Dados on-chain para classificar riscos e fatores de preço de criptomoedas

Resumo

O estudo examina se medidas on-chain de criptomoedas podem ajudar a explicar preços e distinguir ativos arriscados. Analisa dados históricos, mede correlações entre preços e outros parâmetros, agrupa criptomoedas por clustering e aplica algoritmos de classificação para rotular os ativos como arriscados ou não. Os grupos buscam permitir que investidores comparem uma moeda com outras de perfis on-chain semelhantes.

Os dados relatados mostram que 39% das criptomoedas desapareceram, enquanto 10% duraram mais de 1,000 dias. O preço apresenta correlação negativa significativa com a oferta máxima e total e correlação positiva fraca com o volume de negociação de 24 horas. O clustering produz cinco grupos, e a melhor pontuação F1 relatada para classificação de risco é 76%, usando K-vizinhos mais próximos. Essas são associações históricas e resultados de classificação, não evidências de que os fatores causem mudanças de preço ou garantam a detecção de riscos futuros. O trecho não descreve a construção da amostra, o desenho da validação nem o desempenho em condições de mercado variáveis.

Ideias principais

• A análise usa medidas on-chain históricas para estudar preços e classificação de risco de criptomoedas.
• A oferta máxima e total apresentam, segundo o estudo, correlações negativas significativas com o preço.
• O volume de negociação em 24 horas tem correlação positiva fraca com o preço.
• O clustering divide criptomoedas em cinco grupos com base em parâmetros on-chain.
• K-vizinhos mais próximos alcança a melhor pontuação F1 declarada para classificação de risco: 76%.

Tags

# AI-Assisted Investigation of On-Chain Parameters: Risky Cryptocurrencies and Price Factors


# AI-Assisted Investigation of On-Chain Parameters: Risky Cryptocurrencies and Price Factors









Cryptocurrencies have become a popular and widely researched topic of interest in recent years for investors and scholars. In order to make informed investment decisions, it is essential to comprehend the factors that impact cryptocurrency prices and to identify risky cryptocurrencies. This paper focuses on analyzing historical data and using artificial intelligence algorithms on on-chain parameters to identify the factors affecting a cryptocurrency's price and to find risky cryptocurrencies. We conducted an analysis of historical cryptocurrencies' on-chain data and measured the correlation between the price and other parameters. In addition, we used clustering and classification in order to get a better understanding of a cryptocurrency and classify it as risky or not. The analysis revealed that a significant proportion of cryptocurrencies (39%) disappeared from the market, while only a small fraction (10%) survived for more than 1000 days. Our analysis revealed a significant negative correlation between cryptocurrency price and maximum and total supply, as well as a weak positive correlation between price and 24-hour trading volume. Moreover, we clustered cryptocurrencies into five distinct groups using their on-chain parameters, which provides investors with a more comprehensive understanding of a cryptocurrency when compared to those clustered with it. Finally, by implementing multiple classifiers to predict whether a cryptocurrency is risky or not, we obtained the best f1-score of 76% using K-Nearest Neighbor.

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.