Bitcoin-Marktdaten und soziale Signale fürs Trading kombinieren

Artikel arXiv papers · Autor: David Garcia et al.

Zusammenfassung

Diese Studie kombiniert Bitcoin-Marktindikatoren mit sozialen und verhaltensbezogenen Signalen, um algorithmisches Trading zu untersuchen. Zu den Eingaben zählen Börsenkurs und -volumen, Technologieadoption und Bitcoin-Transaktionsvolumen sowie Suchaktivität, Mundpropaganda-Volumen, Tweet-Stimmung und Meinungs-Polarisierung. Die Analyse umfasst mehr als drei Jahre Bitcoin-bezogener Daten und untersucht, wie diese Signale mit Kursbewegungen zusammenhängen.

Die Autoren berichten, dass zunehmende Meinungs-Polarisierung und Börsenvolumen höheren Bitcoin-Kursen vorausgehen, während die emotionale Valenz Veränderungen der Polarisierung und steigendes Börsenvolumen ankündigt. Anhand dieser Zusammenhänge entwickeln sie Handelsstrategien und berichten für einen Zeitraum von weniger als einem Jahr hohe Gewinne. Sie geben außerdem an, dass statistische Prüfungen Risiko und Handelskosten berücksichtigen. Das Dokument nennt weder die genauen Strategieregeln und Performance-Zahlen noch Details zur Validierung. Die Ergebnisse belegen daher den Ansatz in der untersuchten Stichprobe, nicht aber, dass soziale Signale auch künftig Prognosekraft haben.

Kernaussagen

Die Analyse verbindet Bitcoin-Marktaktivität, Adoption, Transaktionen und soziale Signale.
Laut Bericht gehen Meinungs-Polarisierung und Börsenvolumen steigenden Bitcoin-Kursen voraus.
Laut Bericht geht die emotionale Valenz Polarisierung und wachsendem Börsenvolumen voraus.
Die Autoren nutzen diese Zusammenhänge zum Aufbau von Strategien und berichten profitable Ergebnisse.
Die Beschreibung enthält nicht genügend Details, um Strategieregeln oder ihre Beständigkeit unabhängig zu beurteilen.

Schlagwörter

Krypto Marktstimmung Maschinelles Lernen Backtesting

Volltext

# Social signals and algorithmic trading of Bitcoin

The availability of data on digital traces is growing to unprecedented sizes, but inferring actionable knowledge from large-scale data is far from being trivial. This is especially important for computational finance, where digital traces of human behavior offer a great potential to drive trading strategies. We contribute to this by providing a consistent approach that integrates various datasources in the design of algorithmic traders. This allows us to derive insights into the principles behind the profitability of our trading strategies. We illustrate our approach through the analysis of Bitcoin, a cryptocurrency known for its large price fluctuations. In our analysis, we include economic signals of volume and price of exchange for USD, adoption of the Bitcoin technology, and transaction volume of Bitcoin. We add social signals related to information search, word of mouth volume, emotional valence, and opinion polarization as expressed in tweets related to Bitcoin for more than 3 years. Our analysis reveals that increases in opinion polarization and exchange volume precede rising Bitcoin prices, and that emotional valence precedes opinion polarization and rising exchange volumes. We apply these insights to design algorithmic trading strategies for Bitcoin, reaching very high profits in less than a year. We verify this high profitability with robust statistical methods that take into account risk and trading costs, confirming the long-standing hypothesis that trading based social media sentiment has the potential to yield positive returns on investment.

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.