Computational finance and forecasting methods

Abstract

This thesis explores the applications of high-frequency and intraday financial data in the Bitcoin market, focusing on its unique characteristics of high volatility and extreme jumpy behavior. Bitcoin's price is known for significant fluctuations within short periods, attributed to speculative trading, regulatory news, technological developments, and macroeconomic trends. Understanding and predicting these price movements is crucial for traders, investors, and policymakers. Besides regular volatility, the Bitcoin market often exhibits sudden and large price changes, referred to as “jumps”, triggered by market news, large trades, or shifts in market sentiment. Capturing and analyzing these jumps can provide valuable insights into market dynamics and aid in developing robust trading strategies. In particular, the thesis presents a novel four-step methodological approach for predicting volatility estimators derived from Bitcoin prices. First, open, high, low, and close prices are transformed into volatility estimators using Brownian motion assumptions and logarithmic transformations. Second, the optimal number of time-series lags is determined using random forest regression, optimizing lags based on the Mean Decrease in Impurity (MDI) criterion. Third, Elastic Net Regression (ENR) is fitted to the volatility estimator dataset. Finally, the predictive accuracy of ENR is compared to decision tree (DTR), random forest (RFR), and support vector regression (SVR). Results show ENR's superior predictive accuracy for open and close prices, while SVR prevails for high and low prices due to their susceptibility to transient news and intra-day market sentiments. Additionally, the thesis investigates Bitcoin volatility patterns using R/S analysis, simple moving average (SMA), and the relative strength index (RSI). These methodologies capture Bitcoin's unpredictable volatility patterns, revealing underlying trends. Estimated Hurst exponents indicate persistence in these patterns, suggesting potential momentum-based trading strategies. Finally, the thesis introduces a dual approach using the Lévy-Khintchine process and the Wasserstein Generative Adversarial Network (WGAN-GP) for a detailed analysis of Bitcoin's price behavior under various market conditions. The Lévy-Khintchine process captures extreme price changes, while WGAN-GP tests the robustness of these predictions, showing high accuracy in extreme conditions. In summary, this thesis underscores the essential role of high-frequency and intraday data in understanding and predicting Bitcoin's market behavior, providing a foundation for more accurate predictive models, deeper insights into the market microstructure, and improved trading strategies and risk management practices in this volatile and dynamic market.

Αυτή η διατριβή διερευνά τις εφαρμογές ενδοημερήσιων δεδομένων υψηλής συχνότητας στην αγορά του Bitcoin, εστιάζοντας στα μοναδικά χαρακτηριστικά της υψηλής μεταβλητότητας και της ακραίας αλματώδους συμπεριφοράς. Η κατανόηση και η πρόβλεψη αυτών των κινήσεων των τιμών είναι ζωτικής σημασίας για τους αναλυτές κινδύνου, τους επενδυτές και τους υπεύθυνους χάραξης πολιτικής. Εκτός από την τακτική αστάθεια, η αγορά Bitcoin συχνά εμφανίζει ξαφνικές και μεγάλες αλλαγές τιμών, που αναφέρονται ως «άλματα», που προκαλούνται από νέα της αγοράς, μεγάλες συναλλαγές ή αλλαγές στο κλίμα της αγοράς. Η σύλληψη και η ανάλυση αυτών των αλμάτων μπορεί να προσφέρει πολύτιμες πληροφορίες για τη δυναμική της αγοράς και να βοηθήσει στην ανάπτυξη ισχυρών στρατηγικών συναλλαγών. Συγκεκριμένα, η διατριβή παρουσιάζει μια νέα μεθοδολογική προσέγγιση τεσσάρων βημάτων για την πρόβλεψη εκτιμητών μεταβλητότητας που προέρχονται από τις τιμές Bitcoin. Oι τιμές ανοικτής, υψηλής, χαμηλής και κλεισίματος μετατρέπονται σε εκτιμητές μεταβλητότητας χρησιμοποιώντας υποθέσεις κίνησης Brown και λογαριθμικούς μετασχηματισμούς. H Elastic Net Regression (ENR) προσαρμόζεται στο σύνολο δεδομένων του εκτιμητή μεταβλητότητας. Τέλος, η προγνωστική ακρίβεια του ENR συγκρίνεται με το δέντρο αποφάσεων (DTR), το τυχαίο δάσος (RFR) και την παλινδρόμηση διανύσματος υποστήριξης (SVR). Τα αποτελέσματα δείχνουν την ανώτερη προγνωστική ακρίβεια της ENR για τις τιμές ανοίγματος και κλεισίματος, ενώ το SVR επικρατεί για τις υψηλές και τις χαμηλές τιμές λόγω της ευαισθησίας τους σε παροδικές ειδήσεις και συναισθήματα της αγοράς εντός της ημέρας. Επιπλέον, η διατριβή διερευνά μοτίβα της μεταβλητότητας του Bitcoin χρησιμοποιώντας ανάλυση R/S, απλό κινητό μέσο όρο (SMA) και δείκτη σχετικής ισχύος (RSI). Αυτές οι μεθοδολογίες καταγράφουν τα απρόβλεπτα μοτίβα μεταβλητότητας του Bitcoin, αποκαλύπτοντας τις υποκείμενες τάσεις. Τέλος, η διατριβή εισάγει μια διμεταβλητή προσέγγιση χρησιμοποιώντας τη διαδικασία Lévy-Khintchine και το Wasserstein Generative Adversarial Network (WGAN-GP) για λεπτομερή ανάλυση της συμπεριφοράς τιμών του Bitcoin κάτω από διάφορες συνθήκες αγοράς. Η διαδικασία Lévy-Khintchine καταγράφει ακραίες αλλαγές τιμών, ενώ το WGAN-GP δοκιμάζει την ευρωστία αυτών των προβλέψεων, δείχνοντας υψηλή ακρίβεια σε ακραίες συνθήκες. Συνοπτικά, αυτή η διατριβή υπογραμμίζει τον ουσιαστικό ρόλο των ενδοημερησίων δεδομένων υψηλής συχνότητας χρησιμοποιώντας προχωρημένες υπολογιστικές τεχνικές στην κατανόηση και την πρόβλεψη της συμπεριφοράς της αγοράς του Bitcoin, παρέχοντας τη βάση για πιο ακριβή μοντέλα πρόβλεψης, βαθύτερες γνώσεις σχετικά με τη μικροδομή της αγοράς και βελτιωμένες στρατηγικές συναλλαγών και πρακτικές διαχείρισης κινδύνου σε αυτήν την ασταθή και δυναμική αγορά.