Kiểm tra chỉ báo COVID-19 trong dự báo lợi suất Bitcoin

Tóm tắt

Nghiên cứu kiểm tra liệu các chỉ báo sức khỏe COVID-19 có bổ sung giá trị dự báo khi dự báo lợi suất Bitcoin hay không. Nghiên cứu so sánh các mô hình hồi quy LightGBM được huấn luyện có và không có đặc trưng liên quan đến đại dịch, gồm các thước đo tiêm chủng, nhập viện và xét nghiệm. Thuật toán di truyền tối ưu hóa mô hình qua 31 lần chạy độc lập; nghiên cứu so sánh phân phối R², RMSE và MAE bằng phân tích độ chồng lấp và kiểm định Mann–Whitney U. Độ quan trọng của đặc trưng bằng phép hoán vị được dùng để đánh giá đóng góp của từng đầu vào.

Kết quả được báo cáo nghiêng về các mô hình có dữ liệu COVID-19: R² tăng 40% và RMSE giảm 2%; cả hai thay đổi đều được mô tả là có ý nghĩa thống kê rất cao. Các thước đo tiêm chủng, đặc biệt là phân vị thứ 75 của tỷ lệ người đã tiêm đủ liều, được xếp hạng nổi bật. Bằng chứng liên quan đến hiệu suất dự báo trong bộ dữ liệu và thiết lập của nghiên cứu; nó không chứng minh các đặc trưng này gây ra lợi suất Bitcoin hoặc sẽ cải thiện giao dịch thực. Tài liệu không cung cấp thông tin chi tiết về giai đoạn lấy mẫu, thiết kế xác thực mô hình hoặc chi phí giao dịch, nên khó đánh giá giá trị thực tiễn và ngoài mẫu.

Ý chính

• Nghiên cứu so sánh các mô hình dự báo lợi suất Bitcoin bằng LightGBM, có và không có chỉ báo COVID-19.
• Thuật toán di truyền tối ưu hóa mô hình qua 31 lần chạy độc lập.
• Kiểm định Mann–Whitney U và mức độ chồng lấp phân phối được dùng để so sánh các thước đo hiệu suất.
• Độ quan trọng của đặc trưng bằng phép hoán vị xác định các thước đo tiêm chủng là yếu tố dự báo nổi bật.
• Mức cải thiện được báo cáo cho thấy dự báo tốt hơn trong thiết lập nghiên cứu, chứ không chứng minh giá trị giao dịch thực.

Thẻ

# 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.

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.