ارزش‌گذاری قیمت به مطلوبیت بیت‌کوین و سیگنال‌های معاملاتی تبیین‌پذیر
خلاصه
این مقاله نسبتی از قیمت به مطلوبیت معرفی می‌کند که برای مقایسه قیمت بازار بیت‌کوین با سنجه‌ای مبتنی بر بلاک‌چین از مطلوبیت بنیادی در نظر گرفته شده است. نویسندگان این سنجه را با استفاده از نظریه پولی و ساختار حسابداری UTXO بیت‌کوین استخراج می‌کنند و سپس آن را با نماگرهای موجودِ نسبت بازار به ارزش بنیادی مقایسه می‌کنند. در تحلیل تاریخی بیت‌کوین، گزارش شده است که گزینه‌های دیگر قدرت پیش‌بینی کوتاه‌مدت اندکی دارند، درحالی‌که نسبت پیشنهادی بازده‌های بلندمدت را مؤثرتر پیش‌بینی می‌کند.
مقاله همچنین برای بررسی نقش تبیینی این نسبت از یادگیری ماشین استفاده می‌کند و راهبردی خودکار بر پایه آن می‌سازد. نویسندگان گزارش می‌دهند که این راهبرد از معیارهای نگهداری و خرید و زمان‌بندی بازار بهتر عمل می‌کند و نسبت را سیگنالی برای خرید در قیمت پایین و فروش در قیمت بالا تفسیر می‌کنند. توضیح ارائه‌شده تاریخ‌های نمونه، آمار عملکرد، فرض‌های هزینه معامله یا آزمون‌های استحکام را بیان نمی‌کند؛ بنابراین، تنها بر اساس این خلاصه نمی‌توان نتایج پیش‌بینی و معامله گزارش‌شده را به‌طور کامل ارزیابی کرد.
ایده‌های کلیدی
- نسبت پیشنهادی قیمت به مطلوبیت، از حسابداری بلاک‌چین بیت‌کوین برای نمایش مطلوبیت بنیادی استفاده می‌کند.
- مطالعه گزارش می‌دهد که نسبت جدید، بازده بلندمدت را بهتر از نماگرهای موجود پیش‌بینی می‌کند.
- برای ارزیابی نقش نسبت در تبیین سیگنال‌های ارزش‌گذاری بیت‌کوین از یادگیری ماشین استفاده می‌شود.
- گزارش شده است که راهبرد مبتنی بر این نسبت از معیارهای نگهداری و خرید و زمان‌بندی بازار بهتر عمل می‌کند.
- توضیح، جزئیات اجرا و استحکام لازم برای ارزیابی نتایج گزارش‌شده را ارائه نمی‌کند.
برچسب‌ها
متن کامل
# Cryptocurrency Valuation: An Explainable AI Approach # Cryptocurrency Valuation: An Explainable AI Approach Currently, there are no convincing proxies for the fundamentals of cryptocurrency assets. We propose a new market-to-fundamental ratio, the price-to-utility (PU) ratio, utilizing unique blockchain accounting methods. We then proxy various existing fundamental-to-market ratios by Bitcoin historical data and find they have little predictive power for short-term bitcoin returns. However, PU ratio effectively predicts long-term bitcoin returns than alternative methods. Furthermore, we verify the explainability of PU ratio using machine learning. Finally, we present an automated trading strategy advised by the PU ratio that outperforms the conventional buy-and-hold and market-timing strategies. Our research contributes to explainable AI in finance from three facets: First, our market-to-fundamental ratio is based on classic monetary theory and the unique UTXO model of Bitcoin accounting rather than ad hoc; Second, the empirical evidence testifies the buy-low and sell-high implications of the ratio; Finally, we distribute the trading algorithms as open-source software via Python Package Index for future research, which is exceptional in finance research.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.