Kryptowährungsrenditen mit LASSO-VAR und Stimmungsdaten prognostizieren

Zusammenfassung

Die Studie prüft, ob Stimmungs- und Aufmerksamkeitsmaße aus sozialen Medien bei der Prognose täglicher logarithmischer Renditen für zehn Kryptowährungen helfen können. Zu den Prädiktoren gehören Stimmungen auf Twitter und Reddit, Google-Trends-Indizes und Handelsvolumen. Als Prognosemethode dient eine mit LASSO regularisierte Vektorautoregression, die anhand rekursiver 30-Tagesprognosen auf täglichen Beobachtungen von Januar 2018 bis Januar 2022 ausgewertet wird. Die Studie vergleicht außerdem Prognosen mit Benchmarks und verwendet ein Post-Double-LASSO-Verfahren zur Granger-Kausalitätsanalyse in hochdimensionalen VAR-Modellen.

Die berichtete Richtungsgenauigkeit liegt über 50%; die mittlere Richtungsgenauigkeit verbessert sich gegenüber den wichtigsten Benchmarks um 10%. Die Hinzunahme von Stimmung und Aufmerksamkeit verbessert die Richtungsgenauigkeit, nicht aber den mittleren quadratischen Fehler. Die Kausalanalyse findet keine Belege dafür, dass die Stimmung in sozialen Medien Kryptowährungsrenditen im Sinne von Granger verursacht. Die Ergebnisse deuten darauf hin, dass Stimmung und Aufmerksamkeit Richtungsprognosen unterstützen können, ohne Fehler bei der Größenordnung zu verbessern oder einen Kausalzusammenhang zu belegen. Der Auszug nennt weder die Benchmarks noch weitere Einzelheiten zu Robustheit, Transaktionskosten oder einer Umsetzung außerhalb der Stichprobe.

Kernaussagen

• Die Studie verwendet LASSO-VAR-Modelle, um Renditen von zehn Kryptowährungen anhand täglicher Daten vorherzusagen.
• Twitter- und Reddit-Stimmung, Google Trends und Handelsvolumen fließen als Prädiktoren ein.
• Stimmung und Aufmerksamkeit verbessern die mittlere Richtungsgenauigkeit gegenüber den genannten Benchmarks, nicht aber den mittleren quadratischen Fehler.
• Die berichtete Granger-Kausalitätsanalyse findet keinen kausalen Prognosezusammenhang zwischen Stimmung in sozialen Medien und Kryptowährungsrenditen.
• Der Auszug beschreibt keine Anpassungen für Handelskosten oder Ergebnisse aus der praktischen Umsetzung.

Schlagwörter

# Forecasting Cryptocurrencies Log-Returns: a LASSO-VAR and Sentiment Approach


# Forecasting Cryptocurrencies Log-Returns: a LASSO-VAR and Sentiment Approach









Cryptocurrencies have become a trendy topic recently, primarily due to their disruptive potential and reports of unprecedented returns. In addition, academics increasingly acknowledge the predictive power of Social Media in many fields and, more specifically, for financial markets and economics. In this paper, we leverage the predictive power of Twitter and Reddit sentiment together with Google Trends indexes and volume to forecast the log returns of ten cryptocurrencies. Specifically, we consider $Bitcoin$, $Ethereum$, $Tether$, $Binance Coin$, $Litecoin$, $Enjin Coin$, $Horizen$, $Namecoin$, $Peercoin$, and $Feathercoin$. We evaluate the performance of LASSO-VAR using daily data from January 2018 to January 2022. In a 30 days recursive forecast, we can retrieve the correct direction of the actual series more than 50% of the time. We compare this result with the main benchmarks, and we see a 10% improvement in Mean Directional Accuracy (MDA). The use of sentiment and attention variables as predictors increase significantly the forecast accuracy in terms of MDA but not in terms of Root Mean Squared Errors. We perform a Granger causality test using a post-double LASSO selection for high-dimensional VARs. Results show no "causality" from Social Media sentiment to cryptocurrencies returns

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.