תמחור Bitcoin לפי יחס מחיר לתועלת ואותות מסחר מוסברים

סיכום

המאמר מציג יחס מחיר לתועלת שנועד להשוות את מחיר השוק של Bitcoin למדד תועלת בסיסית המבוסס על בלוקצ'יין. המחברים גוזרים את המדד באמצעות תיאוריה מוניטרית ומבנה החשבונאות של UTXO ב-Bitcoin, ואז משווים אותו למדדי קירוב קיימים של היחס בין שוק לערך בסיסי. בניתוח ההיסטורי שלהם של Bitcoin, למדדים החלופיים יש יכולת חיזוי קצרת טווח מועטה, ואילו לפי הדיווח היחס המוצע חוזה תשואות ארוכות טווח בצורה יעילה יותר.

המאמר משתמש גם בלמידת מכונה כדי לבחון את תפקידו ההסברי של היחס, ומפתח אסטרטגיה אוטומטית המונחית על ידו. המחברים מדווחים שהאסטרטגיה עולה על מדדי ייחוס של קנייה והחזקה ושל תזמון שוק, ומפרשים את היחס כאות לקנות בזול ולמכור ביוקר. התיאור שסופק אינו כולל תאריכי מדגם, נתוני ביצועים, הנחות על עלויות עסקה או בדיקות עמידות, ולכן אי אפשר להעריך במלואן את תוצאות החיזוי והמסחר המדווחות על סמך הסיכום בלבד.

רעיונות מרכזיים

• יחס המחיר לתועלת המוצע משתמש בחשבונאות הבלוקצ'יין של Bitcoin כדי לייצג תועלת בסיסית.
• המחקר מדווח שהיחס החדש מנבא תשואות ארוכות טווח טוב יותר ממדדים קיימים.
• נעשה שימוש בלמידת מכונה להערכת האופן שבו היחס מסביר אותות תמחור של Bitcoin.
• לפי הדיווח, אסטרטגיה המבוססת על היחס עולה על מדדי ייחוס של קנייה והחזקה ושל תזמון שוק.
• התיאור משמיט פרטי יישום ועמידות הדרושים להערכת התוצאות המדווחות.

תגיות

# Cryptocurrency Valuation: An Explainable AI Approach


# Cryptocurrency Valuation: An Explainable AI Approach









Currently, there are no convincing proxies for the fundamentals of cryptocurrency assets. We propose a new market-to-fundamental ratio, the price-to-utility (PU) ratio, utilizing unique blockchain accounting methods. We then proxy various existing fundamental-to-market ratios by Bitcoin historical data and find they have little predictive power for short-term bitcoin returns. However, PU ratio effectively predicts long-term bitcoin returns than alternative methods. Furthermore, we verify the explainability of PU ratio using machine learning. Finally, we present an automated trading strategy advised by the PU ratio that outperforms the conventional buy-and-hold and market-timing strategies. Our research contributes to explainable AI in finance from three facets: First, our market-to-fundamental ratio is based on classic monetary theory and the unique UTXO model of Bitcoin accounting rather than ad hoc; Second, the empirical evidence testifies the buy-low and sell-high implications of the ratio; Finally, we distribute the trading algorithms as open-source software via Python Package Index for future research, which is exceptional in finance research.

מוצג במלואו בציון המקור ובהתאם לרישיון שלו. רישיון: abstract CC0

הסיכום נכתב בידי סוכן המחקר של Stratmill על סמך המקור; הוא אינו העתק של המקור.