Testando indicadores COVID-19 na previsão de retornos do Bitcoin

Resumo

O estudo testa se indicadores de saúde relacionados à COVID-19 acrescentam valor preditivo à previsão dos retornos do Bitcoin. Compara modelos de regressão LightGBM treinados com e sem variáveis relacionadas à pandemia, incluindo medidas de vacinação, hospitalização e testagem. Um algoritmo genético otimiza os modelos em 31 execuções independentes, e o estudo compara as distribuições de R², RMSE e MAE usando análise de sobreposição e testes U de Mann–Whitney. A importância por permutação das variáveis é usada para avaliar a contribuição de cada entrada.

Os resultados relatados favorecem os modelos que incluem dados de COVID-19: R² aumentou 40% e RMSE caiu 2%, com ambas as mudanças descritas como altamente significativas do ponto de vista estatístico. As medidas de vacinação, especialmente o 75º percentil de pessoas totalmente vacinadas, tiveram destaque. As evidências dizem respeito ao desempenho preditivo no conjunto de dados e na configuração do estudo; não estabelecem que essas variáveis causem os retornos do Bitcoin ou melhorem o trading ao vivo. O documento não traz informações detalhadas sobre o período da amostra, o desenho de validação dos modelos ou os custos de transação, por isso é difícil avaliar o valor prático e fora da amostra.

Ideias principais

• O estudo compara modelos LightGBM de previsão dos retornos do Bitcoin com e sem indicadores de COVID-19.
• Um algoritmo genético otimiza os modelos em 31 execuções independentes.
• Testes U de Mann–Whitney e sobreposições de distribuições são usados para comparar métricas de desempenho.
• A importância por permutação das variáveis destaca medidas de vacinação como preditores.
• Os ganhos relatados mostram melhoria preditiva na configuração do estudo, não comprovam valor para trading ao vivo.

Tags

# 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.

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.