Combinación de trading, sentimiento, búsquedas y tasa de hash para predecir la volatilidad de Bitcoin

Resumen

Este estudio analiza si la información que va más allá del historial de precios puede ayudar a predecir la volatilidad del Bitcoin frente al dólar. El sistema CoMForE propuesto combina datos históricos de trading con el sentimiento de tuits relacionados, medidas de interés público basadas en el volumen de búsquedas y datos de la tasa de hash de la cadena de bloques. Utiliza un conjunto AdaBoost–LSTM y también busca predecir cambios en la distribución de los valores de las criptomonedas, con posibles aplicaciones en decisiones de inversión.

El documento presenta experimentos en los que la combinación de estas fuentes de datos obtuvo mejores resultados que el uso exclusivo de datos de trading y afirma una mejora del 19.29% frente a los métodos de predicción existentes. No especifica el periodo de evaluación, los detalles de las referencias, el horizonte de predicción ni si la mejora indicada se obtuvo fuera de muestra en distintos regímenes de mercado. Estas omisiones dificultan evaluar el alcance del resultado o determinar si el modelo seguiría siendo útil al tener en cuenta la disponibilidad de los datos y los costes de trading.

Ideas clave

• El modelo combina el historial del mercado con el sentimiento en tuits, el interés de búsqueda y la tasa de hash de la cadena de bloques.
• CoMForE utiliza un conjunto AdaBoost–LSTM para predecir la volatilidad de las criptomonedas.
• El sistema también busca predecir fluctuaciones en la distribución de los valores de las criptomonedas.
• Los experimentos descritos favorecen las entradas multimodales frente a los datos de trading por sí solos.
• La breve descripción omite detalles de evaluación necesarios para juzgar la robustez y el valor práctico para el trading.

Etiquetas

# Beyond Trading Data: The Hidden Influence of Public Awareness and Interest on Cryptocurrency Volatility


# Beyond Trading Data: The Hidden Influence of Public Awareness and Interest on Cryptocurrency Volatility









Since Bitcoin first appeared on the scene in 2009, cryptocurrencies have become a worldwide phenomenon as important decentralized financial assets. Their decentralized nature, however, leads to notable volatility against traditional fiat currencies, making the task of accurately forecasting the crypto-fiat exchange rate complex. This study examines the various independent factors that affect the volatility of the Bitcoin-Dollar exchange rate. To this end, we propose CoMForE, a multimodal AdaBoost-LSTM ensemble model, which not only utilizes historical trading data but also incorporates public sentiments from related tweets, public interest demonstrated by search volumes, and blockchain hash-rate data. Our developed model goes a step further by predicting fluctuations in the overall cryptocurrency value distribution, thus increasing its value for investment decision-making. We have subjected this method to extensive testing via comprehensive experiments, thereby validating the importance of multimodal combination over exclusive reliance on trading data. Further experiments show that our method significantly surpasses existing forecasting tools and methodologies, demonstrating a 19.29% improvement. This result underscores the influence of external independent factors on cryptocurrency volatility.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.