Predicción de rendimientos cripto con LASSO-VAR y datos de sentimiento

Resumen

El artículo evalúa si las medidas de sentimiento y atención en redes sociales pueden ayudar a predecir los rendimientos logarítmicos diarios de diez criptomonedas. Entre las variables predictoras figuran el sentimiento en Twitter y Reddit, los índices de Google Trends y el volumen de trading. El método de predicción es una autorregresión vectorial regularizada con LASSO, evaluada mediante una predicción recursiva de 30 días con observaciones diarias desde enero de 2018 hasta enero de 2022. El estudio también compara las predicciones con referencias y aplica un procedimiento post-double LASSO para analizar la causalidad de Granger en VAR de alta dimensionalidad.

La precisión direccional presentada supera 50%, y la precisión direccional media mejora en 10% frente a las principales referencias. Añadir sentimiento y atención mejora la precisión direccional, pero no el error cuadrático medio. El análisis de causalidad no encuentra pruebas de que el sentimiento en redes sociales cause, según Granger, los rendimientos de las criptomonedas. Estos resultados sugieren que el sentimiento y la atención pueden ayudar a predecir la dirección sin mejorar los errores de magnitud ni demostrar una relación causal. El extracto no identifica las referencias ni aporta más detalles sobre robustez, costes de transacción o implementación fuera de muestra.

Ideas clave

• El estudio utiliza modelos LASSO-VAR para predecir rendimientos de diez criptomonedas a partir de datos diarios.
• El sentimiento de Twitter y Reddit, Google Trends y el volumen se incluyen como variables predictoras.
• El sentimiento y la atención mejoran la precisión direccional media frente a las referencias indicadas, pero no el error cuadrático medio.
• El análisis de causalidad de Granger presentado no encuentra un vínculo predictivo causal entre el sentimiento en redes sociales y los rendimientos de criptomonedas.
• El extracto no describe ajustes por costes de trading ni resultados de implementación.

Etiquetas

# Forecasting Cryptocurrencies Log-Returns: a LASSO-VAR and Sentiment Approach


# Forecasting Cryptocurrencies Log-Returns: a LASSO-VAR and Sentiment Approach









Cryptocurrencies have become a trendy topic recently, primarily due to their disruptive potential and reports of unprecedented returns. In addition, academics increasingly acknowledge the predictive power of Social Media in many fields and, more specifically, for financial markets and economics. In this paper, we leverage the predictive power of Twitter and Reddit sentiment together with Google Trends indexes and volume to forecast the log returns of ten cryptocurrencies. Specifically, we consider $Bitcoin$, $Ethereum$, $Tether$, $Binance Coin$, $Litecoin$, $Enjin Coin$, $Horizen$, $Namecoin$, $Peercoin$, and $Feathercoin$. We evaluate the performance of LASSO-VAR using daily data from January 2018 to January 2022. In a 30 days recursive forecast, we can retrieve the correct direction of the actual series more than 50% of the time. We compare this result with the main benchmarks, and we see a 10% improvement in Mean Directional Accuracy (MDA). The use of sentiment and attention variables as predictors increase significantly the forecast accuracy in terms of MDA but not in terms of Root Mean Squared Errors. We perform a Granger causality test using a post-double LASSO selection for high-dimensional VARs. Results show no "causality" from Social Media sentiment to cryptocurrencies returns

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.