂律动力学和社交媒体上的用户行为,开发了一组适合这种多跨度识别任务的序列到序列双曲模型。我们进一步测试了我们的模型在zero-shot设置下的有效性,在Reddit上测试了29个“meme stocks”,由于社交媒体的炒作,交易量增加。通过对Reddit和Twitter上的加密货币和米姆股票进行定量、定性和zero-shot分析,我们展示了CryptoBubbles和双曲线模型的实用性。
2022-05-11 cs.AI cs.CL cs.LG
Residual Learning in Empirical Asset Pricing
Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
本研究提出将残差学习应用于经验资产定价,通过加深神经网络模型提升经济价值,实证表明深度残差模型样本外夏普比率显著优于浅层和前馈模型。
2026-10-08 cs.LG q-fin.ST
Dynamic relationship between XRP price and correlation tensor spectra of the transaction network
本研究详细分析了XRP交易网络的相关张量谱方法,发现XRP价格与相关张量最大奇异值在泡沫期和非泡沫期具有不同的依赖关系,并利用奇异向量识别出驱动市场的节点。
2023-09-12 physics.app-ph physics.soc-ph q-fin.ST
Deep Learning for Digital Asset Limit Order Books
这篇论文表明,时间CNN可以从限价订单簿数据中准确预测比特币现货价格走势。在2秒的预测时间范围内,我们在流行的加密货币交易所coinbase上实现了71%的向前走的准确性。我们的模型可以在不到一天的时间内在商品GPU上进行训练,这些GPU可以安装到托管中心,从而允许模型与现有的更快的订单预测模型同步。我们在https://github.com/Globe-Research/deep-orderbook上提供源代码和数据。
2020-10-03 q-fin.ST
Asset Pricing and Deep Learning
SenseTime Research(商汤科技研究院)
传统的机器学习方法在金融创新中得到了广泛的研究。我的研究重点是深度学习方法在资产定价中的应用。我研究了各种用于资产定价的深度学习方法,特别是用于风险溢价测量的方法。所有模型都采用相同的预测信号(公司特征、系统风险和宏观经济)。我展示了各种最先进的(SOTA)深度学习方法的高性能,并指出具有记忆机制和注意力的RNN在预测性方面具有最佳性能。此外,我使用深度学习预测向投资者展示了巨大的经济收益。我的对比实验结果突出了领域知识和金融理论在设计深度学习模型时的重要性。我还展示了返回预测任务给深度学习带来了新的挑战。时变分布引起的分布漂移问题是金融时间序列预测的关键。我证明了深度学习方法可以改善资产风险溢价的测量。由于深度学习研究的蓬勃发展,他们可以不断推动对资产定价背后潜在金融机制的研究。本文还提出了一种很有前途的研究方法,即从数据中学习,通过可解释的人工智能(AI)方法来找出潜在的经济机制。我的研究结果不仅证明了深度学习在蓬勃发展的金融科技发展中的价值,而且还强调了它们相对于传统机器学习方法的前景和优势。
2022-09-24 cs.LG q-fin.PR q-fin.ST
From Factor Models to Deep Learning: Machine Learning in Reshaping Empirical Asset Pricing
本文综述机器学习在资产定价中的应用,分析传统模型局限,介绍各类ML框架及与传统模型结合的优势,探讨应用挑战,为量化金融发展提供新思路。
2024-03-11 q-fin.ST
Equity2Vec: End-to-end Deep Learning Framework for Cross-sectional Asset Pricing
William & Mary(威廉玛丽学院);Purdue University(普渡大学);University of Bath(巴斯大学);The Alan Turing Institute(阿兰·图灵研究所);University of Oxford(牛津大学)
资产定价引起了金融科技界的极大关注。我们观察到,现有的解决方案忽略了横截面的影响,并没有充分利用异构数据集,导致次优性能。为此,我们提出了一个端到端的深度学习框架来为资产定价。我们的框架具有两个主要属性:1)我们提出了Equity2Vec,一个基于图的组件,有效地捕捉长期和不断变化的横截面相互作用。2)该框架同时利用了所有可用的异构alpha源,包括技术指标,金融新闻信号和横截面信号。在真实股票市场数据集上的实验结果表明,该方法优于现有的最先进的方法。此外,市场交易模拟表明,我们的框架货币化的信号有效。
2021-10-27 cs.LG q-fin.ST
Deep Recurrent Modelling of Stationary Bitcoin Price Formation Using the Order Flow
University College London(伦敦大学学院)
本文提出了一个基于订单流的深度递归模型,用于高频方向性价格波动的平稳建模。订单流是到达交易所的微秒级订单流,推动股票或货币价格图表上的价格形成。为了测试我们提出的模型的平稳性,我们在2017年比特币泡沫时期之前的数据上训练我们的模型,并在泡沫期间和之后测试我们的模型。我们表明,在没有任何再训练的情况下,即使比特币交易进入一个极其不稳定的“泡沫麻烦”时期,所提出的模型也是暂时稳定的。结果的重要性是通过对文献中现有的最先进的模型进行基准测试来显示的,用于使用深度学习来建模价格形成。
2020-03-31 cs.LG q-fin.ST q-fin.TR
A Deep Learning Framework for Predicting Digital Asset Price Movement from Trade-by-trade Data
New York University Leonard N. Stern School of Business(纽约大学斯特恩商学院)
本文提出了一种基于长短期记忆网络(LSTM)的深度学习框架,该框架可以从逐个交易的数据中预测加密货币的价格走势。本研究的主要重点是从回顾期预测固定时间范围内的短期价格变化。通过精心设计特征和详细搜索最佳超参数,该模型经过训练,在近一年的逐交易数据上实现了高性能。最佳模型在样本外测试期间提供稳定的高性能(超过60%的准确度)。在现实的交易模拟环境中,模型做出的预测可以很容易地货币化。此外,这项研究表明,LSTM模型可以从逐个交易的数据中提取通用特征,因为学习的参数在其他未包含在训练数据中的加密货币工具上保持了良好的性能。本研究在数据规模和精度方面均超过现有研究,并取得了较高的预测精度。
2020-10-11 cs.AI cs.LG q-fin.ST