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

• Predicting Bitcoin Market Trends with Enhanced Technical Indicator Integration and Classification Models [6.39158540499473]
  本研究では,暗号市場の方向性を予測するための分類に基づく機械学習モデルを提案する。 歴史的データと、移動平均収束分量、相対強度指数、ボリンジャーバンドなどの重要な技術指標を用いて訓練されている。 その結果、購入/販売信号の精度は92%を超えた。
  論文  参考訳（メタデータ） (2024-10-09T14:29:50Z)
• Multi-Source Hard and Soft Information Fusion Approach for Accurate Cryptocurrency Price Movement Prediction [5.885853464728419]
  本稿では,暗号通貨価格変動予測の精度を高めるために,HSIF(ハード・アンド・ソフト・インフォメーション・フュージョン)と呼ばれる新しい手法を導入する。 我々のモデルは価格変動を予測するのに約96.8%の精度がある。 情報の導入により,社会的感情が価格変動に与える影響を把握することができる。
  論文  参考訳（メタデータ） (2024-09-27T16:32:57Z)
• Cryptocurrency Price Forecasting Using XGBoost Regressor and Technical Indicators [2.038893829552158]
  本研究では,暗号通貨の価格を予測するための機械学習手法を提案する。 我々は、XGBoost回帰モデルの訓練および供給のために、EMA(Exponential moving Avergence)やMACD( moving Avergence Divergence)といった重要な技術指標を活用している。 モデルの性能を様々なシミュレーションにより評価し,有望な結果を示す。
  論文  参考訳（メタデータ） (2024-07-16T14:41:27Z)
• 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)
• 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)
• DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
  本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。 実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-23T16:13:47Z)
• Cryptocurrency Bubble Detection: A New Stock Market Dataset, Financial Task & Hyperbolic Models [31.690290125073197]
  バブル検出のための新しいマルチスパン識別タスクであるCryptoBubblesを公開・公開する。 我々はこのマルチスパン識別タスクに適した一連のシーケンス・ツー・シーケンス・ハイパーボリックモデルを開発する。 RedditとTwitterでCryptoBubblesとハイパーボリックモデルの実用性を示す。
  論文  参考訳（メタデータ） (2022-05-11T08:10:02Z)
• 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)
• Beyond Trading Data: The Hidden Influence of Public Awareness and Interest on Cryptocurrency Volatility [7.091344537490436]
  本研究はビットコイン・ドル取引レートのボラティリティに影響を及ぼす様々な独立した要因について検討する。 我々は,AdaBoost-LSTMアンサンブルモデルであるCoMForEを提案する。 先進的なモデルでは、全体的な暗号通貨価値分布の変動を予測し、投資決定に対する価値を高めることで、さらに一歩進んでいます。
  論文  参考訳（メタデータ） (2022-02-12T21:39:29Z)
• 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)

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。