Dự báo các đợt biến động mạnh của Bitcoin bằng dữ liệu on-chain và cá voi

Tóm tắt

Bài nghiên cứu xem xét liệu tín hiệu CryptoQuant, gồm dữ liệu on-chain, dữ liệu sàn và thợ đào, cùng các bài đăng cảnh báo về cá voi có thể giúp dự báo biến động Bitcoin ngày kế tiếp, đặc biệt là các đợt tăng đột biến cực đoan hay không. Nghiên cứu đề xuất mô hình dự báo Synthesizer Transformer và so sánh hiệu suất với các phương pháp hiện có. Các tác giả cho biết mô hình của họ dự báo biến động cực đoan tốt hơn khi sử dụng những nguồn dữ liệu này, dù mô tả không nêu giai đoạn lấy mẫu, chi tiết thị trường tài sản hay kết quả so sánh bằng số.

Nghiên cứu dùng phân tích mức đóng góp của đặc trưng để xem xét đầu vào nào quan trọng, đồng thời kiểm thử lịch sử các dự báo bằng một số chiến lược giao dịch cơ sở. Nghiên cứu báo cáo mức sụt giảm giảm cùng với lợi nhuận ổn định, nhưng phần tóm tắt không nêu thước đo cụ thể, quy tắc chiến lược hay chi tiết chi phí giao dịch. Vì vậy, các kết quả cho thấy tiềm năng ứng dụng vào quản lý rủi ro và giao dịch, nhưng thông tin hiện có không chứng minh độ vững qua các chế độ thị trường hay trong các thiết lập ngoài mẫu.

Ý chính

• Mục tiêu là dự báo biến động Bitcoin ngày kế tiếp, đặc biệt chú ý đến các đợt tăng đột biến cực đoan.
• Đầu vào gồm dữ liệu CryptoQuant và các bài đăng cảnh báo về cá voi.
• Synthesizer Transformer được báo cáo là dự báo biến động cực đoan tốt hơn các mô hình so sánh.
• Phân tích mức đóng góp của đặc trưng được dùng để khảo sát các đầu vào có ảnh hưởng.
• Kiểm thử lịch sử báo cáo mức sụt giảm thấp hơn và lợi nhuận ổn định, nhưng không nêu chi tiết về thước đo hay độ vững.

Thẻ

# 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.

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.