Predicción de picos de volatilidad de Bitcoin con datos on-chain y de ballenas

Resumen

El artículo investiga si las señales de CryptoQuant, incluidos datos on-chain, de exchanges y de mineros, y las publicaciones de alertas de ballenas pueden ayudar a predecir la volatilidad de Bitcoin del día siguiente, especialmente los picos extremos. Propone un modelo de predicción Synthesizer Transformer y compara su rendimiento con enfoques existentes. Los autores afirman que el modelo predice mejor la volatilidad extrema con estas fuentes de datos, aunque la descripción no indica el periodo de la muestra, los detalles de los mercados de activos ni resultados numéricos de comparación.

El estudio utiliza análisis de atribución de características para examinar qué entradas son relevantes y somete a backtest las predicciones mediante varias estrategias de trading de referencia. Informa de un drawdown menor junto con beneficios constantes, pero el resumen no ofrece medidas concretas, reglas de estrategia ni detalles sobre costes de transacción. Por tanto, estos resultados indican una posible aplicación a la gestión del riesgo y al trading, pero la información disponible no demuestra robustez en distintos regímenes de mercado ni fuera de muestra.

Ideas clave

• El objetivo es la volatilidad de Bitcoin del día siguiente, con especial atención a los picos extremos.
• Las entradas incluyen datos de CryptoQuant y publicaciones de alertas de ballenas.
• Se informa que un Synthesizer Transformer supera a los modelos de comparación al predecir volatilidad extrema.
• Se utiliza la atribución de características para examinar las entradas más influyentes.
• Los backtests informan de un drawdown menor y beneficios constantes, sin detallar las métricas ni la robustez.

Etiquetas

# Forecasting Bitcoin volatility spikes from whale transactions and CryptoQuant data using Synthesizer Transformer models


# Forecasting Bitcoin volatility spikes from whale transactions and CryptoQuant data using Synthesizer Transformer models









The cryptocurrency market is highly volatile compared to traditional financial markets. Hence, forecasting its volatility is crucial for risk management. In this paper, we investigate CryptoQuant data (e.g. on-chain analytics, exchange and miner data) and whale-alert tweets, and explore their relationship to Bitcoin's next-day volatility, with a focus on extreme volatility spikes. We propose a deep learning Synthesizer Transformer model for forecasting volatility. Our results show that the model outperforms existing state-of-the-art models when forecasting extreme volatility spikes for Bitcoin using CryptoQuant data as well as whale-alert tweets. We analysed our model with the Captum XAI library to investigate which features are most important. We also backtested our prediction results with different baseline trading strategies and the results show that we are able to minimize drawdown while keeping steady profits. Our findings underscore that the proposed method is a useful tool for forecasting extreme volatility movements in the Bitcoin market.

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.