עבור לתוכן
כל מסמכי הספרייה

בדיקת מדדי COVID-19 בחיזוי תשואות ביטקוין

מאמר arXiv papers · מחבר: Imen Mahmoud et al.
לקריאת המקור

סיכום

המחקר בודק אם מדדי בריאות הקשורים ל־COVID-19 מוסיפים ערך חיזויי בעת חיזוי תשואות ביטקוין. הוא משווה בין מודלי רגרסיית LightGBM שאומנו עם מאפיינים הקשורים למגפה ובלעדיהם, ובהם מדדי חיסון, אשפוז ובדיקות. אלגוריתם גנטי מבצע אופטימיזציה למודלים לאורך 31 ריצות עצמאיות, והמחקר משווה את ההתפלגויות של R²,‏ RMSE ו־MAE באמצעות ניתוח חפיפה ומבחני U של Mann–Whitney. חשיבות מאפיינים לפי פרמוטציה משמשת להערכת תרומתם של קלטים בודדים.

התוצאות המדווחות מעדיפות מודלים הכוללים נתוני COVID-19: ‏R² עלה ב־40% ו־RMSE ירד ב־2%; שני השינויים מתוארים כמובהקים מאוד מבחינה סטטיסטית. מדדי חיסון, ובייחוד האחוזון ה־75 של אנשים שהתחסנו במלואם, דורגו גבוה. הראיות נוגעות לביצועים חיזויים במערך הנתונים ובהגדרות המחקר; הן אינן מבססות שמאפיינים אלה גורמים לתשואות ביטקוין או ישפרו מסחר חי. המסמך אינו מספק מידע מפורט על תקופת המדגם, מבנה אימות המודל או עלויות עסקה, ולכן קשה להעריך את הערך המעשי ואת ערך החיזוי מחוץ למדגם.

רעיונות מרכזיים

  • המחקר משווה בין מודלים לחיזוי תשואות ביטקוין מבוססי LightGBM, עם מדדי COVID-19 ובלעדיהם.
  • אלגוריתם גנטי מבצע אופטימיזציה למודלים לאורך 31 ריצות עצמאיות.
  • מבחני U של Mann–Whitney וחפיפות בין התפלגויות משמשים להשוואת מדדי הביצועים.
  • חשיבות מאפיינים לפי פרמוטציה מזהה מדדי חיסון כמנבאים בולטים.
  • הרווחים המדווחים מצביעים על שיפור חיזויי בהגדרות המחקר, ולא מוכיחים ערך למסחר חי.

תגיות

קריפטולמידת מכונהסטטיסטיקהבדיקת ביצועים היסטוריים
הטקסט המלא
# 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.

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.