Previsão de retornos de criptomoedas com LASSO-VAR e dados de sentimento

Resumo

O artigo avalia se medidas de sentimento e atenção nas redes sociais podem ajudar a prever os retornos logarítmicos diários de dez criptomoedas. Entre os preditores estão o sentimento no Twitter e no Reddit, índices do Google Trends e volume de trading. O método de previsão é uma autorregressão vetorial regularizada por LASSO, avaliada com previsões recursivas de 30 dias sobre observações diárias de janeiro de 2018 a janeiro de 2022. O estudo também compara previsões com referências e aplica um procedimento pós-duplo LASSO para análise de causalidade de Granger em VARs de alta dimensão.

A precisão direcional relatada supera 50%, e a precisão direcional média melhora 10% em relação às principais referências. Acrescentar sentimento e atenção melhora a precisão direcional, mas não a raiz do erro quadrático médio (RMSE). A análise de causalidade não encontra evidências de que o sentimento nas redes sociais cause retornos de criptomoedas segundo Granger. Esses resultados sugerem que sentimento e atenção podem ajudar previsões direcionais sem melhorar erros de magnitude ou estabelecer uma relação causal. O trecho não identifica as referências nem fornece mais detalhes sobre robustez, custos de transação ou implementação fora da amostra.

Ideias principais

• O estudo usa modelos LASSO-VAR para prever retornos de dez criptomoedas com dados diários.
• Sentimento no Twitter e no Reddit, Google Trends e volume são incluídos como preditores.
• Sentimento e atenção melhoram a precisão direcional média em relação às referências informadas, mas não a raiz do erro quadrático médio (RMSE).
• A análise de causalidade de Granger relatada não encontra relação preditiva causal entre o sentimento nas redes sociais e os retornos de criptomoedas.
• O trecho não descreve ajustes por custos de trading nem resultados de implementação.

Tags

# Forecasting Cryptocurrencies Log-Returns: a LASSO-VAR and Sentiment Approach


# Forecasting Cryptocurrencies Log-Returns: a LASSO-VAR and Sentiment Approach









Cryptocurrencies have become a trendy topic recently, primarily due to their disruptive potential and reports of unprecedented returns. In addition, academics increasingly acknowledge the predictive power of Social Media in many fields and, more specifically, for financial markets and economics. In this paper, we leverage the predictive power of Twitter and Reddit sentiment together with Google Trends indexes and volume to forecast the log returns of ten cryptocurrencies. Specifically, we consider $Bitcoin$, $Ethereum$, $Tether$, $Binance Coin$, $Litecoin$, $Enjin Coin$, $Horizen$, $Namecoin$, $Peercoin$, and $Feathercoin$. We evaluate the performance of LASSO-VAR using daily data from January 2018 to January 2022. In a 30 days recursive forecast, we can retrieve the correct direction of the actual series more than 50% of the time. We compare this result with the main benchmarks, and we see a 10% improvement in Mean Directional Accuracy (MDA). The use of sentiment and attention variables as predictors increase significantly the forecast accuracy in terms of MDA but not in terms of Root Mean Squared Errors. We perform a Granger causality test using a post-double LASSO selection for high-dimensional VARs. Results show no "causality" from Social Media sentiment to cryptocurrencies returns

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.