Krypto-Risiken und Kursfaktoren mit On-Chain-Daten klassifizieren

Zusammenfassung

Die Studie untersucht, ob On-Chain-Kennzahlen von Kryptowährungen zur Erklärung von Kursen und zur Unterscheidung riskanter Vermögenswerte beitragen können. Sie analysiert historische Daten, misst Korrelationen zwischen Kursen und anderen Parametern, gruppiert Kryptowährungen mithilfe von Clustering und wendet Klassifikationsalgorithmen an, um Vermögenswerte als riskant oder nicht riskant einzustufen. Anleger sollen anhand der Gruppen eine Kryptowährung mit anderen vergleichen können, die ähnliche On-Chain-Profile aufweisen.

Die berichteten Daten zeigen, dass 39% der Kryptowährungen verschwanden, während 10% länger als 1,000 Tage bestanden. Der Kurs weist eine signifikante negative Korrelation mit der maximalen und der Gesamtmenge sowie eine schwache positive Korrelation mit dem Handelsvolumen über 24 Stunden auf. Das Clustering ergibt fünf Gruppen; der beste berichtete F1-Wert für die Risikoklassifikation beträgt mit K-nearest neighbors 76%. Dies sind historische Zusammenhänge und Klassifikationsergebnisse, keine Belege dafür, dass die Merkmale Kursänderungen verursachen oder eine künftige Risikoerkennung garantieren. Der Auszug beschreibt weder die Zusammenstellung der Stichprobe noch das Validierungsdesign oder die Leistung bei wechselnden Marktbedingungen.

Kernaussagen

• Die Analyse verwendet historische On-Chain-Kennzahlen, um Kryptowährungskurse und Risikoklassifikationen zu untersuchen.
• Laut Bericht weisen maximales Angebot und Gesamtangebot signifikante negative Korrelationen mit dem Kurs auf.
• Das Handelsvolumen über 24 Stunden weist eine schwache positive Korrelation mit dem Kurs auf.
• Das Clustering ordnet Kryptowährungen anhand von On-Chain-Parametern fünf Gruppen zu.
• K-nearest neighbors erzielt laut Angabe mit F1 den besten Wert für die Risikoklassifikation von 76%.

Schlagwörter

# AI-Assisted Investigation of On-Chain Parameters: Risky Cryptocurrencies and Price Factors


# AI-Assisted Investigation of On-Chain Parameters: Risky Cryptocurrencies and Price Factors









Cryptocurrencies have become a popular and widely researched topic of interest in recent years for investors and scholars. In order to make informed investment decisions, it is essential to comprehend the factors that impact cryptocurrency prices and to identify risky cryptocurrencies. This paper focuses on analyzing historical data and using artificial intelligence algorithms on on-chain parameters to identify the factors affecting a cryptocurrency's price and to find risky cryptocurrencies. We conducted an analysis of historical cryptocurrencies' on-chain data and measured the correlation between the price and other parameters. In addition, we used clustering and classification in order to get a better understanding of a cryptocurrency and classify it as risky or not. The analysis revealed that a significant proportion of cryptocurrencies (39%) disappeared from the market, while only a small fraction (10%) survived for more than 1000 days. Our analysis revealed a significant negative correlation between cryptocurrency price and maximum and total supply, as well as a weak positive correlation between price and 24-hour trading volume. Moreover, we clustered cryptocurrencies into five distinct groups using their on-chain parameters, which provides investors with a more comprehensive understanding of a cryptocurrency when compared to those clustered with it. Finally, by implementing multiple classifiers to predict whether a cryptocurrency is risky or not, we obtained the best f1-score of 76% using K-Nearest Neighbor.

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.