Combiner trading, sentiment, recherches et taux de hachage pour prévoir la volatilité du Bitcoin

Résumé

Cette étude examine si des informations autres que l’historique des prix peuvent aider à prévoir la volatilité du Bitcoin face au dollar. Le système CoMForE proposé combine les données historiques de trading avec le sentiment exprimé dans des tweets connexes, des mesures du volume de recherche reflétant l’intérêt du public et des données sur le taux de hachage de la blockchain. Il utilise un ensemble AdaBoost–LSTM et vise également à prévoir les changements de distribution des valeurs des cryptomonnaies, avec des décisions d’investissement comme application possible.

Le document rapporte des expériences où la combinaison de ces sources de données donne de meilleurs résultats que les seules données de trading, et revendique une amélioration de 19.29% par rapport aux méthodes de prévision existantes. Il ne précise ni la période d’évaluation, ni les détails des références de comparaison, ni l’horizon de prévision, ni si l’amélioration rapportée est obtenue hors échantillon dans différents régimes de marché. Ces omissions rendent difficile l’évaluation de la portée du résultat et de l’utilité persistante du modèle, une fois prises en compte la disponibilité des données et les coûts de trading.

Idées clés

• Le modèle combine l’historique du marché avec le sentiment des tweets, l’intérêt de recherche et le taux de hachage de la blockchain.
• CoMForE utilise un ensemble AdaBoost–LSTM pour prévoir la volatilité des cryptomonnaies.
• Le système vise également les fluctuations de la distribution des valeurs des cryptomonnaies.
• Les expériences rapportées favorisent les données multimodales par rapport aux seules données de trading.
• La brève description omet les détails d’évaluation nécessaires pour juger la robustesse et la valeur pratique en trading.

Étiquettes

# Beyond Trading Data: The Hidden Influence of Public Awareness and Interest on Cryptocurrency Volatility


# Beyond Trading Data: The Hidden Influence of Public Awareness and Interest on Cryptocurrency Volatility









Since Bitcoin first appeared on the scene in 2009, cryptocurrencies have become a worldwide phenomenon as important decentralized financial assets. Their decentralized nature, however, leads to notable volatility against traditional fiat currencies, making the task of accurately forecasting the crypto-fiat exchange rate complex. This study examines the various independent factors that affect the volatility of the Bitcoin-Dollar exchange rate. To this end, we propose CoMForE, a multimodal AdaBoost-LSTM ensemble model, which not only utilizes historical trading data but also incorporates public sentiments from related tweets, public interest demonstrated by search volumes, and blockchain hash-rate data. Our developed model goes a step further by predicting fluctuations in the overall cryptocurrency value distribution, thus increasing its value for investment decision-making. We have subjected this method to extensive testing via comprehensive experiments, thereby validating the importance of multimodal combination over exclusive reliance on trading data. Further experiments show that our method significantly surpasses existing forecasting tools and methodologies, demonstrating a 19.29% improvement. This result underscores the influence of external independent factors on cryptocurrency volatility.

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.