Bitcoin-Volatilität mit Handelsdaten, Sentiment, Suchinteresse und Hashrate prognostizieren

Zusammenfassung

Diese Studie untersucht, ob Informationen über die Kurshistorie hinaus bei der Prognose der Bitcoin-Dollar-Volatilität helfen können. Das vorgeschlagene CoMForE-System kombiniert historische Handelsdaten mit der Stimmung in thematisch relevanten Tweets, Suchvolumen als Maß für das öffentliche Interesse und Blockchain-Hashrate-Daten. Es nutzt ein AdaBoost–LSTM-Ensemble und soll außerdem Veränderungen in der Verteilung von Kryptowährungswerten prognostizieren; als mögliche Anwendung nennt die Studie Anlageentscheidungen.

Das Dokument berichtet über Experimente, in denen die Kombination dieser Datenquellen besser abschnitt als die alleinige Nutzung von Handelsdaten. Es beansprucht eine Verbesserung um 19.29% gegenüber bestehenden Prognoseansätzen. Der Evaluationszeitraum, die Benchmark-Details und der Prognosehorizont werden nicht angegeben. Ebenso bleibt offen, ob die berichtete Verbesserung über verschiedene Marktregime hinweg außerhalb der Stichprobe erzielt wurde. Aufgrund dieser Lücken lässt sich schwer beurteilen, wie breit das Ergebnis anwendbar ist oder ob das Modell unter Berücksichtigung von Datenverfügbarkeit und Handelskosten nützlich bliebe.

Kernaussagen

• Das Modell kombiniert Markthistorie mit Tweet-Stimmung, Suchinteresse und Blockchain-Hashrate.
• CoMForE nutzt ein AdaBoost–LSTM-Ensemble zur Prognose der Kryptowährungsvolatilität.
• Das System zielt außerdem auf Schwankungen in der Verteilung von Kryptowährungswerten ab.
• Den berichteten Experimenten zufolge schneiden mehrere Datenarten gemeinsam besser ab als reine Handelsdaten.
• Die kurze Beschreibung lässt Evaluationsdetails aus, die für die Beurteilung von Robustheit und praktischem Trading-Nutzen erforderlich wären.

Schlagwörter

# Beyond Trading Data: The Hidden Influence of Public Awareness and Interest on Cryptocurrency Volatility


# Beyond Trading Data: The Hidden Influence of Public Awareness and Interest on Cryptocurrency Volatility









Since Bitcoin first appeared on the scene in 2009, cryptocurrencies have become a worldwide phenomenon as important decentralized financial assets. Their decentralized nature, however, leads to notable volatility against traditional fiat currencies, making the task of accurately forecasting the crypto-fiat exchange rate complex. This study examines the various independent factors that affect the volatility of the Bitcoin-Dollar exchange rate. To this end, we propose CoMForE, a multimodal AdaBoost-LSTM ensemble model, which not only utilizes historical trading data but also incorporates public sentiments from related tweets, public interest demonstrated by search volumes, and blockchain hash-rate data. Our developed model goes a step further by predicting fluctuations in the overall cryptocurrency value distribution, thus increasing its value for investment decision-making. We have subjected this method to extensive testing via comprehensive experiments, thereby validating the importance of multimodal combination over exclusive reliance on trading data. Further experiments show that our method significantly surpasses existing forecasting tools and methodologies, demonstrating a 19.29% improvement. This result underscores the influence of external independent factors on cryptocurrency volatility.

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.