Bitcoin کی قیمت بہ افادیت قدر اور قابلِ وضاحت ٹریڈنگ اشارے

خلاصہ

یہ مقالہ قیمت بہ افادیت تناسب پیش کرتا ہے، جس کا مقصد Bitcoin کی مارکیٹ قیمت کا بلاک چین پر مبنی بنیادی افادیت کے پیمانے سے موازنہ کرنا ہے۔ مصنفین مالیاتی نظریے اور Bitcoin کے UTXO حسابی ڈھانچے سے یہ پیمانہ اخذ کرتے ہیں، پھر موجودہ مارکیٹ بہ بنیادی قدر کے متبادل پیمانوں سے اس کا موازنہ کرتے ہیں۔ تاریخی Bitcoin تجزیے میں متبادل پیمانوں کی قلیل مدتی پیش گوئی کی قوت کم ہے، جبکہ بتایا گیا ہے کہ مجوزہ تناسب طویل مدتی منافع کی زیادہ مؤثر پیش گوئی کرتا ہے۔

مقالہ تناسب کے وضاحتی کردار کا جائزہ لینے کے لیے مشین لرننگ بھی استعمال کرتا ہے اور اس کی رہنمائی میں ایک خودکار اسٹریٹیجی تیار کرتا ہے۔ مصنفین کے مطابق یہ اسٹریٹیجی خرید کر رکھنے اور مارکیٹ کا وقت چننے کے معیارات سے بہتر کارکردگی دکھاتی ہے، اور تناسب کو کم قیمت پر خریدنے اور زیادہ پر فروخت کرنے کے اشارے کے طور پر سمجھا گیا ہے۔ فراہم کردہ تفصیل میں نمونے کی تاریخیں، کارکردگی کے اعدادوشمار، لین دین کے اخراجات کے مفروضے یا مضبوطی کی آزمائشیں نہیں، اس لیے صرف اس خلاصے سے رپورٹ کردہ پیش گوئی اور ٹریڈنگ کے نتائج کا مکمل جائزہ ممکن نہیں۔

اہم خیالات

• مجوزہ قیمت بہ افادیت تناسب بنیادی افادیت ظاہر کرنے کے لیے Bitcoin کے بلاک چین حسابات استعمال کرتا ہے۔
• مطالعہ رپورٹ کرتا ہے کہ نیا تناسب موجودہ متبادل پیمانوں سے بہتر طویل مدتی منافع کی پیش گوئی کرتا ہے۔
• Bitcoin کی قدر کے اشاروں کی وضاحت میں تناسب کے کردار کو جانچنے کے لیے مشین لرننگ استعمال ہوتی ہے۔
• رپورٹ کے مطابق اس تناسب پر مبنی اسٹریٹیجی خرید کر رکھنے اور مارکیٹ ٹائمنگ کے معیاروں سے بہتر ہے۔
• تفصیل میں رپورٹ کردہ نتائج جانچنے کے لیے ضروری عملی نفاذ اور مضبوطی کی معلومات موجود نہیں۔

ٹیگز

# Cryptocurrency Valuation: An Explainable AI Approach


# Cryptocurrency Valuation: An Explainable AI Approach









Currently, there are no convincing proxies for the fundamentals of cryptocurrency assets. We propose a new market-to-fundamental ratio, the price-to-utility (PU) ratio, utilizing unique blockchain accounting methods. We then proxy various existing fundamental-to-market ratios by Bitcoin historical data and find they have little predictive power for short-term bitcoin returns. However, PU ratio effectively predicts long-term bitcoin returns than alternative methods. Furthermore, we verify the explainability of PU ratio using machine learning. Finally, we present an automated trading strategy advised by the PU ratio that outperforms the conventional buy-and-hold and market-timing strategies. Our research contributes to explainable AI in finance from three facets: First, our market-to-fundamental ratio is based on classic monetary theory and the unique UTXO model of Bitcoin accounting rather than ad hoc; Second, the empirical evidence testifies the buy-low and sell-high implications of the ratio; Finally, we distribute the trading algorithms as open-source software via Python Package Index for future research, which is exceptional in finance research.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔