Combinação de trading, sentimento, buscas e hash rate para prever a volatilidade do Bitcoin

Resumo

Este estudo examina se informações além do histórico de preços podem ajudar a prever a volatilidade do Bitcoin em relação ao dólar. O sistema proposto, CoMForE, combina dados históricos de trading com o sentimento de tuítes relacionados, medidas de volume de buscas sobre o interesse público e dados de hash rate da blockchain. Usa um ensemble AdaBoost–LSTM e também busca prever mudanças na distribuição dos valores das criptomoedas, com possível aplicação em decisões de investimento.

O documento relata experimentos nos quais a combinação dessas fontes de dados teve desempenho superior ao uso exclusivo de dados de trading e afirma uma melhora de 19.29% em relação às abordagens de previsão existentes. Não especifica o período de avaliação, os detalhes das referências de comparação, o horizonte de previsão nem se a melhora relatada é fora da amostra em diferentes regimes de mercado. Essas omissões dificultam avaliar a abrangência do resultado ou se o modelo continuaria útil após considerar a disponibilidade dos dados e os custos de trading.

Ideias principais

• O modelo combina o histórico do mercado com o sentimento de tuítes, o interesse em buscas e o hash rate da blockchain.
• O CoMForE usa um ensemble AdaBoost–LSTM para prever a volatilidade de criptomoedas.
• O sistema também busca prever oscilações na distribuição dos valores das criptomoedas.
• Os experimentos relatados favorecem entradas multimodais em comparação com o uso exclusivo de dados de trading.
• A descrição breve omite detalhes de avaliação necessários para julgar a robustez e o valor prático para o trading.

Tags

# 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.

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.