Indicateurs COVID-19 et prévision des rendements du Bitcoin

Résumé

L’étude teste si les indicateurs sanitaires liés à COVID-19 améliorent la prévision des rendements du Bitcoin. Elle compare des modèles de régression LightGBM entraînés avec et sans variables liées à la pandémie, notamment des mesures de vaccination, d’hospitalisation et de dépistage. Un algorithme génétique optimise les modèles au fil de 31 exécutions indépendantes, et l’étude compare les distributions de R², de RMSE et de MAE à l’aide d’une analyse de chevauchement et de tests U de Mann–Whitney. L’importance des variables est évaluée par permutation.

Les résultats rapportés favorisent les modèles intégrant les données sur COVID-19 : le R² augmente de 40% et le RMSE diminue de 2%, les deux variations étant décrites comme hautement significatives sur le plan statistique. Les mesures de vaccination, notamment le 75e percentile des personnes entièrement vaccinées, ressortent parmi les variables importantes. Les éléments présentés concernent les performances prédictives dans le jeu de données et le cadre de l’étude ; ils n’établissent pas que ces variables causent les rendements du Bitcoin ni qu’elles amélioreraient le trading en réel. Le document ne donne pas de précisions sur la période de l’échantillon, le protocole de validation des modèles ou les coûts de transaction, ce qui rend difficile l’évaluation de leur intérêt pratique et hors échantillon.

Idées clés

• L’étude compare des modèles LightGBM de prévision du rendement du Bitcoin, avec et sans indicateurs liés à COVID-19.
• Un algorithme génétique optimise les modèles sur 31 exécutions indépendantes.
• Des tests U de Mann–Whitney et le chevauchement des distributions servent à comparer les mesures de performance.
• L’importance des variables par permutation fait ressortir les mesures de vaccination parmi les principaux prédicteurs.
• Les gains rapportés montrent une amélioration prédictive dans le cadre de l’étude, sans prouver leur intérêt pour le trading en réel.

Étiquettes

# 2508.00078


# Evaluating COVID 19 Feature Contributions to Bitcoin Return Forecasting: Methodology Based on LightGBM and Genetic Optimization









This study proposes a novel methodological framework integrating a LightGBM regression model and genetic algorithm (GA) optimization to systematically evaluate the contribution of COVID-19-related indicators to Bitcoin return prediction. The primary objective was not merely to forecast Bitcoin returns but rather to determine whether including pandemic-related health data significantly enhances prediction accuracy. A comprehensive dataset comprising daily Bitcoin returns and COVID-19 metrics (vaccination rates, hospitalizations, testing statistics) was constructed. Predictive models, trained with and without COVID-19 features, were optimized using GA over 31 independent runs, allowing robust statistical assessment. Performance metrics (R2, RMSE, MAE) were statistically compared through distribution overlaps and Mann-Whitney U tests. Permutation Feature Importance (PFI) analysis quantified individual feature contributions. Results indicate that COVID-19 indicators significantly improved model performance, particularly in capturing extreme market fluctuations (R2 increased by 40%, RMSE decreased by 2%, both highly significant statistically). Among COVID-19 features, vaccination metrics, especially the 75th percentile of fully vaccinated individuals, emerged as dominant predictors. The proposed methodology extends existing financial analytics tools by incorporating public health signals, providing investors and policymakers with refined indicators to navigate market uncertainty during systemic crises.

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.