《Expert Systems with Applications》：Monitoring of time-between-events using a bivariate exponential model integrated with machine learning for cryptocurrency trading
编辑推荐：
本研究构建了基于事件驱动的比特币交易框架，整合双变量指数控制图监测价格跳动的间隔时间，动态更新控制参数以识别市场状态变化，触发两个LSTM模型分别预测涨跌方向的未来4小时收盘价，并采用动态止损止盈策略管理交易。在2024年11月至2025年9月的测试期中，该策略实现20%总回报、65%胜率、夏普比率1.25，且在20次随机数据分割测试中表现稳健。主要贡献包括创新性将BEX模型应用于加密货币监控，联合跟踪正负跳动的动态参数更新机制，以及事件驱动与规则化交易策略的深度融合。
阿里·耶加内（Ali Yeganeh）| 穆罕默德·萨贾德（Mohammad Sadjad）| 让-克劳德·马莱拉-马吉卡（Jean-Claude Malela-Majika）| 索莉·米拉德（Sollie Millard）
南非比勒陀利亚大学自然与农业科学学院统计系，哈特菲尔德0028，比勒陀利亚
摘要
本文提出了一种事件驱动的框架，该框架整合了统计过程监控、机器学习和算法交易策略。基于控制图应用的双变量指数监控方法用于监测价格上涨和下跌之间的时间间隔，并持续更新控制参数。一旦检测到失控信号，就会激活两个专门针对事件数据训练的长期短期记忆（LSTM）模型中的一个，以预测下一个4小时的收盘价。只有当预测的走势超过预定义的入场阈值时，才会发起交易，并使用动态止损和止盈规则进行管理。同时也会考虑交易成本。该框架在2024年11月至2025年9月的比特币数据上进行了测试，并使用2021年至2024年的扩展数据集进行了训练。在第二阶段测试期间，动态双变量指数策略在57笔交易中实现了20%的总回报率，胜率为65%，夏普比率为1.25%，最大回撤率为-11%。这一表现优于静态版本和所有基准策略，在二十次随机测试分割中结果一致。总体而言，研究表明：（i）统计监控价格上涨和下跌之间的时间间隔是检测加密货币市场制度转变的有效且未被充分利用的方法；（ii）将机器学习预测集中在标记的窗口上，并结合基于规则的交易策略和动态风险控制，可以显著提高盈利能力和稳健性。
引言
自2009年比特币（BTC）首次推出以来，加密货币吸引了投资者、监管机构和媒体的越来越多的关注。这主要是由于其低交易成本、点对点交易以及不受政府控制的特性（Corbet等人，2019年）。作为第一个去中心化的数字货币，BTC仍然是加密货币市场中的主导资产，并为更广泛的生态系统提供了基准。实证证据表明，BTC在数字资产间的收益和波动性溢出中起着主导作用（Koutmos，2018年）。同时，加密货币市场以高波动性和重尾收益分布为特征。虽然这些特性创造了巨大的盈利机会，但也使交易者面临突然的暴跌和投机泡沫。因此，预测仍然具有挑战性，但至关重要，特别是因为预测模型是投资组合管理和自动化交易系统设计的基础（Izadi和Hajizadeh，2025年）。
现有的研究主要集中在预测价格走势并将其转化为交易决策上，而对市场结构变化的监控关注较少。然而，在加密货币市场中，这种变化尤为重要，因为行为的突然变化会迅速降低静态模型和固定交易规则的有效性。在这种情况下，能够及时检测市场条件变化的方法尤其有价值。统计过程控制（SPC）旨在识别异常变化并评估过程稳定性，为此提供了一个有用的框架。尽管SPC方法已在许多领域得到应用，但在加密货币市场分析中的使用仍然有限。
为了解决这一差距，本研究采用了事件间隔（TBE）视角进行市场监控。TBE图表不是直接跟踪价格水平，而是监控特定事件发生之前的等待时间。这种视角将注意力从原始价格观察转移到有意义的市场运动的时机和频率上。在这种设置中，我们使用双变量指数（BEX）模型来捕捉两个相关信号的联合动态：滚动窗口内的价格上涨和下跌。与单变量方法相比，联合监控这些跳跃过程可以提高对制度变化的敏感性，因为正面和负面运动都可能表明市场条件的变化。
由于加密货币市场本质上是非平稳的，所提出的框架在每个交易头寸开立或关闭后也会自适应地更新控制（IC）参数。这种自适应步骤有助于监控方案随着时间的推移保持对市场变化的响应能力。一旦监控阶段发出市场变化的信号，框架会进入预测模块以支持交易决策。具体来说，训练了两个长期短期记忆（LSTM）模型：一个用于价格上涨跳跃，另一个用于价格下跌跳跃。通过围绕跳跃事件构建训练数据，预测组件专注于对市场动态最有信息量的时期。
因此，本研究旨在通过开发和评估一个集成框架来解决BTC交易中对结构变化监控的关注不足问题，该框架将市场监控置于预测和交易决策之前并为其提供信息。本研究的主要贡献如下：（i）首次将基于BEX的TBE控制图扩展到加密货币市场，用于监测价格上涨和下跌之间的时间间隔；（ii）为了提高该监控框架对制度变化的敏感性，联合跟踪正面和负面跳跃动态，并在不断变化的市场条件下自适应更新IC参数；（iii）然后添加了第二个事件驱动的预测层，其中两个专门的LSTM模型由与价格上涨和下跌相关的失控（OOC）信号触发；（iv）最后，也是最重要的是，将这些监控和预测层整合到一个启发式的算法交易设计中，包括动态调整的入场阈值、止损和止盈水平，从而形成一个统一的BTC交易框架。
本文的其余部分安排如下。第2节回顾了相关工作。第3节介绍了初步内容，包括SPC、TBE图表和BEX模型。第4节描述了所提出的方法。第5节报告了实验设置和回测结果。第6节总结了本文并讨论了未来研究的方向。
章节摘录
BTC预测模型
关于BTC预测的研究最初主要使用传统的统计模型。例如，Roy等人（2018年）比较了自回归（AR）、移动平均（MA）和ARIMA模型进行短期价格预测，并报告ARIMA在他们的设置中表现更好。其他研究关注波动性动态。Troster等人（2019年）研究了广义自回归条件异方差（GARCH）和广义自回归得分（GAS）模型，并发现重尾变体
SPC和控制图的基础
控制图是SPC中的基本工具，用于随时间监控过程并检测与预期稳定行为的偏差。控制图的主要目的是识别可归因的原因——一种特定且系统的变异来源，它改变了过程的统计特性。通过尽快发出此类变化的信号，控制图能够及时干预，使过程恢复到其IC状态并防止进一步恶化
未来预测模块
所提出的方法包括三个主要组成部分。第一个组成部分如前所述，使用BEX模型在控制图框架内监控价格上涨和下跌的TBE。在这个阶段，控制图的信号表明过程条件的变化和潜在参数的变化。Fischer等人（2019年）强调，在信号生成后迅速执行对于这种策略的成功至关重要。因此，在本研究中，一个ML模型被
实验设计
在本节中，将所提出的方法应用于真实的BTC数据，以展示其实际适用性。该方法包括三个模块，每个模块都在真实数据集上实现和评估。本研究的实证分析使用了从Binance交易所获取的BTC/USDT交易对的历史比特币市场数据。数据是通过Python中的binance包使用Binance公共API检索的
在BEX模型下的BTC价格监控
本小节将所提出的监控方法应用于2023年11月1日至2024年11月1日期间的BTC收盘价，使用包含2,196个观测值的4小时蜡烛图数据。方程（1）和（2）中的超参数W和η分别设置为24和0.01。这意味着局部最大值和最小值是根据前24个蜡烛（相当于6天）确定的，当当前价格比局部最大值（或最小值）高出（或低出）至少0.01时，就检测到跳跃
BTC未来价格预测模块
在第二模块中，使用准备的训练数据集训练了两个LSTM模型，即LSTMU和LSTMD。伪代码1概述了生成两个训练数据集的程序：UTS和DTS。为了增加训练样本的数量，收集了2021年1月1日至2024年11月1日期间的额外历史数据，时间框架为4小时。这导致T = 8401个蜡烛图数据点。IL设置为16，意味着使用前16×4=64小时的数据作为输入特征。
BTC交易策略
在最后一个小节中，评估了BEX模型作为BTC收盘价算法交易策略的性能。为此，它在两种情况下进行了测试：第一种使用前一小节的Phase II数据，第二种使用20个随机选择的BTC数据区间。在第一种情况下，通过优化确定了两个超参数κ（方程（16）和ρ（方程（18）），最优值分别为0.01和3
结论和未来研究方向
本文开发并评估了一个事件驱动的交易框架，该框架结合了SPC（特别是BEX控制图）、短期视野的LSTM预测和动态风险管理。该图表监控价格上涨和下跌的TBE。在第一阶段（2023年11月至2024年11月），初步估计了IC参数，并在第二阶段交易期间进行了更新。在第二阶段（2024年11月至2025年9月），该图表产生了28个不同的OOC信号序列。Mann–Kendall
未引用的参考文献
khames和Mokhlis（2020年）。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。
