Mehrskalige LPPLS-Indikatoren für Warnungen vor Bitcoin-Blasen und -Crashs
Zusammenfassung
Diese Studie bewertet den Konfidenzindikator der log-periodischen Potenzgesetz-Singularität (LPPLS) zur Erkennung von Bitcoin-Blasen und zur Vorhersage von Crashs. Anhand täglicher Bitcoin-Kurse aus den vorangegangenen zwei Jahren berichtet sie, dass der Tagesindikator bei starken Kursbewegungen versagen kann, besonders bei positiven Blasen.
Um diese Einschränkung zu beheben, schlagen die Autoren eine adaptive Erkennung anhand von Stunden- und 30-Minuten-Kursreihen vor. Sie berichten, dass dieser mehrstufige Ansatz die Erkennung von Blasen und die Vorhersage von Crashs verbessert, auch bei kurzlebigen Blasen. Der kurzfristige Indikator wird als reaktionsfähiger bei extremen Bewegungen und für Zeithorizonte von Tagen bis Wochen geeignet beschrieben. Die längerfristige Variante ist über Horizonte von Wochen bis Monaten stabiler. Diese Ergebnisse beziehen sich auf die Bitcoin-Daten und Methodik der Studie. Der bereitgestellte Text nennt keine Performancekennzahlen und enthält keine Evidenz für andere Assets oder Zeiträume.
Kernaussagen
- Tägliche LPPLS-Konfidenzwerte können Bitcoin-Blasen bei schnellen Kursschwankungen übersehen.
- Die vorgeschlagene Methode wendet LPPLS auf Stunden- und 30-Minuten-Kursreihen an.
- Die Studie berichtet mit dem adaptiven mehrstufigen Ansatz eine verbesserte Erkennung und Crash-Vorhersage.
- Kurz- und längerfristige Zeitskalen eignen sich laut Studie für unterschiedliche Horizonte der Blasenüberwachung.
- Die Zusammenfassung enthält keine quantitativen Prognosekennzahlen und keine Evidenz über Bitcoin hinaus.
Schlagwörter
Volltext
# Real-time Prediction of Bitcoin Bubble Crashes # Real-time Prediction of Bitcoin Bubble Crashes In the past decade, Bitcoin as an emerging asset class has gained widespread public attention because of their extraordinary returns in phases of extreme price growth and their unpredictable massive crashes. We apply the log-periodic power law singularity (LPPLS) confidence indicator as a diagnostic tool for identifying bubbles using the daily data on Bitcoin price in the past two years. We find that the LPPLS confidence indicator based on the daily Bitcoin price data fails to provide effective warnings for detecting the bubbles when the Bitcoin price suffers from a large fluctuation in a short time, especially for positive bubbles. In order to diagnose the existence of bubbles and accurately predict the bubble crashes in the cryptocurrency market, this study proposes an adaptive multilevel time series detection methodology based on the LPPLS model and finer (than daily) timescale for the Bitcoin price data. We adopt two levels of time series, 1 hour and 30 minutes, to demonstrate the adaptive multilevel time series detection methodology. The results show that the LPPLS confidence indicator based on this new method is an outstanding instrument to effectively detect the bubbles and accurately forecast the bubble crashes, even if a bubble exists in a short time. In addition, we discover that the short-term LPPLS confidence indicator highly sensitive to the extreme fluctuations of Bitcoin price can provide some useful insights into the bubble status on a shorter time scale - on a day to week scale, and the long-term LPPLS confidence indicator has a stable performance in terms of effectively monitoring the bubble status on a longer time scale - on a week to month scale. The adaptive multilevel time series detection methodology can provide real-time detection of bubbles and advanced forecast of crashes to warn of the imminent risk.
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.