سیگنال‌های توییتری، پوشش خبری و پویایی قیمت ارزهای دیجیتال
خلاصه
این مقاله بررسی می‌کند که آیا سیگنال‌های معاملاتی در پست‌های توییتری تأثیرگذاران ارزهای دیجیتال و رسانه‌های خبری با قیمت‌های بازار مرتبط‌اند یا نه. مدل‌های زبانی بزرگ، سیگنال‌های خرید و غیرخرید را در پست‌ها شناسایی می‌کنند و سپس آن‌ها با قیمت‌های نه ارز دیجیتال بزرگ مقایسه می‌شوند. تحلیل با استفاده از خودرگرسیون برداری، آزمون‌های علیت گرنجر و همبستگی متقاطع، زمان‌بندی و روابط میان سیگنال‌های تجمیع‌شده و نوسان قیمت را بررسی می‌کند.
نتایج در ارزهای دیجیتال و دوره‌های مختلف تفاوت دارند و مقاله همچنین تفاوت‌هایی را در پوشش این دارایی‌ها توسط تأثیرگذاران و رسانه‌های خبری گزارش می‌کند. برای سه ارز دیجیتالی که بیشترین حضور را در پست‌ها دارند، سیگنال تجمیع‌شده طی 24 ساعت پیشین، با وقفه‌ای دست‌کم شش‌ساعته موجب نوسان قیمت‌ها به معنای علیت گرنجر می‌شود. این یافته در چارچوب روش مطالعه، شاهدی بر ارتباط پیش‌بینانه زمانی است؛ نه اثباتی بر اینکه پست‌ها باعث تغییر قیمت می‌شوند یا سیگنال‌ها معاملات سودآوری ایجاد می‌کنند. خلاصه، هزینه‌های معامله، اجرا یا بک‌تست استراتژی را توصیف نمی‌کند.
ایده‌های کلیدی
- مدل‌های زبانی بزرگ، پست‌های توییتری تأثیرگذاران حوزه رمزارز و رسانه‌های خبری را به‌عنوان سیگنال خرید یا غیرخرید دسته‌بندی می‌کنند.
- این مطالعه سیگنال‌های شناسایی‌شده را با قیمت‌های نه ارز دیجیتال بزرگ، با استفاده از VAR، علیت گرنجر و تحلیل همبستگی متقاطع مرتبط می‌کند.
- نتایج میان دارایی‌ها و دوره‌های زمانی متفاوت است.
- برای سه ارز دیجیتال پرتکرار، سیگنال‌های 24 ساعت پیشین با وقفه‌ای دست‌کم شش‌ساعته موجب نوسان قیمت‌ها به معنای علیت گرنجر می‌شوند.
- تحلیل، تفاوت پوشش تأثیرگذاران و رسانه‌های خبری را گزارش می‌کند، اما سودآوری معاملات را اثبات نمی‌کند.
برچسب‌ها
متن کامل
# Exploring Relationships Between Cryptocurrency News Outlets and Influencers' Twitter Activity and Market Prices # Exploring Relationships Between Cryptocurrency News Outlets and Influencers' Twitter Activity and Market Prices Academics increasingly acknowledge the predictive power of social media for a wide variety of events and, more specifically, for financial markets. Anecdotal and empirical findings show that cryptocurrencies are among the financial assets that have been affected by news and influencers' activities on Twitter. However, the extent to which Twitter crypto influencer's posts about trading signals and their effect on market prices is mostly unexplored. In this paper, we use LLMs to uncover buy and not-buy signals from influencers and news outlets' Twitter posts and use a VAR analysis with Granger Causality tests and cross-correlation analysis to understand how these trading signals are temporally correlated with the top nine major cryptocurrencies' prices. Overall, the results show a mixed pattern across cryptocurrencies and temporal periods. However, we found that for the top three cryptocurrencies with the highest presence within news and influencer posts, their aggregated LLM-detected trading signal over the preceding 24 hours granger-causes fluctuations in their market prices, exhibiting a lag of at least 6 hours. In addition, the results reveal fundamental differences in how influencers and news outlets cover cryptocurrencies.
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.