חיזוי קפיצות בתנודתיות הביטקוין מנתוני שרשרת ולווייתנים

סיכום

המאמר בוחן אם אותות של CryptoQuant, לרבות נתוני שרשרת, בורסות וכורים, ופוסטים על פעילות לווייתנים יכולים לסייע בחיזוי התנודתיות של הביטקוין ביום הבא, ובייחוד קפיצות קיצוניות. הוא מציע מודל חיזוי Synthesizer Transformer ומשווה את ביצועיו לגישות קיימות. המחברים מדווחים שהמודל שלהם מצליח יותר בחיזוי תנודתיות קיצונית כאשר משתמשים במקורות נתונים אלה, אף שהתיאור אינו מציין את תקופת המדגם, פרטי שוקי הנכסים או תוצאות השוואה מספריות.

המחקר משתמש בניתוח ייחוס תכונות כדי לבחון אילו קלטים חשובים, ומבצע בקטסט לתחזיות באמצעות כמה אסטרטגיות מסחר בסיסיות. הוא מדווח על דרואודאון נמוך יותר לצד רווחים יציבים, אך אינו מספק בתקציר מדדים ספציפיים, כללי אסטרטגיה או פרטים על עלויות עסקה. לכן התוצאות מצביעות על יישום אפשרי לניהול סיכונים ולמסחר, אך המידע הזמין אינו מוכיח עמידות במשטרי שוק שונים או בתנאים מחוץ למדגם.

רעיונות מרכזיים

• היעד הוא תנודתיות הביטקוין ביום הבא, תוך התמקדות מיוחדת בקפיצות קיצוניות.
• הקלטים כוללים נתוני CryptoQuant ופוסטים על פעילות לווייתנים.
• לפי הדיווח, Synthesizer Transformer עולה על מודלי השוואה בתחזיות של תנודתיות קיצונית.
• נעשה שימוש בייחוס תכונות כדי לבדוק אילו קלטים משפיעים.
• בקטסטים מדווחים על דרואודאון נמוך יותר ורווחים יציבים, ללא פירוט של מדדים או עמידות.

תגיות

# Forecasting Bitcoin volatility spikes from whale transactions and CryptoQuant data using Synthesizer Transformer models


# Forecasting Bitcoin volatility spikes from whale transactions and CryptoQuant data using Synthesizer Transformer models









The cryptocurrency market is highly volatile compared to traditional financial markets. Hence, forecasting its volatility is crucial for risk management. In this paper, we investigate CryptoQuant data (e.g. on-chain analytics, exchange and miner data) and whale-alert tweets, and explore their relationship to Bitcoin's next-day volatility, with a focus on extreme volatility spikes. We propose a deep learning Synthesizer Transformer model for forecasting volatility. Our results show that the model outperforms existing state-of-the-art models when forecasting extreme volatility spikes for Bitcoin using CryptoQuant data as well as whale-alert tweets. We analysed our model with the Captum XAI library to investigate which features are most important. We also backtested our prediction results with different baseline trading strategies and the results show that we are able to minimize drawdown while keeping steady profits. Our findings underscore that the proposed method is a useful tool for forecasting extreme volatility movements in the Bitcoin market.

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.