پیش‌بینی بازده ارزهای دیجیتال با LASSO-VAR و داده‌های احساسات
خلاصه
این مقاله ارزیابی می‌کند که آیا سنجه‌های احساسات و توجه در شبکه‌های اجتماعی می‌توانند به پیش‌بینی بازده لگاریتمی روزانه ده ارز دیجیتال کمک کنند. متغیرهای پیش‌بین شامل احساسات Twitter و Reddit، شاخص‌های Google Trends و حجم معاملات هستند. روش پیش‌بینی، خودرگرسیون برداری منظم‌شده با LASSO است که با پیش‌بینی بازگشتی 30روزه روی مشاهدات روزانه از ژانویه 2018 تا ژانویه 2022 ارزیابی شده است. مطالعه همچنین پیش‌بینی‌ها را با معیارهای مبنا مقایسه می‌کند و برای تحلیل علیت گرنجر در VARهای پُربعد، رویه پس از LASSO دوگانه را به‌کار می‌گیرد.
دقت جهت گزارش‌شده از 50% بیشتر است و میانگین دقت جهت نسبت به معیارهای مبنای اصلی 10% بهبود می‌یابد. افزودن احساسات و توجه دقت جهت را بهتر می‌کند، اما خطای جذر میانگین مربعات را نه. تحلیل علیت، هیچ شواهدی نمی‌یابد که احساسات شبکه‌های اجتماعی به روش گرنجر علت بازده ارزهای دیجیتال باشد. این نتایج نشان می‌دهند احساسات و توجه ممکن است به پیش‌بینی جهت کمک کنند، بی‌آنکه خطاهای اندازه را بهبود دهند یا رابطه‌ای علّی را اثبات کنند. گزیده نام معیارهای مبنا را نمی‌گوید و جزئیات بیشتری درباره استحکام، هزینه‌های معامله یا پیاده‌سازی خارج از نمونه ارائه نمی‌کند.
ایده‌های کلیدی
- مطالعه از مدل‌های LASSO-VAR برای پیش‌بینی بازده ده ارز دیجیتال بر پایه داده‌های روزانه استفاده می‌کند.
- احساسات Twitter و Reddit، Google Trends و حجم به‌عنوان متغیرهای پیش‌بین در نظر گرفته شده‌اند.
- احساسات و توجه، میانگین دقت جهت را نسبت به معیارهای مبنای ذکرشده بهبود می‌دهند، اما خطای جذر میانگین مربعات را نه.
- تحلیل علیت گرنجر گزارش‌شده هیچ پیوند پیش‌بینی علّی از احساسات شبکه‌های اجتماعی به بازده ارزهای دیجیتال نمی‌یابد.
- گزیده درباره تعدیل هزینه‌های معامله یا نتایج پیاده‌سازی توضیحی نمی‌دهد.
برچسب‌ها
متن کامل
# 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
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.