Dùng dữ liệu on-chain để phân loại rủi ro và yếu tố giá tiền mã hóa
Tóm tắt
Nghiên cứu xem xét liệu các chỉ số on-chain của tiền mã hóa có thể giúp giải thích giá và phân biệt tài sản rủi ro hay không. Nghiên cứu phân tích dữ liệu lịch sử, đo tương quan giữa giá và các tham số khác, phân nhóm tiền mã hóa bằng phương pháp phân cụm, rồi áp dụng thuật toán phân loại để gắn nhãn tài sản có rủi ro hoặc không. Các cụm nhằm giúp nhà đầu tư so sánh một đồng tiền với những đồng khác có hồ sơ on-chain tương tự.
Dữ liệu được báo cáo cho thấy 39% số tiền mã hóa đã biến mất, trong khi 10% tồn tại hơn 1,000 ngày. Giá có tương quan âm đáng kể với nguồn cung tối đa và tổng nguồn cung, đồng thời tương quan dương yếu với khối lượng giao dịch trong 24 giờ. Phân cụm tạo ra năm nhóm; điểm F1 tốt nhất được báo cáo cho việc phân loại rủi ro là 76%, sử dụng K láng giềng gần nhất. Đây là các mối liên hệ lịch sử và kết quả phân loại, không phải bằng chứng cho thấy những đặc điểm này gây ra biến động giá hoặc bảo đảm khả năng phát hiện rủi ro trong tương lai. Trích đoạn không mô tả cách xây dựng mẫu, thiết kế kiểm định hoặc hiệu quả trong các điều kiện thị trường thay đổi.
Ý chính
- Phân tích dùng các chỉ số on-chain lịch sử để nghiên cứu giá tiền mã hóa và phân loại rủi ro.
- Nguồn cung tối đa và tổng nguồn cung được báo cáo có tương quan âm đáng kể với giá.
- Khối lượng giao dịch trong 24 giờ có tương quan dương yếu với giá.
- Phân cụm chia tiền mã hóa thành năm nhóm dựa trên các tham số on-chain.
- K láng giềng gần nhất đạt điểm số F1 tốt nhất được nêu cho phân loại rủi ro, ở mức 76%.
Thẻ
Toàn văn
# AI-Assisted Investigation of On-Chain Parameters: Risky Cryptocurrencies and Price Factors # AI-Assisted Investigation of On-Chain Parameters: Risky Cryptocurrencies and Price Factors Cryptocurrencies have become a popular and widely researched topic of interest in recent years for investors and scholars. In order to make informed investment decisions, it is essential to comprehend the factors that impact cryptocurrency prices and to identify risky cryptocurrencies. This paper focuses on analyzing historical data and using artificial intelligence algorithms on on-chain parameters to identify the factors affecting a cryptocurrency's price and to find risky cryptocurrencies. We conducted an analysis of historical cryptocurrencies' on-chain data and measured the correlation between the price and other parameters. In addition, we used clustering and classification in order to get a better understanding of a cryptocurrency and classify it as risky or not. The analysis revealed that a significant proportion of cryptocurrencies (39%) disappeared from the market, while only a small fraction (10%) survived for more than 1000 days. Our analysis revealed a significant negative correlation between cryptocurrency price and maximum and total supply, as well as a weak positive correlation between price and 24-hour trading volume. Moreover, we clustered cryptocurrencies into five distinct groups using their on-chain parameters, which provides investors with a more comprehensive understanding of a cryptocurrency when compared to those clustered with it. Finally, by implementing multiple classifiers to predict whether a cryptocurrency is risky or not, we obtained the best f1-score of 76% using K-Nearest Neighbor.
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.