Классификация риска криптовалют и ценовых факторов по данным блокчейна

Сводка

В исследовании рассматривается, помогают ли показатели криптовалют из блокчейна объяснять цены и выявлять рискованные активы. Авторы анализируют исторические данные, измеряют корреляции между ценой и другими параметрами, группируют криптовалюты с помощью кластеризации и применяют алгоритмы классификации, чтобы пометить активы как рискованные или нет. Предполагается, что кластеры позволят инвесторам сравнивать монету с другими монетами со схожими профилями показателей блокчейна.

Согласно приведённым данным, исчезли 39% криптовалют, а 10% просуществовали более 1,000 дней. Цена имеет значимую отрицательную корреляцию с максимальным и общим предложением монет и слабую положительную корреляцию с объёмом торгов за 24 часов. Кластеризация выделяет пять групп, а наилучший указанный показатель F1 для классификации риска составляет 76% при использовании метода ближайших соседей. Это исторические корреляции и результаты классификации, а не свидетельство того, что признаки вызывают изменения цен или гарантируют выявление рисков в будущем. В отрывке не описаны формирование выборки, схема проверки или результаты в меняющихся рыночных условиях.

Ключевые идеи

• В анализе исторические показатели блокчейна используются для изучения цен криптовалют и классификации риска.
• Согласно исследованию, максимальное и общее предложение монет значимо отрицательно коррелируют с ценой.
• Объём торгов за 24 часов слабо положительно коррелирует с ценой.
• Кластеризация распределяет криптовалюты по пяти группам на основе параметров блокчейна.
• Метод ближайших соседей показывает лучший указанный показатель F1 классификации риска — 76%.

Теги

# 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.

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.