Combinação de dados de mercado e sinais sociais do Bitcoin para trading

Resumo

Este estudo combina medidas do mercado de Bitcoin com sinais sociais e comportamentais para investigar o trading algorítmico. Entre as entradas estão preço e volume em exchanges, adoção de tecnologia e volume de transações de Bitcoin, além de atividade de busca, volume de boca a boca, sentimento em tweets e polarização de opiniões. A análise abrange mais de três anos de dados relacionados ao Bitcoin e examina como esses sinais se relacionam com os movimentos de preços.

Os autores relatam que o aumento da polarização de opiniões e do volume em exchanges precede preços mais altos do Bitcoin, enquanto a valência emocional precede mudanças na polarização e o aumento do volume em exchanges. Eles usam essas relações para construir estratégias de trading e relatam lucros altos em um período inferior a um ano. Também afirmam que as verificações estatísticas levam em conta o risco e os custos de trading. O documento não apresenta regras precisas para as estratégias, números de desempenho ou detalhes de validação; portanto, as conclusões são evidências da abordagem na amostra estudada, e não uma garantia de que os sinais sociais continuarão preditivos.

Ideias principais

• A análise combina atividade de mercado do Bitcoin, adoção, transações e sinais sociais.
• Segundo o estudo, a polarização de opiniões e o volume em exchanges precedem a alta dos preços do Bitcoin.
• Segundo o estudo, a valência emocional precede a polarização e o aumento do volume em exchanges.
• Os autores usam essas relações para construir estratégias e relatam resultados lucrativos.
• A descrição não traz detalhes suficientes para avaliar de forma independente as regras da estratégia ou sua durabilidade.

Tags

# Social signals and algorithmic trading of Bitcoin


# Social signals and algorithmic trading of Bitcoin









The availability of data on digital traces is growing to unprecedented sizes, but inferring actionable knowledge from large-scale data is far from being trivial. This is especially important for computational finance, where digital traces of human behavior offer a great potential to drive trading strategies. We contribute to this by providing a consistent approach that integrates various datasources in the design of algorithmic traders. This allows us to derive insights into the principles behind the profitability of our trading strategies. We illustrate our approach through the analysis of Bitcoin, a cryptocurrency known for its large price fluctuations. In our analysis, we include economic signals of volume and price of exchange for USD, adoption of the Bitcoin technology, and transaction volume of Bitcoin. We add social signals related to information search, word of mouth volume, emotional valence, and opinion polarization as expressed in tweets related to Bitcoin for more than 3 years. Our analysis reveals that increases in opinion polarization and exchange volume precede rising Bitcoin prices, and that emotional valence precedes opinion polarization and rising exchange volumes. We apply these insights to design algorithmic trading strategies for Bitcoin, reaching very high profits in less than a year. We verify this high profitability with robust statistical methods that take into account risk and trading costs, confirming the long-standing hypothesis that trading based social media sentiment has the potential to yield positive returns on investment.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.