Hawkes-based cryptocurrency forecasting via Limit Order Book data

准确预测金融回报的方向是一个巨大的挑战，因为金融时间序列的固有不可预测性。当应用于加密货币回报时，任务变得更加艰巨，因为加密市场的混乱和复杂性。在本研究中，我们提出了一种基于Hawkes模型的限价单簿（LOB）数据的新型预测算法，这是一类点过程。结合连续输出误差（COE）模型，我们的方法通过利用未来金融交互的预测，提供了对回报符号的精确预测。利用原始时间序列的非均匀采样结构，我们的策略在交易环境中实施时超过了基准模型，无论是在预测准确性还是累计利润方面。我们的方法的有效性通过50个方案的蒙特卡罗模拟得到验证。该研究利用了从中心化加密货币交易所获取的LOB测量，其中稳定币Tether与美元交换。

本论文旨在解决加密货币市场中预测收益方向的问题。作者使用基于Hawkes模型的限价订单簿数据和连续输出误差模型来提高预测准确性和累积利润。

使用基于Hawkes模型的限价订单簿数据和连续输出误差模型来提高预测准确性和累积利润。

本论文的实验结果表明，该方法在预测准确性和累积利润方面优于基准模型。作者还进行了50个蒙特卡罗模拟来验证该方法的有效性。本研究使用了Tether对美元的交易数据。

最近的相关研究包括：'Cryptocurrency Price Prediction Using Deep Learning in TensorFlow'和'Forecasting Cryptocurrency Prices Using Deep Learning Techniques'。