Kết hợp giao dịch, cảm xúc, mức độ tìm kiếm và tỷ lệ băm để dự báo biến động Bitcoin

Tóm tắt

Nghiên cứu này xem xét liệu thông tin ngoài lịch sử giá có thể giúp dự báo biến động của Bitcoin so với đô la hay không. Hệ thống CoMForE được đề xuất kết hợp dữ liệu giao dịch trong quá khứ với sắc thái từ các tweet liên quan, thước đo khối lượng tìm kiếm về mức độ quan tâm của công chúng và dữ liệu tỷ lệ băm blockchain. Hệ thống dùng mô hình kết hợp AdaBoost–LSTM, đồng thời hướng đến dự báo những thay đổi trong phân phối giá trị tiền mã hóa, với quyết định đầu tư là một ứng dụng tiềm năng.

Tài liệu báo cáo các thử nghiệm trong đó việc kết hợp những nguồn dữ liệu này cho kết quả tốt hơn so với chỉ dựa vào dữ liệu giao dịch, đồng thời tuyên bố cải thiện 19.29% so với các phương pháp dự báo hiện có. Tài liệu không nêu thời kỳ đánh giá, chi tiết chuẩn đối chiếu, chân trời dự báo hay liệu mức cải thiện được báo cáo có đạt được ngoài mẫu qua các chế độ thị trường khác nhau hay không. Những thiếu sót này khiến việc đánh giá mức độ khái quát của kết quả hoặc tính hữu ích của mô hình sau khi tính đến khả năng sẵn có của dữ liệu và chi phí giao dịch trở nên khó khăn.

Ý chính

• Mô hình kết hợp dữ liệu lịch sử thị trường với cảm xúc từ bài đăng, mức độ tìm kiếm và tỷ lệ băm blockchain.
• CoMForE sử dụng mô hình kết hợp AdaBoost–LSTM để dự báo biến động tiền mã hóa.
• Hệ thống cũng nhắm đến các dao động trong phân phối giá trị tiền mã hóa.
• Các thử nghiệm được báo cáo cho thấy đầu vào đa phương thức tốt hơn chỉ dùng dữ liệu giao dịch.
• Mô tả ngắn không nêu chi tiết đánh giá cần thiết để xem xét độ vững và giá trị giao dịch thực tế.

Thẻ

# Beyond Trading Data: The Hidden Influence of Public Awareness and Interest on Cryptocurrency Volatility


# Beyond Trading Data: The Hidden Influence of Public Awareness and Interest on Cryptocurrency Volatility









Since Bitcoin first appeared on the scene in 2009, cryptocurrencies have become a worldwide phenomenon as important decentralized financial assets. Their decentralized nature, however, leads to notable volatility against traditional fiat currencies, making the task of accurately forecasting the crypto-fiat exchange rate complex. This study examines the various independent factors that affect the volatility of the Bitcoin-Dollar exchange rate. To this end, we propose CoMForE, a multimodal AdaBoost-LSTM ensemble model, which not only utilizes historical trading data but also incorporates public sentiments from related tweets, public interest demonstrated by search volumes, and blockchain hash-rate data. Our developed model goes a step further by predicting fluctuations in the overall cryptocurrency value distribution, thus increasing its value for investment decision-making. We have subjected this method to extensive testing via comprehensive experiments, thereby validating the importance of multimodal combination over exclusive reliance on trading data. Further experiments show that our method significantly surpasses existing forecasting tools and methodologies, demonstrating a 19.29% improvement. This result underscores the influence of external independent factors on cryptocurrency volatility.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.