Indicadores de COVID-19 para predecir rendimientos de Bitcoin

Resumen

El estudio prueba si los indicadores de salud de COVID-19 aportan valor predictivo al pronosticar los rendimientos de Bitcoin. Compara modelos de regresión LightGBM entrenados con y sin variables relacionadas con la pandemia, como medidas de vacunación, hospitalización y pruebas. Un algoritmo genético optimiza los modelos en 31 ejecuciones independientes, y el estudio compara las distribuciones de R², RMSE y MAE mediante análisis de solapamiento y pruebas U de Mann–Whitney. Se utiliza la importancia de las variables por permutación para evaluar la contribución de cada entrada.

Los resultados informados favorecen a los modelos que incluyen datos de COVID-19: R² aumentó un 40% y RMSE cayó un 2%; ambos cambios se describen como altamente significativos desde el punto de vista estadístico. Las medidas de vacunación, en particular el percentil 75 de las personas con la pauta completa, ocuparon posiciones destacadas. La evidencia se refiere al rendimiento predictivo con los datos y la configuración del estudio; no demuestra que estas variables causen los rendimientos de Bitcoin ni que mejoren el trading real. El documento no ofrece detalles sobre el periodo de la muestra, el diseño de validación del modelo ni los costes de transacción, por lo que resulta difícil valorar su utilidad práctica y fuera de muestra.

Ideas clave

• El estudio compara modelos LightGBM de rendimientos de Bitcoin con y sin indicadores de COVID-19.
• Un algoritmo genético optimiza los modelos en 31 ejecuciones independientes.
• Se usan pruebas U de Mann–Whitney y solapamientos de distribuciones para comparar las métricas de rendimiento.
• La importancia de las variables por permutación identifica las medidas de vacunación como predictores destacados.
• Las mejoras informadas muestran un avance predictivo en la configuración del estudio, no una prueba de utilidad en el trading real.

Etiquetas

# 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.

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.