آن چین اور وہیل ڈیٹا سے بٹ کوائن کے اتار چڑھاؤ کی تیز لہروں کی پیش گوئی

خلاصہ

مقالہ جانچتا ہے کہ آیا کرپٹو کوانٹ کے اشارے، بشمول آن چین، ایکسچینج اور مائنر ڈیٹا، اور وہیل الرٹ پوسٹس اگلے دن کے بٹ کوائن کے اتار چڑھاؤ، خصوصاً شدید اضافے، کی پیش گوئی میں مدد دے سکتے ہیں۔ یہ سنتھیسائزر ٹرانسفارمر پیش گوئی ماڈل تجویز کرتا اور اس کی کارکردگی کا موجودہ طریقوں سے موازنہ کرتا ہے۔ مصنفین بتاتے ہیں کہ یہ ڈیٹا استعمال کرنے پر ماڈل شدید اتار چڑھاؤ کی پیش گوئی بہتر کرتا ہے، اگرچہ بیان میں نمونے کی مدت، اثاثہ مارکیٹ کی تفصیلات یا عددی تقابلی نتائج نہیں دیے گئے۔

مطالعہ اہم ان پٹس جانچنے کے لیے فیچر ایٹریبیوشن تجزیہ کرتا اور کئی بنیادی ٹریڈنگ اسٹریٹیجیز کے ذریعے پیش گوئیوں کے بیک ٹیسٹ لیتا ہے۔ اس میں مسلسل منافع کے ساتھ ڈرا ڈاؤن میں کمی رپورٹ کی گئی ہے، مگر خلاصے میں مخصوص پیمانے، اسٹریٹیجی کے قواعد یا لین دین کے اخراجات کی تفصیل نہیں۔ لہٰذا یہ نتائج خطرے کے انتظام اور ٹریڈنگ میں ممکنہ استعمال کا اشارہ دیتے ہیں، جبکہ دستیاب بیان مختلف مارکیٹ ادوار یا نمونے سے باہر مضبوطی ثابت نہیں کرتا۔

اہم خیالات

• ہدف اگلے دن کے بٹ کوائن کا اتار چڑھاؤ ہے، خصوصاً شدید اضافے پر توجہ کے ساتھ۔
• ان پٹس میں کرپٹو کوانٹ ڈیٹا اور وہیل الرٹ پوسٹس شامل ہیں۔
• رپورٹ کے مطابق سنتھیسائزر ٹرانسفارمر شدید اتار چڑھاؤ کی پیش گوئی میں تقابلی ماڈلز سے بہتر ہے۔
• اثرانداز ان پٹس کا جائزہ لینے کے لیے فیچر ایٹریبیوشن استعمال کیا گیا ہے۔
• بیک ٹیسٹ میں کم ڈرا ڈاؤن اور مسلسل منافع رپورٹ ہوئے، مگر پیمانوں یا مضبوطی کی تفصیل نہیں۔

ٹیگز

# 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.

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۔