論文の概要: Forecasting Bitcoin volatility spikes from whale transactions and
CryptoQuant data using Synthesizer Transformer models
- arxiv url: http://arxiv.org/abs/2211.08281v1
- Date: Thu, 6 Oct 2022 05:44:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-23 14:34:40.621093
- Title: Forecasting Bitcoin volatility spikes from whale transactions and
CryptoQuant data using Synthesizer Transformer models
- Title(参考訳): クジラ取引とCryptoQuantのデータからBitcoinのボラティリティを予測するSynthesizer Transformerモデル
- Authors: Dorien Herremans, Kah Wee Low
- Abstract要約: ボラティリティ予測のためのディープラーニング合成器変換器モデルを提案する。
以上の結果から,既存の最先端モデルよりも優れたモデルであることが示唆された。
提案手法はビットコイン市場における極端なボラティリティ(変動性)の動きを予測するための有用なツールであることを示す。
- 参考スコア(独自算出の注目度): 5.88864611435337
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 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.
- Abstract(参考訳): 暗号通貨市場は従来の金融市場と比べて非常に不安定である。
したがって、ボラティリティの予測はリスク管理に不可欠である。
本稿では,暗号データ(on-chain analytics, exchange, miner dataなど)とクジラアラートつぶやきを調査し,その翌日のボラティリティとの関係を,極端なボラティリティの上昇に焦点をあてて検討する。
本稿では,ボラティリティ予測のためのディープラーニングシンセサイザトランスモデルを提案する。
結果は、暗号データとクジラのアラートツイートを使ってbitcoinの極端なボラティリティのスパイクを予測する際に、このモデルが既存の最先端モデルを上回ることを示している。
私たちはCaptum XAIライブラリでモデルを分析し、どの機能が最も重要なのかを調査しました。
また、さまざまなベースライン取引戦略で予測結果をバックテストし、安定した利益を維持しながら、デダウンを最小限に抑えることができることを示した。
提案手法はビットコイン市場における極端なボラティリティ(変動性)の動きを予測するための有用なツールである。
関連論文リスト
- Hawkes-based cryptocurrency forecasting via Limit Order Book data [1.6236898718152877]
本稿では,ホークスモデルに根ざしたリミットオーダーブック(LOB)データを用いた新しい予測アルゴリズムを提案する。
我々の手法は、将来の金融相互作用の予測を活用することで、返却サインの正確な予測を提供する。
提案手法の有効性は,50シナリオにわたるモンテカルロシミュレーションを用いて検証した。
論文 参考訳(メタデータ) (2023-12-21T16:31:07Z) - Forecasting Cryptocurrency Prices Using Deep Learning: Integrating
Financial, Blockchain, and Text Data [3.8443430569753025]
我々は、先進的なディープラーニングNLP手法を用いて、公開感情が暗号通貨評価に与える影響を分析する。
我々は,NLPデータ統合の有無にかかわらず,各種MLモデルの性能を比較した。
我々は,Twitter-RoBERTaやBART MNLIといった事前学習モデルが,市場感情を捉える上で極めて有効であることを発見した。
論文 参考訳(メタデータ) (2023-11-23T16:14:44Z) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-08-18T16:21:15Z) - Can ChatGPT Forecast Stock Price Movements? Return Predictability and
Large Language Models [57.70351255180495]
当社はChatGPTを使用して、各見出しが企業の株価に対して良いか悪いか、中立かを評価する。
また,ChatGPTは従来の感情分析法よりも優れていた。
ChatGPT-4に基づくロングショート戦略はシャープ比が最も高い。
論文 参考訳(メタデータ) (2023-04-15T19:22:37Z) - Short-Term Volatility Prediction Using Deep CNNs Trained on Order Flow [0.0]
我々は,市場情報を画像にエンコードし,畳み込みニューラルネットワークを用いて短期的なボラティリティの予測を行うアプローチを採用した。
実験結果から,畳み込みニューラルネットワークによる市場データの予測モデルによる市場データの表現は,市場ダイナミクスをよりよく捉え,ボラティリティの予測を良くする可能性が示唆された。
論文 参考訳(メタデータ) (2023-04-04T12:32:25Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - PreBit -- A multimodal model with Twitter FinBERT embeddings for extreme
price movement prediction of Bitcoin [8.38397409405955]
我々はビットコインの極端な価格変動を予測するためのマルチモーダルモデルを提案する。
このモデルは、さまざまな関連資産、技術的指標、およびTwitterコンテンツとして入力される。
平均的戦略を移動させるリスクを減らし、黒字取引戦略を構築するのに使用できることを示す。
論文 参考訳(メタデータ) (2022-05-30T19:25:12Z) - A Word is Worth A Thousand Dollars: Adversarial Attack on Tweets Fools
Stock Prediction [100.9772316028191]
本稿では,3つのストック予測犠牲者モデルを騙すために,様々な攻撃構成を試行する。
以上の結果から,提案手法が一貫した成功率を達成し,取引シミュレーションにおいて大きな損失をもたらす可能性が示唆された。
論文 参考訳(メタデータ) (2022-05-01T05:12:22Z) - 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) - 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) - 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。