Bitcoin-Volatilitätsspitzen mit On-Chain- und Whale-Daten prognostizieren

Zusammenfassung

Das Paper untersucht, ob CryptoQuant-Signale, darunter On-Chain-, Börsen- und Minerdaten, sowie Posts von Whale-Alert-Diensten helfen können, die Bitcoin-Volatilität am Folgetag und insbesondere extreme Ausschläge vorherzusagen. Es schlägt ein Synthesizer-Transformer-Prognosemodell vor und vergleicht dessen Leistung mit bestehenden Ansätzen. Die Autoren berichten, dass das Modell bei Verwendung dieser Daten extreme Volatilität besser vorhersagt. Die Beschreibung nennt jedoch weder den Untersuchungszeitraum und Einzelheiten zu den Märkten und Anlagen noch numerische Vergleichsergebnisse.

Die Studie nutzt eine Merkmalszuordnungsanalyse, um zu untersuchen, welche Eingaben relevant sind, und führt Backtests der Prognosen anhand mehrerer grundlegender Handelsstrategien durch. Sie berichtet von einem geringeren Drawdown bei zugleich stetigen Gewinnen, nennt in der Zusammenfassung aber weder konkrete Kennzahlen und Strategieregeln noch Details zu Transaktionskosten. Die Ergebnisse deuten daher auf mögliche Anwendungen im Risikomanagement und Trading hin. Die vorliegenden Angaben belegen jedoch keine Robustheit über verschiedene Marktregime oder außerhalb der Stichprobe.

Kernaussagen

• Ziel ist die Bitcoin-Volatilität am Folgetag, insbesondere extreme Ausschläge.
• Zu den Eingaben zählen CryptoQuant-Daten und Posts von Whale-Alert-Diensten.
• Ein Synthesizer-Transformer soll Vergleichsmodelle bei Prognosen extremer Volatilität übertreffen.
• Eine Merkmalszuordnungsanalyse untersucht den Einfluss relevanter Eingaben.
• Backtests berichten von geringerem Drawdown und stetigen Gewinnen, ohne Einzelheiten zu Kennzahlen oder Robustheit zu nennen.

Schlagwörter

# 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.

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.