Прогноз скачков волатильности Bitcoin по данным блокчейна и активности крупных держателей

Сводка

В статье исследуется, могут ли сигналы CryptoQuant, включая данные блокчейна, бирж и майнеров, а также публикации об активности крупных держателей помочь спрогнозировать волатильность Bitcoin на следующий день, особенно резкие скачки. Предлагается модель прогнозирования Synthesizer Transformer, эффективность которой сравнивается с существующими подходами. Авторы сообщают, что с использованием этих источников данных модель лучше предсказывает экстремальную волатильность, однако в описании нет периода выборки, деталей рынка активов или численных результатов сравнения.

Для изучения влияния входных данных используется анализ атрибуции признаков, а прогнозы проверяются в бэктестах с несколькими базовыми торговыми стратегиями. Сообщается о снижении просадки при стабильной прибыли, но в кратком изложении нет конкретных метрик, правил стратегии или сведений о транзакционных издержках. Результаты указывают на возможное применение для управления рисками и торговли, однако имеющееся описание не доказывает устойчивость в разных рыночных режимах или вне выборки.

Ключевые идеи

• Цель — спрогнозировать волатильность Bitcoin на следующий день, уделив особое внимание резким скачкам.
• Входные данные включают информацию CryptoQuant и публикации об активности крупных держателей.
• Сообщается, что Synthesizer Transformer превосходит сравниваемые модели в прогнозировании экстремальной волатильности.
• Для изучения значимых входных данных применяется атрибуция признаков.
• В бэктестах сообщается о меньшей просадке и стабильной прибыли, но метрики и устойчивость не раскрыты.

Теги

# 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.

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.