Previsão de picos de volatilidade do Bitcoin com dados on-chain e de baleias

Resumo

O artigo investiga se sinais da CryptoQuant, incluindo dados on-chain, de exchanges e de mineradores, além de publicações de alertas de baleias, podem ajudar a prever a volatilidade do Bitcoin no dia seguinte, especialmente picos extremos. Propõe um modelo de previsão Synthesizer Transformer e compara seu desempenho com abordagens existentes. Os autores relatam que, usando essas fontes de dados, o modelo prevê melhor a volatilidade extrema, embora a descrição não informe o período da amostra, detalhes do mercado dos ativos ou resultados numéricos da comparação.

O estudo usa análise de atribuição de características para examinar quais entradas importam e faz backtests das previsões por meio de várias estratégias de trading de referência. Relata drawdown menor junto com lucros constantes, mas o resumo não fornece medidas específicas, regras de estratégia ou detalhes dos custos de transação. Portanto, esses resultados indicam uma possível aplicação em gerenciamento de risco e trading, enquanto o relato disponível não demonstra robustez em diferentes regimes de mercado nem fora da amostra.

Ideias principais

• O alvo é a volatilidade do Bitcoin no dia seguinte, com atenção especial a picos extremos.
• As entradas incluem dados da CryptoQuant e publicações de alertas de baleias.
• Segundo o estudo, um Synthesizer Transformer supera modelos de comparação nas previsões de volatilidade extrema.
• A atribuição de características é usada para examinar entradas influentes.
• Os backtests relatam drawdown menor e lucros constantes, sem detalhes sobre métricas ou robustez.

Tags

# 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.

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.