Utiliser PCA et la corrélation canonique pour prévoir les rendements d’Ethereum

Résumé

Cet article évalue des méthodes de réduction de dimensionnalité pour étudier la relation entre Bitcoin et Ethereum et prévoir les rendements d’Ethereum. Le jeu de données utilise des rendements logarithmiques et des covariables supplémentaires. Les auteurs commencent par la corrélation de Pearson comme mesure préliminaire du lien entre les deux cryptomonnaies, puis appliquent l’analyse des corrélations canoniques et l’analyse en composantes principales pour réduire la dimensionnalité des données et examiner les relations entre actifs.

Pour la tâche de prévision, l’étude utilise des caractéristiques du Bitcoin afin de prévoir les rendements d’Ethereum et mesure la performance des techniques statistiques. La description fournie expose le protocole de recherche, mais ne donne ni scores de prévision, ni dates d’échantillonnage, ni détails sur les modèles, ni comparaison avec une référence. Elle indique donc les méthodes évaluées, sans montrer si la réduction de dimensionnalité a amélioré les prévisions ni si une relation se généraliserait au-delà des données analysées. L’étude porte sur les liens statistiques et la prévision des rendements entre deux cryptomonnaies, plutôt que sur une stratégie de trading complète assortie de règles d’exécution ou de risque.

Idées clés

• L’étude examine les liens entre Bitcoin et Ethereum à partir de leurs rendements logarithmiques et de covariables supplémentaires.
• La corrélation de Pearson fournit une première évaluation de la relation entre les deux actifs.
• L’analyse des corrélations canoniques et l’analyse en composantes principales servent à réduire la dimensionnalité.
• La tâche de prévision anticipe les rendements d’Ethereum à partir de caractéristiques du Bitcoin.
• La description fournie ne rapporte aucun score de prévision et n’établit pas si les méthodes améliorent la prévision.

Étiquettes

# Dimensionality reduction for prediction: Application to Bitcoin and Ethereum


# Dimensionality reduction for prediction: Application to Bitcoin and Ethereum









The objective of this paper is to assess the performances of dimensionality reduction techniques to establish a link between cryptocurrencies. We have focused our analysis on the two most traded cryptocurrencies: Bitcoin and Ethereum. To perform our analysis, we took log returns and added some covariates to build our data set. We first introduced the pearson correlation coefficient in order to have a preliminary assessment of the link between Bitcoin and Ethereum. We then reduced the dimension of our data set using canonical correlation analysis and principal component analysis. After performing an analysis of the links between Bitcoin and Ethereum with both statistical techniques, we measured their performance on forecasting Ethereum returns with Bitcoin s features.

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.