Bitcoin-Bewertung mit Kurs-Nutzen-Verhältnis und erklärbaren Handelssignalen

Zusammenfassung

Diese Arbeit führt ein Verhältnis von Preis zu Nutzen ein, das den Marktpreis von Bitcoin mit einem auf der Blockchain basierenden Maß für den grundlegenden Nutzen vergleichen soll. Die Autoren leiten das Maß mithilfe der Geldtheorie und der UTXO-Abrechnungsstruktur von Bitcoin her und vergleichen es anschließend mit bestehenden Näherungsmaßen für das Verhältnis von Marktwert zu Fundamentalwert. In ihrer historischen Bitcoin-Analyse haben die Alternativen nur geringe kurzfristige Prognosekraft, während das vorgeschlagene Verhältnis laut Bericht längerfristige Renditen wirksamer vorhersagt.

Die Studie verwendet außerdem maschinelles Lernen, um die Erklärungskraft des Verhältnisses zu untersuchen, und entwickelt eine darauf basierende automatisierte Strategie. Die Autoren berichten, dass diese Strategie Buy-and-Hold- und Market-Timing-Benchmarks übertrifft, und deuten das Verhältnis als Signal, günstig zu kaufen und teuer zu verkaufen. Die bereitgestellte Beschreibung enthält keine Stichprobentermine, Leistungskennzahlen, Annahmen zu Transaktionskosten oder Robustheitstests. Die berichteten Prognose- und Handelsergebnisse lassen sich daher allein anhand dieser Zusammenfassung nicht vollständig beurteilen.

Kernaussagen

• Das vorgeschlagene Kurs-Nutzen-Verhältnis nutzt die Bitcoin-Blockchain-Abrechnung, um den fundamentalen Nutzen abzubilden.
• Laut Studie sagt das neue Verhältnis langfristige Renditen besser voraus als bestehende Kennzahlen.
• Maschinelles Lernen dient dazu, den Erklärungsbeitrag des Verhältnisses zu Bitcoin-Bewertungssignalen zu untersuchen.
• Eine auf dem Verhältnis beruhende Strategie soll Buy-and-Hold- und Market-Timing-Benchmarks übertreffen.
• Die Beschreibung lässt Umsetzungs- und Robustheitsdetails aus, die zur Bewertung der berichteten Ergebnisse nötig wären.

Schlagwörter

# Cryptocurrency Valuation: An Explainable AI Approach


# Cryptocurrency Valuation: An Explainable AI Approach









Currently, there are no convincing proxies for the fundamentals of cryptocurrency assets. We propose a new market-to-fundamental ratio, the price-to-utility (PU) ratio, utilizing unique blockchain accounting methods. We then proxy various existing fundamental-to-market ratios by Bitcoin historical data and find they have little predictive power for short-term bitcoin returns. However, PU ratio effectively predicts long-term bitcoin returns than alternative methods. Furthermore, we verify the explainability of PU ratio using machine learning. Finally, we present an automated trading strategy advised by the PU ratio that outperforms the conventional buy-and-hold and market-timing strategies. Our research contributes to explainable AI in finance from three facets: First, our market-to-fundamental ratio is based on classic monetary theory and the unique UTXO model of Bitcoin accounting rather than ad hoc; Second, the empirical evidence testifies the buy-low and sell-high implications of the ratio; Finally, we distribute the trading algorithms as open-source software via Python Package Index for future research, which is exceptional in finance research.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.