Uso de datos on-chain para clasificar el riesgo y los factores de precio de las criptomonedas

Resumen

El estudio examina si las métricas on-chain de las criptomonedas pueden ayudar a explicar los precios y distinguir los activos arriesgados. Analiza datos históricos, mide correlaciones entre el precio y otros parámetros, agrupa criptomonedas mediante clustering y aplica algoritmos de clasificación para etiquetar los activos como arriesgados o no. Los grupos pretenden permitir que los inversores comparen una moneda con otras que tienen perfiles on-chain similares.

Los datos presentados muestran que 39% de las criptomonedas desaparecieron, mientras que 10% duraron más de 1,000 días. El precio tiene una correlación negativa significativa con la oferta máxima y total, y una correlación positiva débil con el volumen de trading de 24 horas. El clustering genera cinco grupos y la mejor puntuación F1 comunicada para la clasificación del riesgo es 76%, con el método de los K vecinos más próximos. Se trata de asociaciones históricas y resultados de clasificación, no de pruebas de que las características causen cambios de precio ni garanticen la detección de riesgos futuros. El fragmento no describe cómo se construyó la muestra, el diseño de validación ni el rendimiento en condiciones de mercado cambiantes.

Ideas clave

• El análisis usa métricas on-chain históricas para estudiar los precios de las criptomonedas y su clasificación de riesgo.
• Según se informa, la oferta máxima y total presentan correlaciones negativas significativas con el precio.
• El volumen de trading de 24 horas tiene una correlación positiva débil con el precio.
• El clustering distribuye las criptomonedas en cinco grupos según parámetros on-chain.
• El método de los K vecinos más próximos obtiene la mejor puntuación F1 indicada para la clasificación del riesgo: 76%.

Etiquetas

# 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.

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.