پیش‌بینی جهش نوسان بیت‌کوین با داده‌های درون‌زنجیره‌ای و نهنگ‌ها
خلاصه
این مقاله بررسی می‌کند که آیا سیگنال‌های CryptoQuant، از جمله داده‌های درون‌زنجیره‌ای، صرافی‌ها و استخراج‌کنندگان، و پست‌های هشدار نهنگ‌ها می‌توانند به پیش‌بینی نوسان روز بعد بیت‌کوین، به‌ویژه جهش‌های شدید، کمک کنند. مدل پیش‌بینی ترنسفورمر Synthesizer را پیشنهاد می‌کند و عملکرد آن را با روش‌های موجود مقایسه می‌کند. نویسندگان گزارش می‌دهند که مدل با استفاده از این منابع داده در پیش‌بینی نوسان شدید بهتر عمل می‌کند، هرچند توضیحات دوره نمونه، جزئیات بازار دارایی یا نتایج عددی مقایسه را ذکر نمی‌کنند.
پژوهش برای بررسی ورودی‌های مؤثر از تحلیل انتساب ویژگی استفاده می‌کند و پیش‌بینی‌ها را با چند استراتژی معاملاتی پایه بک‌تست می‌کند. کاهش افت سرمایه در کنار سودهای پایدار گزارش شده است، اما خلاصه سنجه‌های مشخص، قواعد استراتژی یا جزئیات هزینه معامله را ارائه نمی‌کند. بنابراین این نتایج از کاربرد بالقوه در مدیریت ریسک و معامله‌گری حکایت دارند، ولی شرح موجود استحکام نتایج را در رژیم‌های مختلف بازار یا شرایط خارج از نمونه اثبات نمی‌کند.
ایده‌های کلیدی
- هدف، نوسان روز بعد بیت‌کوین است و توجه ویژه‌ای به جهش‌های شدید دارد.
- ورودی‌ها شامل داده‌های CryptoQuant و پست‌های هشدار نهنگ‌هاست.
- گزارش شده است که ترنسفورمر Synthesizer در پیش‌بینی نوسان شدید از مدل‌های مقایسه‌ای بهتر عمل می‌کند.
- برای بررسی ورودی‌های اثرگذار از انتساب ویژگی استفاده می‌شود.
- بک‌تست‌ها افت سرمایه کمتر و سودهای پایدار را گزارش می‌کنند، اما جزئیات سنجه‌ها یا استحکام را ارائه نمی‌دهند.
برچسب‌ها
متن کامل
# Forecasting Bitcoin volatility spikes from whale transactions and CryptoQuant data using Synthesizer Transformer models # Forecasting Bitcoin volatility spikes from whale transactions and CryptoQuant data using Synthesizer Transformer models The cryptocurrency market is highly volatile compared to traditional financial markets. Hence, forecasting its volatility is crucial for risk management. In this paper, we investigate CryptoQuant data (e.g. on-chain analytics, exchange and miner data) and whale-alert tweets, and explore their relationship to Bitcoin's next-day volatility, with a focus on extreme volatility spikes. We propose a deep learning Synthesizer Transformer model for forecasting volatility. Our results show that the model outperforms existing state-of-the-art models when forecasting extreme volatility spikes for Bitcoin using CryptoQuant data as well as whale-alert tweets. We analysed our model with the Captum XAI library to investigate which features are most important. We also backtested our prediction results with different baseline trading strategies and the results show that we are able to minimize drawdown while keeping steady profits. Our findings underscore that the proposed method is a useful tool for forecasting extreme volatility movements in the Bitcoin market.
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.