بٹ کوائن منافع کی پیش گوئی میں COVID-19 اشاریوں کی جانچ

مضمون arXiv papers · مصنف: Imen Mahmoud et al.

خلاصہ

مطالعہ جانچتا ہے کہ آیا COVID-19 کے صحت سے متعلق اشاریے بٹ کوائن کے منافع کی پیش گوئی میں اضافی قدر فراہم کرتے ہیں۔ یہ وبا سے متعلق خصوصیات، مثلاً ویکسینیشن، ہسپتال میں داخلے اور ٹیسٹنگ کے پیمانوں کے ساتھ اور ان کے بغیر تربیت یافتہ لائٹ جی بی ایم رجریشن ماڈلز کا موازنہ کرتا ہے۔ جینیاتی الگورتھم ماڈلز کو 31 آزاد رنز میں بہتر بناتا ہے، اور مطالعہ اوورلیپ تجزیے اور مین وٹنی یو ٹیسٹس کے ذریعے آر اسکوائر، RMSE اور MAE کی تقسیموں کا موازنہ کرتا ہے۔ انفرادی اِن پٹس کے کردار کا جائزہ لینے کے لیے پرمیوٹیشن فیچر امپورٹنس استعمال کی جاتی ہے۔

رپورٹ کردہ نتائج COVID-19 ڈیٹا شامل کرنے والے ماڈلز کے حق میں ہیں: آر اسکوائر میں 40% اضافہ اور RMSE میں 2% کمی ہوئی، اور دونوں تبدیلیوں کو شماریاتی طور پر انتہائی نمایاں قرار دیا گیا۔ ویکسینیشن کے پیمانے، بالخصوص مکمل ویکسین شدہ افراد کا 75واں پرسنٹائل، نمایاں درجہ رکھتے تھے۔ شواہد مطالعے کے ڈیٹا سیٹ اور ترتیب میں پیش گوئی کی کارکردگی سے متعلق ہیں؛ یہ ثابت نہیں کرتے کہ یہ خصوصیات بٹ کوائن کے منافع کا سبب بنتی ہیں یا لائیو ٹریڈنگ بہتر کریں گی۔ دستاویز میں نمونے کی مدت، ماڈل کی توثیق کے ڈیزائن یا لین دین کی لاگت کے بارے میں تفصیلی معلومات نہیں، اس لیے عملی افادیت اور نمونے سے باہر قدر کا اندازہ لگانا مشکل ہے۔

اہم خیالات

مطالعہ COVID-19 اشاریوں کے ساتھ اور ان کے بغیر لائٹ جی بی ایم بٹ کوائن منافع کے ماڈلز کا موازنہ کرتا ہے۔
جینیاتی الگورتھم ماڈلز کو 31 آزاد رنز پر بہتر بناتا ہے۔
کارکردگی کے پیمانوں کا موازنہ مین وٹنی یو ٹیسٹس اور تقسیموں کے اوورلیپ سے کیا جاتا ہے۔
پرمیوٹیشن فیچر امپورٹنس ویکسینیشن کے پیمانوں کو نمایاں پیش گوؤں کے طور پر شناخت کرتی ہے۔
رپورٹ کردہ بہتری مطالعے کی ترتیب میں پیش گوئی کی کارکردگی دکھاتی ہے، لائیو ٹریڈنگ کی افادیت کا ثبوت نہیں۔

ٹیگز

کرپٹو مشین لرننگ شماریات بیک ٹیسٹنگ

مکمل متن

# 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.

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۔