論文の概要: Forecasting Cryptocurrencies Log-Returns: a LASSO-VAR and Sentiment Approach

• arxiv url: http://arxiv.org/abs/2210.00883v1
• Date: Thu, 22 Sep 2022 14:26:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 17:19:42.905229
• Title: Forecasting Cryptocurrencies Log-Returns: a LASSO-VAR and Sentiment Approach
• Title（参考訳）: 暗号通貨のログリターン予測:LASSO-VARと感性アプローチ
• Authors: Federico D'Amario, Milos Ciganovic
• Abstract要約: 私たちは、TwitterとRedditの感情の予測力と、Google Trendsのインデックスとボリュームを活用して、10の暗号通貨のログリターンを予測する。 具体的には、$Bitcoin$, $Ethereum$, $Tether$, $Binance Coin$, $Litecoin$, $Enjin Coin$, $Horizen$, $Namecoin$, $Peercoin$, $Feathercoin$を考える。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cryptocurrencies have become a trendy topic recently, primarily due to their disruptive potential and reports of unprecedented returns. In addition, academics increasingly acknowledge the predictive power of Social Media in many fields and, more specifically, for financial markets and economics. In this paper, we leverage the predictive power of Twitter and Reddit sentiment together with Google Trends indexes and volume to forecast the log returns of ten cryptocurrencies. Specifically, we consider $Bitcoin$, $Ethereum$, $Tether$, $Binance Coin$, $Litecoin$, $Enjin Coin$, $Horizen$, $Namecoin$, $Peercoin$, and $Feathercoin$. We evaluate the performance of LASSO-VAR using daily data from January 2018 to January 2022. In a 30 days recursive forecast, we can retrieve the correct direction of the actual series more than 50% of the time. We compare this result with the main benchmarks, and we see a 10% improvement in Mean Directional Accuracy (MDA). The use of sentiment and attention variables as predictors increase significantly the forecast accuracy in terms of MDA but not in terms of Root Mean Squared Errors. We perform a Granger causality test using a post-double LASSO selection for high-dimensional VARs. Results show no "causality" from Social Media sentiment to cryptocurrencies returns
• Abstract（参考訳）: 暗号通貨は、その破壊的な可能性と前例のないリターンの報告により、最近トレンドとなっている。 さらに、多くの分野におけるソーシャルメディアの予測力、具体的には金融市場や経済学に対する認識が高まった。 本稿では,TwitterとRedditの感情の予測力と,Google Trendsインデックスとボリュームを利用して,10の暗号通貨のログリターンを予測する。 具体的には、bitcoin$、$ethereum$、$tether$、$binance coin$、$litecoin$、$enjin coin$、$horizen$、$namecoin$、$peercoin$、$feathercoin$を検討します。 2018年1月から2022年1月までの日次データを用いたLASSO-VARの性能評価を行った。 30日間の再帰的な予測では、実際のシリーズの正しい方向を50%以上取り出すことができる。 この結果と主要なベンチマークを比較し,平均方向精度(MDA)を10%改善する。 感情変数と注意変数を予測変数として使用すると、MDAでは予測精度が大幅に向上するが、ルート平均正方形誤差は高くない。 高次元VARに対するポストダブルなLASSO選択を用いたグランガー因果性試験を行った。 結果、ソーシャルメディアの感情から暗号通貨のリターンまで「因果性」は示さない

関連論文リスト

• Beyond Trend Following: Deep Learning for Market Trend Prediction [49.89480853499917]
  我々は、将来の市場動向を予測するために人工知能と機械学習技術を使うことを提唱する。 これらの予測は、適切に実行されれば、リターンを増やし、損失を減らすことで資産運用者のパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2024-06-10T11:42:30Z)
• Mind the Gap: A Causal Perspective on Bias Amplification in Prediction & Decision-Making [58.06306331390586]
  本稿では,閾値演算による予測値がS$変化の程度を測るマージン補数の概念を導入する。 適切な因果仮定の下では、予測スコア$S$に対する$X$の影響は、真の結果$Y$に対する$X$の影響に等しいことを示す。
  論文  参考訳（メタデータ） (2024-05-24T11:22:19Z)
• Prediction Of Cryptocurrency Prices Using LSTM, SVM And Polynomial Regression [0.0]
  これらの暗号通貨の価値の不確実性は、硬貨投資の分野において重要な問題である。 予測にLong Short Term Memory、Support Vector Machine、Polynomial Regressionアルゴリズムのモデルを利用することにより、性能比較を行う。 Support Vector Machineは線形カーネルを使用して、Long Short Term MemoryとPolynomial Regressionアルゴリズムモデルと比較して最小の平均2乗誤差を生成する。
  論文  参考訳（メタデータ） (2024-03-06T02:37:26Z)
• Deep Learning and NLP in Cryptocurrency Forecasting: Integrating Financial, Blockchain, and Social Media Data [3.6390165502400875]
  本稿では,機械学習(ML)と自然言語処理(NLP)技術を活用した暗号通貨価格予測の新しい手法を提案する。 ニュースやソーシャルメディアのコンテンツを分析することで、仮想通貨市場に対する大衆の感情の影響を評価する。
  論文  参考訳（メタデータ） (2023-11-23T16:14:44Z)
• Cryptocurrency Price Prediction using Twitter Sentiment Analysis [0.0]
  この調査では、歴史的価格とツイートの感情を使ってBitcoinの価格を予測する。 我々は、一連のツイートの感情を予測し、Bitcoinの価格を予測できるエンドツーエンドモデルを開発した。 感情予測は平均絶対誤差9.45%、平均リアルタイムデータ、テストデータを与えた。
  論文  参考訳（メタデータ） (2023-03-03T18:42:01Z)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)
• The Doge of Wall Street: Analysis and Detection of Pump and Dump Cryptocurrency Manipulations [50.521292491613224]
  本稿では,インターネット上のコミュニティによって組織された2つの市場操作(ポンプとダンプと群衆ポンプ)について,詳細な分析を行う。 ポンプとダンプの仕組みは、株式市場と同じくらい古い詐欺だ。今や、緩やかに規制された暗号通貨市場において、新たな活力を得た。 本報告では,ポンプ群とダンプ群に関する3症例について報告する。
  論文  参考訳（メタデータ） (2021-05-03T10:20:47Z)
• A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
  金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。 ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。 我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
  論文  参考訳（メタデータ） (2020-12-10T01:15:48Z)
• Real-Time Prediction of BITCOIN Price using Machine Learning Techniques and Public Sentiment Analysis [0.0]
  本研究の目的は、機械学習技術と感情分析により、USDにおけるBitcoinの予測可能な価格方向を決定することである。 TwitterとRedditは、大衆の感情を研究する研究者から大きな注目を集めている。 我々は、感情分析と機械学習の原則をTwitterやRedditの投稿から抽出したツイートに適用した。
  論文  参考訳（メタデータ） (2020-06-18T15:40:11Z)
• Pump and Dumps in the Bitcoin Era: Real Time Detection of Cryptocurrency Market Manipulations [50.521292491613224]
  インターネット上のコミュニティによって組織されたポンプとダンプの詳細な分析を行う。 これらのコミュニティがどのように組織化され、どのように詐欺を行うかを観察します。 本研究では,不正行為をリアルタイムに検出する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-04T21:36:18Z)
• Ascertaining price formation in cryptocurrency markets with DeepLearning [8.413339060443878]
  本論文は,近年の株式市場予測にディープラーニングを用いた成功に触発されたものである。 暗号通貨市場の特徴を高周波で分析・提示する。 私たちは、Bitcoinと米ドルのライブ為替レートの中間価格運動の予測について、一貫した78%の精度を達成しました。
  論文  参考訳（メタデータ） (2020-02-09T20:23:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。