Αλγοριθμική διαπραγμάτευση με χρήση παραγώγων

Abstract

Η παρούσα εργασία διερευνά την εφαρμογή αρχιτεκτονικών Long Short-Term Memory (LSTM) για την πρόβλεψη ωριαίας μεταβλητότητας Bitcoin και την ανάπτυξη στρατηγικής συναλλαγών δικαιωμάτων προαίρεσης. Χρησιμοποιώντας δεδομένα από το Binance API, εκπαιδεύσαμε ένα δίστρωμο LSTM μοντέ-λο (96 και 64 μονάδες) με βελτιστοποιημένες υπερπαραμέτρους μέσω Bayesian Optimization .Κατά την εκπαίδευση αξιοποιήθηκαν ορισμένα επιπλέον χαρακτηριστικά όπως τεχνικοί δείκτες RSI,BOLLINGER BANDS, Fear And Greed Index. Το μοντέλο επέτυχε Mean Absolute Error 16.4% ετησιοποιημένο στο out-of-sample test set, ενώ η walk-forward analysis με 11 folds επιβεβαίωσε τη αντοχή με MAE 12.2% ± 3.7%, αποδεικνύοντας βελτίωση 25% έναντι του simple hold-out backtesting. Η στρατηγική συναλλαγών βασίζεται σε μια προσέγγιση επαναφοράς μέσης τιμής που εκμεταλλεύεται την υπόθεση καθυστέρησης φάσης. Ειδικότερα , το LSTM ανιχνεύει κορυφές μεταβλητότητας με συστηματική καθυστέρηση 2-4 ωρών, καθιστώντας τις αντίθετες συναλλαγές κερδοφόρες. Συναλλάσσοντας ATM (at-the-money) Bitcoin straddles όταν ο λόγος προβλεπόμενης προς ιστορική μεταβλητότητα υπερβαίνει τα κατώφλια 1.15 (short) ή πέφτει κάτω από 0.85 (long), η στρατηγική παρήγαγε καθαρό P&L $3,872 ± $6,234 σε 78.4 ± 8.2 συναλλαγές (multi-run analysis, 5 εκτελέσεις) με Sharpe 1.52 ± 2.01 (portfolio-based) ενώ σαν αρχικό κεφάλαιο χρησιμοποιήθηκε για ευνοικούς λόγους το κατώφλι των 100.000$. Η ανάλυση κινδύνου αποκάλυψε Value at Risk (95%) στο -0.21% ανά συναλλαγή, Conditional VaR -0.23%, Sortino ratio 10.22, και μέγιστη απόσυρση 5.12%. Παρά τους περιορισμούς χρήση θεωρητικής τιμολόγησης Black-Scholes με realized volatility αντί για market implied volatility, απλοποίηση της inverse options structure του Deribit, και πιθανή εξάρτηση από καθεστώς η walk-forward validation και η multi-run analysis επιβεβαιώνουν τη στατιστική σημαντικότη-τα των αποτελεσμάτων σε 30 δοκιμαστικές εκτελέσεις. Η εργασία συνεισφέρει στη βιβλιογραφία αποδει-κνύοντας ότι (1) τα LSTM μπορούν να προβλέψουν ωριαία μεταβλητότητα Bitcoin με εύλογη ακρίβεια, (2) η αντίθετη συναλλαγή έναντι των προβλέψεων LSTM είναι κερδοφόρα λόγω καθυστέρησης φάσης και επαναφοράς προς το μέσο, (3) η walk-forward analysis είναι απαραίτητη για ισχυρή επιβεβαίωση. Μελ-λοντική έρευνα θα μπορούσε να ενσωματώσει implied volatility data, Bayesian LSTM για ποσοτικοποίη-ση αβεβαιότητας, και δοκιμή σε πολλαπλά καθεστώτα μεταβλητότητας.