Prévision des rendements crypto avec LASSO-VAR et les données de sentiment

Résumé

L’article évalue si les mesures de sentiment et d’attention sur les réseaux sociaux peuvent aider à prévoir les rendements logarithmiques quotidiens de dix cryptomonnaies. Les prédicteurs comprennent le sentiment sur Twitter et Reddit, les indices Google Trends et le volume de trading. La méthode de prévision est une autorégression vectorielle régularisée par LASSO, évaluée avec une prévision récursive sur 30 jours à partir d’observations quotidiennes de janvier 2018 à janvier 2022. L’étude compare aussi les prévisions à des références et applique une procédure post-double LASSO pour l’analyse de causalité de Granger dans des VAR de grande dimension.

La précision directionnelle rapportée dépasse 50%, et la précision directionnelle moyenne s’améliore de 10% par rapport aux principales références. L’ajout du sentiment et de l’attention améliore la précision directionnelle, mais pas l’erreur quadratique moyenne. L’analyse de causalité ne trouve aucun élément indiquant que le sentiment sur les réseaux sociaux cause au sens de Granger les rendements des cryptomonnaies. Ces résultats suggèrent que le sentiment et l’attention peuvent contribuer aux prévisions directionnelles sans réduire les erreurs d’amplitude ni établir de relation causale. L’extrait ne nomme pas les références et ne fournit pas de détails supplémentaires sur la robustesse, les coûts de transaction ou la mise en œuvre hors échantillon.

Idées clés

• L’étude utilise des modèles LASSO-VAR pour prévoir les rendements de dix cryptomonnaies à partir de données quotidiennes.
• Le sentiment sur Twitter et Reddit, Google Trends et le volume sont inclus comme prédicteurs.
• Le sentiment et l’attention améliorent la précision directionnelle moyenne par rapport aux références indiquées, mais pas l’erreur quadratique moyenne.
• L’analyse de causalité de Granger rapportée ne trouve aucun lien prédictif causal entre le sentiment sur les réseaux sociaux et les rendements des cryptomonnaies.
• L’extrait ne décrit ni ajustements liés aux coûts de trading ni résultats de mise en œuvre.

Étiquettes

# Forecasting Cryptocurrencies Log-Returns: a LASSO-VAR and Sentiment Approach


# Forecasting Cryptocurrencies Log-Returns: a LASSO-VAR and Sentiment Approach









Cryptocurrencies have become a trendy topic recently, primarily due to their disruptive potential and reports of unprecedented returns. In addition, academics increasingly acknowledge the predictive power of Social Media in many fields and, more specifically, for financial markets and economics. In this paper, we leverage the predictive power of Twitter and Reddit sentiment together with Google Trends indexes and volume to forecast the log returns of ten cryptocurrencies. Specifically, we consider $Bitcoin$, $Ethereum$, $Tether$, $Binance Coin$, $Litecoin$, $Enjin Coin$, $Horizen$, $Namecoin$, $Peercoin$, and $Feathercoin$. We evaluate the performance of LASSO-VAR using daily data from January 2018 to January 2022. In a 30 days recursive forecast, we can retrieve the correct direction of the actual series more than 50% of the time. We compare this result with the main benchmarks, and we see a 10% improvement in Mean Directional Accuracy (MDA). The use of sentiment and attention variables as predictors increase significantly the forecast accuracy in terms of MDA but not in terms of Root Mean Squared Errors. We perform a Granger causality test using a post-double LASSO selection for high-dimensional VARs. Results show no "causality" from Social Media sentiment to cryptocurrencies returns

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.