Passer au contenu
Tous les documents de la bibliothèque

Prévoir les pics de volatilité du Bitcoin avec les données on-chain et des baleines

Article arXiv papers · Auteur: Dorien Herremans et al.
Lire la source originale

Résumé

L’article étudie si les signaux de CryptoQuant, notamment les données on-chain, celles des plateformes d’échange et des mineurs, ainsi que les alertes de baleines, peuvent aider à prévoir la volatilité du Bitcoin le lendemain, en particulier les pics extrêmes. Il propose un modèle de prévision Synthesizer Transformer et compare ses performances à celles d’approches existantes. Les auteurs indiquent que le modèle prédit mieux les épisodes de volatilité extrême lorsqu’il utilise ces sources de données, mais la description ne donne ni période d’échantillonnage, ni détails sur les marchés d’actifs, ni résultats numériques comparatifs.

L’étude recourt à l’analyse d’attribution des caractéristiques pour examiner les variables importantes, puis teste les prévisions par backtest au moyen de plusieurs stratégies de trading de référence. Elle rapporte un drawdown réduit et des profits réguliers, sans fournir dans le résumé de mesures précises, de règles de stratégie ni de détails sur les coûts de transaction. Ces résultats suggèrent une application possible à la gestion du risque et au trading, mais les informations disponibles n’établissent pas la robustesse selon les régimes de marché ou hors échantillon.

Idées clés

  • L’objectif est la volatilité du Bitcoin le lendemain, en particulier les pics extrêmes.
  • Les données d’entrée comprennent les données de CryptoQuant et les alertes de baleines.
  • Selon les résultats rapportés, un Synthesizer Transformer surpasse les modèles de comparaison pour prévoir la volatilité extrême.
  • L’attribution des caractéristiques sert à examiner les variables influentes.
  • Les backtests rapportent un drawdown plus faible et des profits réguliers, sans détails sur les mesures ni la robustesse.

Étiquettes

CryptomonnaiesVolatilitéApprentissage automatiqueDonnées on-chainBacktestGestion des risques
Texte intégral
# 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.

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.