Indicateurs LPPLS multi-échelles pour anticiper les krachs du Bitcoin
Résumé
Cette étude évalue l’indicateur de confiance de la singularité en loi de puissance log-périodique (LPPLS) pour repérer les bulles du Bitcoin et anticiper les krachs. À partir des cours quotidiens du Bitcoin des deux années précédentes, elle indique que l’indicateur quotidien peut échouer lors de fortes variations de prix, en particulier pour les bulles positives.
Pour remédier à cette limite, les auteurs proposent une détection adaptative sur des séries de prix horaires et de 30 minutes. Ils rapportent que cette approche à plusieurs niveaux améliore la détection des bulles et les prévisions de krachs, y compris pour les bulles de courte durée. L’indicateur à court terme est décrit comme plus réactif aux mouvements extrêmes et utile sur des horizons allant du jour à la semaine, tandis que la version à plus long terme est plus stable sur des horizons allant de la semaine au mois. Ces résultats proviennent des données et de la méthodologie de l’étude sur le Bitcoin ; le texte fourni ne donne ni mesures de performance ni éléments probants concernant d’autres actifs ou périodes.
Idées clés
- Les mesures quotidiennes de confiance LPPLS peuvent manquer des bulles du Bitcoin lors de fluctuations rapides des prix.
- La méthode proposée applique LPPLS à des séries de prix horaires et de 30 minutes.
- L’étude rapporte une amélioration de la détection et des prévisions de krachs avec l’approche adaptative à plusieurs niveaux.
- Les horizons plus courts et plus longs sont présentés comme utiles pour différentes durées de surveillance des bulles.
- Le résumé ne fournit aucune mesure quantitative des prévisions ni d’éléments probants au-delà du Bitcoin.
Étiquettes
Texte intégral
# Real-time Prediction of Bitcoin Bubble Crashes # Real-time Prediction of Bitcoin Bubble Crashes In the past decade, Bitcoin as an emerging asset class has gained widespread public attention because of their extraordinary returns in phases of extreme price growth and their unpredictable massive crashes. We apply the log-periodic power law singularity (LPPLS) confidence indicator as a diagnostic tool for identifying bubbles using the daily data on Bitcoin price in the past two years. We find that the LPPLS confidence indicator based on the daily Bitcoin price data fails to provide effective warnings for detecting the bubbles when the Bitcoin price suffers from a large fluctuation in a short time, especially for positive bubbles. In order to diagnose the existence of bubbles and accurately predict the bubble crashes in the cryptocurrency market, this study proposes an adaptive multilevel time series detection methodology based on the LPPLS model and finer (than daily) timescale for the Bitcoin price data. We adopt two levels of time series, 1 hour and 30 minutes, to demonstrate the adaptive multilevel time series detection methodology. The results show that the LPPLS confidence indicator based on this new method is an outstanding instrument to effectively detect the bubbles and accurately forecast the bubble crashes, even if a bubble exists in a short time. In addition, we discover that the short-term LPPLS confidence indicator highly sensitive to the extreme fluctuations of Bitcoin price can provide some useful insights into the bubble status on a shorter time scale - on a day to week scale, and the long-term LPPLS confidence indicator has a stable performance in terms of effectively monitoring the bubble status on a longer time scale - on a week to month scale. The adaptive multilevel time series detection methodology can provide real-time detection of bubbles and advanced forecast of crashes to warn of the imminent risk.
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.