שילוב נתוני מסחר, סנטימנט, עניין בחיפוש וקצב גיבוב לחיזוי תנודתיות ביטקוין
סיכום
המחקר בוחן אם מידע מעבר להיסטוריית המחירים יכול לסייע בחיזוי התנודתיות של ביטקוין מול הדולר. מערכת CoMForE המוצעת משלבת נתוני מסחר היסטוריים עם סנטימנט מציוצים קשורים, מדדי נפח חיפוש של עניין הציבור ונתוני קצב גיבוב של הבלוקצ׳יין. היא משתמשת בהרכב AdaBoost–LSTM ומבקשת גם לחזות שינויים בהתפלגות הערכים של מטבעות קריפטוגרפיים, כאשר החלטות השקעה הן שימוש אפשרי.
המסמך מדווח על ניסויים שבהם שילוב מקורות הנתונים האלה השיג ביצועים טובים יותר מהסתמכות על נתוני מסחר בלבד, וטוען לשיפור של 19.29% לעומת גישות חיזוי קיימות. הוא אינו מפרט את תקופת ההערכה, פרטי מדדי הייחוס, אופק התחזית או אם השיפור המדווח הושג מחוץ למדגם ובמשטרי שוק שונים. החוסרים האלה מקשים להעריך עד כמה התוצאה ניתנת להכללה, או אם המודל יישאר שימושי לאחר התחשבות בזמינות הנתונים ובעלויות המסחר.
רעיונות מרכזיים
- המודל משלב היסטוריית שוק עם סנטימנט מציוצים, עניין בחיפוש וקצב גיבוב של הבלוקצ׳יין.
- CoMForE משתמש בהרכב AdaBoost–LSTM לחיזוי תנודתיות במטבעות קריפטוגרפיים.
- המערכת מכוונת גם לחיזוי תנודות בהתפלגות הערכים של מטבעות קריפטוגרפיים.
- בניסויים המדווחים, קלטים ממקורות מידע רבים עדיפים על נתוני מסחר בלבד.
- בתיאור הקצר חסרים פרטי הערכה הדרושים לשיפוט העמידות והערך המעשי למסחר.
תגיות
הטקסט המלא
# Beyond Trading Data: The Hidden Influence of Public Awareness and Interest on Cryptocurrency Volatility # Beyond Trading Data: The Hidden Influence of Public Awareness and Interest on Cryptocurrency Volatility Since Bitcoin first appeared on the scene in 2009, cryptocurrencies have become a worldwide phenomenon as important decentralized financial assets. Their decentralized nature, however, leads to notable volatility against traditional fiat currencies, making the task of accurately forecasting the crypto-fiat exchange rate complex. This study examines the various independent factors that affect the volatility of the Bitcoin-Dollar exchange rate. To this end, we propose CoMForE, a multimodal AdaBoost-LSTM ensemble model, which not only utilizes historical trading data but also incorporates public sentiments from related tweets, public interest demonstrated by search volumes, and blockchain hash-rate data. Our developed model goes a step further by predicting fluctuations in the overall cryptocurrency value distribution, thus increasing its value for investment decision-making. We have subjected this method to extensive testing via comprehensive experiments, thereby validating the importance of multimodal combination over exclusive reliance on trading data. Further experiments show that our method significantly surpasses existing forecasting tools and methodologies, demonstrating a 19.29% improvement. This result underscores the influence of external independent factors on cryptocurrency volatility.
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.