COVID-19-Indikatoren zur Prognose von Bitcoin-Renditen

Zusammenfassung

Die Studie prüft, ob Gesundheitsindikatoren zu COVID-19 zusätzlichen Vorhersagewert für Bitcoin-Renditen liefern. Sie vergleicht LightGBM-Regressionsmodelle mit und ohne pandemiebezogene Merkmale, darunter Impfungen, Krankenhausaufenthalte und Tests. Ein genetischer Algorithmus optimiert die Modelle über 31 unabhängige Durchläufe. Die Studie vergleicht Verteilungen von R², RMSE und MAE anhand von Überlappungsanalysen und Mann–Whitney-U-Tests. Die Permutations-Merkmalswichtigkeit dient dazu, den Beitrag einzelner Eingaben zu beurteilen.

Die berichteten Ergebnisse sprechen für Modelle mit COVID-19-Daten: R² stieg um 40% und RMSE sank um 2%; beide Änderungen werden als hochgradig statistisch signifikant beschrieben. Impfkennzahlen, insbesondere das 75. Perzentil der vollständig geimpften Personen, waren besonders bedeutsam. Die Evidenz betrifft die Vorhersageleistung im Datensatz und Versuchsaufbau der Studie; sie belegt weder, dass diese Merkmale Bitcoin-Renditen verursachen, noch dass sie den Live-Handel verbessern. Das Dokument enthält keine detaillierten Angaben zum Stichprobenzeitraum, zum Validierungsdesign der Modelle oder zu Transaktionskosten, sodass der praktische Nutzen und der Wert außerhalb der Stichprobe schwer einzuschätzen sind.

Kernaussagen

• Die Studie vergleicht LightGBM-Modelle zur Prognose von Bitcoin-Renditen mit und ohne COVID-19-Indikatoren.
• Ein genetischer Algorithmus optimiert die Modelle über 31 unabhängige Durchläufe.
• Mann–Whitney-U-Tests und Verteilungsüberlappungen dienen zum Vergleich der Leistungskennzahlen.
• Die permutationsbasierte Merkmalswichtigkeit weist Impfkennzahlen als wichtige Prädiktoren aus.
• Die berichteten Verbesserungen zeigen eine höhere Vorhersageleistung im Versuchsaufbau der Studie, aber keinen belegten Nutzen im Live-Handel.

Schlagwörter

# 2508.00078


# Evaluating COVID 19 Feature Contributions to Bitcoin Return Forecasting: Methodology Based on LightGBM and Genetic Optimization









This study proposes a novel methodological framework integrating a LightGBM regression model and genetic algorithm (GA) optimization to systematically evaluate the contribution of COVID-19-related indicators to Bitcoin return prediction. The primary objective was not merely to forecast Bitcoin returns but rather to determine whether including pandemic-related health data significantly enhances prediction accuracy. A comprehensive dataset comprising daily Bitcoin returns and COVID-19 metrics (vaccination rates, hospitalizations, testing statistics) was constructed. Predictive models, trained with and without COVID-19 features, were optimized using GA over 31 independent runs, allowing robust statistical assessment. Performance metrics (R2, RMSE, MAE) were statistically compared through distribution overlaps and Mann-Whitney U tests. Permutation Feature Importance (PFI) analysis quantified individual feature contributions. Results indicate that COVID-19 indicators significantly improved model performance, particularly in capturing extreme market fluctuations (R2 increased by 40%, RMSE decreased by 2%, both highly significant statistically). Among COVID-19 features, vaccination metrics, especially the 75th percentile of fully vaccinated individuals, emerged as dominant predictors. The proposed methodology extends existing financial analytics tools by incorporating public health signals, providing investors and policymakers with refined indicators to navigate market uncertainty during systemic crises.

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.