رفتن به محتوا
همه اسناد کتابخانه

آزمون شاخص‌های COVID-19 در پیش‌بینی بازده بیت‌کوین

مقاله arXiv papers · نویسنده: Imen Mahmoud et al.
خواندن نسخه اصلی

خلاصه

این مطالعه می‌آزماید که آیا شاخص‌های سلامت COVID-19 هنگام پیش‌بینی بازده بیت‌کوین ارزش پیش‌بینی‌کننده بیشتری دارند. مدل‌های رگرسیون LightGBM را که با ویژگی‌های مرتبط با همه‌گیری، از جمله واکسیناسیون، بستری‌شدن و آزمایش، آموزش دیده‌اند با مدل‌های فاقد این ویژگی‌ها مقایسه می‌کند. یک الگوریتم ژنتیک مدل‌ها را طی 31 اجرای مستقل بهینه می‌کند و مطالعه توزیع‌های R²، RMSE و MAE را با تحلیل هم‌پوشانی و آزمون‌های U من–ویتنی مقایسه می‌کند. اهمیت ویژگی با جایگشت برای سنجش سهم ورودی‌های منفرد به کار می‌رود.

نتایج گزارش‌شده به نفع مدل‌هایی است که داده‌های COVID-19 را در بر می‌گیرند: R² به میزان 40% افزایش یافت و RMSE به میزان 2% کاهش یافت؛ هر دو تغییر از نظر آماری بسیار معنادار توصیف شده‌اند. معیارهای واکسیناسیون، به‌ویژه صدک 75ام افراد کاملاً واکسینه‌شده، رتبه برجسته‌ای داشتند. شواهد به عملکرد پیش‌بینی در مجموعه‌داده و چیدمان مطالعه مربوط است؛ نشان نمی‌دهد این ویژگی‌ها علت بازده بیت‌کوین‌اند یا معامله زنده را بهبود می‌دهند. سند جزئیات دوره نمونه، طراحی اعتبارسنجی مدل یا هزینه‌های معامله را ارائه نمی‌کند؛ بنابراین ارزیابی ارزش عملی و خارج از نمونه دشوار است.

ایده‌های کلیدی

  • مطالعه مدل‌های بازده بیت‌کوین LightGBM را با و بدون شاخص‌های COVID-19 مقایسه می‌کند.
  • یک الگوریتم ژنتیک مدل‌ها را طی 31 اجرای مستقل بهینه می‌کند.
  • برای مقایسه معیارهای عملکرد از آزمون‌های U من–ویتنی و هم‌پوشانی توزیع‌ها استفاده می‌شود.
  • اهمیت ویژگی با جایگشت، معیارهای واکسیناسیون را به‌عنوان پیش‌بین‌های برجسته مشخص می‌کند.
  • بهبودهای گزارش‌شده، ارتقای پیش‌بینی در چارچوب مطالعه را نشان می‌دهند، نه اثبات ارزش آن در معامله زنده را.

برچسب‌ها

رمزارزیادگیری ماشینآمارآزمون گذشته‌نگر
متن کامل
# 2508.00078


# Evaluating COVID 19 Feature Contributions to Bitcoin Return Forecasting: Methodology Based on LightGBM and Genetic Optimization









This study proposes a novel methodological framework integrating a LightGBM regression model and genetic algorithm (GA) optimization to systematically evaluate the contribution of COVID-19-related indicators to Bitcoin return prediction. The primary objective was not merely to forecast Bitcoin returns but rather to determine whether including pandemic-related health data significantly enhances prediction accuracy. A comprehensive dataset comprising daily Bitcoin returns and COVID-19 metrics (vaccination rates, hospitalizations, testing statistics) was constructed. Predictive models, trained with and without COVID-19 features, were optimized using GA over 31 independent runs, allowing robust statistical assessment. Performance metrics (R2, RMSE, MAE) were statistically compared through distribution overlaps and Mann-Whitney U tests. Permutation Feature Importance (PFI) analysis quantified individual feature contributions. Results indicate that COVID-19 indicators significantly improved model performance, particularly in capturing extreme market fluctuations (R2 increased by 40%, RMSE decreased by 2%, both highly significant statistically). Among COVID-19 features, vaccination metrics, especially the 75th percentile of fully vaccinated individuals, emerged as dominant predictors. The proposed methodology extends existing financial analytics tools by incorporating public health signals, providing investors and policymakers with refined indicators to navigate market uncertainty during systemic crises.

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.