Индикаторы COVID-19 в прогнозировании доходности биткоина

Сводка

В исследовании проверяется, повышают ли медицинские индикаторы COVID-19 точность прогнозирования доходности биткоина. Сравниваются регрессионные модели LightGBM с признаками пандемии и без них, включая данные о вакцинации, госпитализациях и тестировании. Генетический алгоритм оптимизирует модели в ходе 31 независимых запусков; распределения R², RMSE и MAE сравниваются с помощью анализа перекрытия и U-критерия Манна — Уитни. Вклад отдельных входных данных оценивается методом перестановочной важности признаков.

Результаты исследования лучше для моделей с данными COVID-19: R² вырос на 40%, а RMSE снизился на 2%; оба изменения названы высоко статистически значимыми. Среди наиболее значимых признаков были показатели вакцинации, особенно 75-й процентиль полностью вакцинированных людей. Данные относятся к прогностическим результатам на наборе данных и в условиях исследования; они не доказывают, что эти признаки определяют доходность биткоина или улучшат реальную торговлю. Документ не содержит подробных сведений о периоде выборки, схеме проверки модели или транзакционных издержках, поэтому практическую ценность и применимость вне выборки оценить трудно.

Ключевые идеи

• В исследовании сравниваются модели LightGBM для прогнозирования доходности биткоина с индикаторами COVID-19 и без них.
• Генетический алгоритм оптимизирует модели в ходе 31 независимых запусков.
• Для сравнения показателей качества используются U-критерий Манна — Уитни и анализ перекрытия распределений.
• Метод перестановочной важности признаков выделяет показатели вакцинации как значимые предикторы.
• Заявленный прирост отражает улучшение прогноза в условиях исследования, но не доказывает ценность для реальной торговли.

Теги

# 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.

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.