Combiner données de marché et signaux sociaux du Bitcoin pour le trading

Résumé

Cette étude combine des mesures du marché du Bitcoin avec des signaux sociaux et comportementaux pour étudier le trading algorithmique. Ses données d’entrée comprennent le prix et le volume sur les plateformes d’échange, l’adoption technologique et le volume des transactions Bitcoin, ainsi que l’activité de recherche, le volume du bouche-à-oreille, le sentiment des tweets et la polarisation des opinions. L’analyse couvre plus de trois ans de données liées au Bitcoin et examine les liens entre ces signaux et les mouvements de prix.

Les auteurs rapportent qu’une polarisation croissante des opinions et le volume des plateformes d’échange précèdent une hausse des cours du Bitcoin, tandis que la valence émotionnelle précède les changements de polarisation et l’augmentation du volume des plateformes d’échange. Ils utilisent ces relations pour construire des stratégies de trading et rapportent des profits élevés sur une période de moins d’un an. Ils indiquent aussi que les contrôles statistiques tiennent compte du risque et des coûts de transaction. Le document ne fournit ni règles précises de stratégie, ni chiffres de performance, ni détails de validation ; les résultats constituent donc des éléments en faveur de l’approche dans l’échantillon étudié, et non une garantie que les signaux sociaux resteront prédictifs.

Idées clés

• L’analyse combine l’activité du marché du Bitcoin, l’adoption, les transactions et les signaux sociaux.
• Selon les résultats rapportés, la polarisation des opinions et le volume des plateformes d’échange précèdent la hausse des cours du Bitcoin.
• La valence émotionnelle précéderait la polarisation et la hausse du volume des exchanges.
• Les auteurs utilisent ces relations pour élaborer des stratégies et rapportent des résultats rentables.
• La description ne donne pas assez de détails pour évaluer indépendamment les règles de stratégie ou leur durabilité.

Étiquettes

# Social signals and algorithmic trading of Bitcoin


# Social signals and algorithmic trading of Bitcoin









The availability of data on digital traces is growing to unprecedented sizes, but inferring actionable knowledge from large-scale data is far from being trivial. This is especially important for computational finance, where digital traces of human behavior offer a great potential to drive trading strategies. We contribute to this by providing a consistent approach that integrates various datasources in the design of algorithmic traders. This allows us to derive insights into the principles behind the profitability of our trading strategies. We illustrate our approach through the analysis of Bitcoin, a cryptocurrency known for its large price fluctuations. In our analysis, we include economic signals of volume and price of exchange for USD, adoption of the Bitcoin technology, and transaction volume of Bitcoin. We add social signals related to information search, word of mouth volume, emotional valence, and opinion polarization as expressed in tweets related to Bitcoin for more than 3 years. Our analysis reveals that increases in opinion polarization and exchange volume precede rising Bitcoin prices, and that emotional valence precedes opinion polarization and rising exchange volumes. We apply these insights to design algorithmic trading strategies for Bitcoin, reaching very high profits in less than a year. We verify this high profitability with robust statistical methods that take into account risk and trading costs, confirming the long-standing hypothesis that trading based social media sentiment has the potential to yield positive returns on investment.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.