Торговля биткоином по рыночным данным и социальным сигналам

Сводка

В исследовании для изучения алгоритмической торговли сочетаются рыночные показатели биткоина с социальными и поведенческими сигналами. В числе входных данных — биржевые цены и объёмы, распространение технологий и объём транзакций биткоина, а также поисковая активность, объём сарафанного радио, тональность твитов и поляризация мнений. Анализ охватывает более трёх лет данных, связанных с биткоином, и изучает связь сигналов с движением цены.

Авторы сообщают, что рост поляризации мнений и биржевого объёма предшествует повышению цены биткоина, а эмоциональная окраска сообщений предшествует изменениям поляризации и росту биржевого объёма. На основе этих связей авторы строят торговые стратегии и сообщают о высокой прибыли за период менее года. Они также утверждают, что статистические проверки учитывают риск и торговые издержки. В документе нет точных правил стратегии, показателей результатов или деталей проверки, поэтому выводы подтверждают подход только на изученной выборке и не гарантируют, что социальные сигналы сохранят прогностическую силу.

Ключевые идеи

• Анализ объединяет рыночную активность биткоина, распространение технологий, транзакции и социальные сигналы.
• По сообщению авторов, поляризация мнений и биржевой объём предшествуют росту цены биткоина.
• По сообщению авторов, эмоциональная окраска предшествует поляризации и росту биржевого объёма.
• Авторы используют эти связи для построения стратегий и сообщают о прибыльных результатах.
• В описании недостаточно деталей, чтобы независимо оценить правила стратегии или её устойчивость.

Теги

# Social signals and algorithmic trading of Bitcoin


# Social signals and algorithmic trading of Bitcoin









The availability of data on digital traces is growing to unprecedented sizes, but inferring actionable knowledge from large-scale data is far from being trivial. This is especially important for computational finance, where digital traces of human behavior offer a great potential to drive trading strategies. We contribute to this by providing a consistent approach that integrates various datasources in the design of algorithmic traders. This allows us to derive insights into the principles behind the profitability of our trading strategies. We illustrate our approach through the analysis of Bitcoin, a cryptocurrency known for its large price fluctuations. In our analysis, we include economic signals of volume and price of exchange for USD, adoption of the Bitcoin technology, and transaction volume of Bitcoin. We add social signals related to information search, word of mouth volume, emotional valence, and opinion polarization as expressed in tweets related to Bitcoin for more than 3 years. Our analysis reveals that increases in opinion polarization and exchange volume precede rising Bitcoin prices, and that emotional valence precedes opinion polarization and rising exchange volumes. We apply these insights to design algorithmic trading strategies for Bitcoin, reaching very high profits in less than a year. We verify this high profitability with robust statistical methods that take into account risk and trading costs, confirming the long-standing hypothesis that trading based social media sentiment has the potential to yield positive returns on investment.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.