توقع قفزات تقلب بيتكوين من بيانات السلسلة والحيتان

الملخص

تبحث الورقة فيما إذا كانت إشارات CryptoQuant، ومنها بيانات السلسلة والمنصات والمعدّنين، ومنشورات تنبيهات الحيتان، تساعد في توقع تقلب بيتكوين في اليوم التالي، ولا سيما القفزات الحادة. وتقترح نموذج Synthesizer Transformer للتوقع وتقارن أداءه بمناهج قائمة. ويذكر المؤلفون أن نموذجهم يؤدي بصورة أفضل في توقع التقلبات الحادة عند استخدام مصادر البيانات هذه، لكن الوصف لا يورد فترة العينة أو تفاصيل سوق الأصل أو نتائج مقارنة رقمية.

تستخدم الدراسة تحليل إسناد السمات لفحص المدخلات المهمة، وتجري اختبارات تاريخية للتوقعات عبر عدة استراتيجيات تداول أساسية. وتذكر انخفاض التراجع إلى جانب أرباح مستقرة، من دون تقديم مقاييس محددة أو قواعد استراتيجية أو تفاصيل تكاليف المعاملات في الملخص. وتشير النتائج إلى تطبيق محتمل في إدارة المخاطر والتداول، لكن المعلومات المتاحة لا تثبت المتانة عبر أنظمة السوق أو خارج العينة.

الأفكار الرئيسية

• الهدف هو تقلب بيتكوين في اليوم التالي، مع تركيز خاص على القفزات الحادة.
• تشمل المدخلات بيانات CryptoQuant ومنشورات تنبيهات الحيتان.
• يُذكر أن Synthesizer Transformer يتفوق على النماذج المقارنة في توقع التقلبات الحادة.
• يُستخدم إسناد السمات لفحص المدخلات المؤثرة.
• تذكر الاختبارات التاريخية تراجعاً أقل وأرباحاً مستقرة، من دون تفاصيل المقاييس أو المتانة.

الوسوم

# Forecasting Bitcoin volatility spikes from whale transactions and CryptoQuant data using Synthesizer Transformer models


# Forecasting Bitcoin volatility spikes from whale transactions and CryptoQuant data using Synthesizer Transformer models









The cryptocurrency market is highly volatile compared to traditional financial markets. Hence, forecasting its volatility is crucial for risk management. In this paper, we investigate CryptoQuant data (e.g. on-chain analytics, exchange and miner data) and whale-alert tweets, and explore their relationship to Bitcoin's next-day volatility, with a focus on extreme volatility spikes. We propose a deep learning Synthesizer Transformer model for forecasting volatility. Our results show that the model outperforms existing state-of-the-art models when forecasting extreme volatility spikes for Bitcoin using CryptoQuant data as well as whale-alert tweets. We analysed our model with the Captum XAI library to investigate which features are most important. We also backtested our prediction results with different baseline trading strategies and the results show that we are able to minimize drawdown while keeping steady profits. Our findings underscore that the proposed method is a useful tool for forecasting extreme volatility movements in the Bitcoin market.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.