Early Warning Signals for Cryptocurrency Market States
作为典型的复杂系统，金融市场在相互作用中表现出丰富的动力学集合。在本文中，我们将重点放在最近发展的加密货币市场作为复杂系统的一个例子，并分析了2017年至2022年5年期间加密货币交叉相关结构的演变。我们在观察时间窗口持续时间内观察特征相关结构，并使用这些特定结构将加密货币市场聚类为4个市场状态。
2022-11-22 q-fin.ST
Multiple-bubble testing in the cryptocurrency market: a case study of bitcoin
本文以比特币为例研究加密货币市场的多重泡沫检验问题，强调评估金融市场对投资者和研究人员的重要性。
2023-12-29 q-fin.ST
On the Evolution of Cryptocurrency Market Efficiency
本研究基于Lo（2004）的适应性市场假说（AMH）来考察加密货币市场（比特币和以太坊）的效率是否会随着时间的推移而演变。特别是，我们测量的程度市场有效性使用广义最小二乘为基础的时变模型，不依赖于样本量，不像以前的研究，使用传统的方法。实证结果表明：（1）市场的市场有效性程度随时间而变化;（2）在大多数时期，比特币的市场有效性水平高于以太坊;（3）市场流动性高的市场正在形成。我们的结论是，这些结果支持最成熟的加密货币市场的AMH。
2020-07-07 q-fin.GN q-fin.ST
Deep convolutional autoencoder for cryptocurrency market analysis
Curtin University（科廷大学）
这项研究试图使用一种特殊类型的深度神经网络，即卷积自动编码器来分析加密货币市场的模式。该方法提取了市场行为的主要特征，并将40种研究的加密货币分为几类，从2013年5月15日开始为期12个月。随着时间的推移，从一个类到另一个类的过渡与加密货币的成熟有关。在投机性加密货币市场中，这些发现对投资和交易策略具有潜在影响。
2019-10-27 cs.LG q-fin.ST stat.ML
What is mature and what is still emerging in the cryptocurrency market?
本研究定量比较加密货币市场与传统金融市场，发现大型加密货币已展现成熟市场的风格化事实，而小型加密货币仍存在不足，且成交量对价格影响更强。
2023-05-09 cs.CE q-fin.ST stat.AP
Herding behavior in cryptocurrency markets
没有确凿的证据证明数字货币是在线支付的未来，或者是一些前参与者在面对批评时宣称的颠覆性技术。本文旨在从行为金融学的角度来解决加密货币之谜，方法是找到金融市场中存在的偏见之间的平行性，这些偏见可以应用于加密市场。此外，有人认为，加密货币的价格是由羊群效应驱动的，因此本研究采用马尔可夫转换方法测试了非对称和对称条件下的羊群行为以及不同羊群机制的存在。
2018-11-30 q-fin.ST
Autocorrelation of returns in major cryptocurrency markets
本文是探索主要加密货币市场效率的一系列短篇文章中的第一篇。一些统计测试和统计分布的属性将用于评估加密货币市场是否有效，以及它们的效率如何随时间变化。在本文中，我们使用以下方法分析了主要加密货币市场收益率的自相关性：不同阶数的Pearson自相关系数，Ljung-Box检验和滚动窗口中的一阶Pearson自相关系数。所有实验都是在Bitfinex交易所的BTC/USD、ETH/USD、ETH/BTC市场以及Bitmex交易所的XBT/USD市场上进行的，每一个都是在5分钟、1小时、1天和1周的时间范围内进行的。结果以图表直观地表示。统计上显著的自相关性在所有市场的5 m和1H时间框架上持续存在。测试在1D和1 W时间范围上不一致。这篇文章的结果是完全可重复的。使用的数据集、源代码和可运行的Mysteryter Notebook可在GitHub上获得。
2020-03-31 q-fin.ST
Impact of the COVID-19 pandemic on the financial market efficiency of price returns, absolute returns, and volatility increment: Evidence from stock and cryptocurrency markets
该研究分析股票与加密货币市场的收益率、绝对收益率和波动率增量，发现COVID-19对市场有效性的影响因市场和指标而异，并提示按疫情分段分析可能产生误导。
2025-04-26 q-fin.ST
Collective correlations, dynamics, and behavioural inconsistencies of the cryptocurrency market over time
本文介绍了研究2019年1月1日至2021年6月30日期间52种最大加密货币行为的新方法。首先，我们探讨了演化相关行为，并应用最近提出的转折关头算法，以确定制度的市场相关性。接下来，我们考察了集体动态与加密货币市场规模之间的关系--揭示了市场规模与集体动态强度之间的反比关系。然后，我们探索加密货币规模与其回报率和波动性之间关系的时变一致性。在那里，我们证明了规模和波动性之间的一致性比规模和回报率之间的一致性更大。最后，我们研究了波动性行为在整个市场随时间变化的蔓延，通过检查滚动波动率的概率密度函数之间的Wasserstein距离的结构。我们证明了一个新的现象，在市场崩溃，我们的术语\emph{volatility dispersion}的波动性增加的一致性。
2021-12-30 q-fin.ST
Exploring asymmetric multifractal cross-correlations of price-volatility and asymmetric volatility dynamics in cryptocurrency markets
价格与波动之间的非对称关系是金融市场时间序列的一个显著特征。本文探讨了加密货币市场中的价格波动关系，并研究了上升趋势（牛市）和下降趋势（熊市）制度之间存在的非对称波动效应。传统的GARCH类模型表明，在加密货币市场中，波动对回报的不对称反应与其他传统金融资产不同。我们从分形分析的角度来解决这个问题，它可以涵盖非线性相互作用和自相似性在经济物理学领域广泛认可的属性。使用MF-ADCCA方法研究了2016年6月1日至2020年12月28日期间比特币（BTC），以太坊（ETH），瑞波币（XRP）和莱特币（LTC）价格与波动率之间的非对称交叉相关性，并通过非对称DCCA系数进行量化。该方法考虑到非线性和非对称多重分形标度特性，提供了新的见解，在调查中的动态方式的关系。我们发现，对于成熟的BTC和ETH来说，下跌趋势市场的交叉相关性比上涨趋势市场更强。相比之下，对于XRP和LTC，在上升趋势市场中交叉相关性更强的地方存在反向反应。
2021-06-23 q-fin.ST
Complexity in economic and social systems: cryptocurrency market at around COVID-19
社会系统的特点是一个巨大的网络连接和因素，可以影响这些系统的结构和动态。所有金融市场，包括加密货币市场，都属于人类活动的经济领域，似乎是最相互关联和最复杂的。加密货币市场的复杂性可以从不同的角度进行研究。首先，加密货币汇率对其他加密货币和法定货币的动态可以通过多重分形形式主义进行研究和量化。第二，可以使用基于分形分析的先进互相关分析来研究加密货币和传统资产的耦合和解耦。第三，加密货币市场的内部结构也可以成为分析的主题，例如利用市场的网络表示。我们根据2019年1月至2020年6月期间记录的数据，从所有三个角度探讨这一主题。此期间包括COVID-19疫情，我们特别关注此事件，并调查其对市场结构和动态的影响有多强。此外，研究数据涵盖了2019年的其他一些重大事件，如双牛和熊市阶段。我们发现，在整个考虑的区间内，汇率回报率是多重分形的，具有间歇性的双分形特征，这可能与市场动态最波动的时期有关，如2019年4月的牛市开始和2020年3月的新冠肺炎爆发。市场的最小生成树表示的拓扑结构也用于在这些事件期间从没有任何主导节点的分布式类型改变为具有USDT主导枢纽的高度集中式类型。然而，大流行期间的MST拓扑在某些细节上与其他波动时期不同。
2020-09-21 q-fin.ST
Cryptocurrency co-investment network: token returns reflect investment patterns
自2009年比特币推出以来，加密货币市场的戏剧性和不稳定的演变也受到传统和以加密货币为重点的对冲基金的大量投资的推动。尽管机构投资发挥了关键作用，但我们对机构投资与加密货币市场演变之间关系的理解仍然有限，这也是由于缺乏描述投资随时间推移的全面数据。在这项研究中，我们基于2014年至2022年期间从Crunchbase收集的1324种货币的数据集，对加密货币机构投资进行了定量研究，Crunchbase是收集商业信息的最大平台之一。我们发现，加密货币市价总值的演变与机构投资的规模高度相关，从而证实了它们的重要作用。此外，我们发现，市场被一群突出的投资者所主导，他们倾向于专注于特定的技术。最后，通过研究具有共同投资者的货币的共同投资网络，我们发现具有共同投资者的资产往往具有相似的市场行为特征。我们的工作揭示了机构投资者所扮演的角色，并为进一步研究他们在加密货币生态系统中的影响力提供了基础。
2023-01-10 physics.soc-ph q-fin.ST
Shifting Cryptocurrency Influence: A High-Resolution Network Analysis of Market Leaders
本研究采用小时级数据与Kendall's Tau构建网络分析加密货币市场，发现日度数据与皮尔逊相关系数存在信息局限，揭示2021年牛市中Ethereum成为整体领导者、FTX相关FTT拉动初期上涨，且头部币种影响力持续提升。
2024-01-30 q-fin.ST
Advance Detection Of Bull And Bear Phases In Cryptocurrency Markets
University At Buffalo（布法罗大学）
本文利用预测算法预测比特币近期表现，进而计算50日和200日移动平均线，以提前识别加密货币市场的牛熊阶段。
2024-11-18 cs.AI q-fin.ST
Collective dynamics, diversification and optimal portfolio construction for cryptocurrencies
本文借鉴股票市场研究框架，结合散户购买行为分析加密货币集体动力学与分散化，发现交易所倒闭时相关性集体飙升等成熟度标志，并给出最优组合规模与跨群体配置。
2023-06-13 q-fin.ST
An Information Theory Approach to the Stock and Cryptocurrency Market: A Statistical Equilibrium Perspective
该研究从统计均衡视角出发，用QRSE模型分析2017-2022年46种主流加密货币与标普500成分股的日收益分布，对比两类市场的随机结构、牛熊市投资者行为及信息效率差异。
2023-10-07 econ.TH q-fin.ST
Testing macroecological theories in cryptocurrency market: neutral models can not describe diversity patterns and their variation
我们从生态学角度分析了加密货币市场的借贷方法和概念。这种方法可以识别特定的多样性模式及其变化，与生态系统密切相似，并以有效的方式表征加密货币市场。与此同时，它显示了非生物系统如何在对比不同的生态理论和测试中性模型的使用方面发挥重要作用。对加密货币丰度分布和社区结构演变的研究强烈表明，这些统计模式与中性不一致。特别是，当加密货币数量增加时，需要增加社区组成的时间变化，这表明它们的相互作用不一定很弱。种内和种间的相互依赖性的分析支持这一事实，并表明存在的市场部门的互利关系的影响。这些最新发现挑战了弱相互作用对称物种的假设，这是中性模型的核心假设。
2022-07-21 q-bio.PE q-bio.QM q-fin.ST
Clustering patterns in efficiency and the coming-of-age of the cryptocurrency market
有效市场假说对金融交易和市场稳定有着深远的影响。因此，加密货币是否具有信息效率一直是最近激烈调查的主题。在这里，我们使用价格日志回报的滑动时间窗口上的排列熵和统计复杂性来量化400多种加密货币的动态效率。我们认为，当这两个复杂性度量在统计上与随机混洗数据上获得的值无法区分时，加密货币在时间窗口内是有效的。我们发现，在我们的研究中，37%的加密货币在80%以上的时间内保持高效，而20%的加密货币在不到20%的时间内保持信息高效。我们的研究结果还表明，效率与加密货币的市价总值无关。随着时间的推移，对信息效率的动态分析揭示了集群模式，其中具有相似时间模式的不同加密货币形成了四个集群，而且每个集群中的年轻货币似乎都准备跟随其“前辈”的趋势。因此，加密货币市场已经显示出对有效市场假设的显著遵守，尽管数据也显示，数字货币的时代在这方面仍在进行中。
2019-01-03 physics.soc-ph q-fin.ST
Crashing Together, Rallying Apart: Dynamic Conditional Tail Dependence in Cryptocurrency Markets
School of Science and Technology, IE University（IE大学科学与技术学院）
本文利用动态Hüsler-Reiss极值图模型分析13种主要加密货币在2021-2025年间的尾部依赖结构，发现下行尾部完全连通且稳定，而上行尾部随时间变薄并重组为板块结构，标准风险模型低估崩盘概率约8倍。
2026-06-16 q-fin.ST
Analysis of inter-transaction time fluctuations in the cryptocurrency market
我们分析代表在一些不同加密货币交易平台上交易的主要加密货币的逐点数据。我们关注的是交易间时间、单位时间内的交易数量、交易量和波动性等数量。我们发现，交易间的时间显示长程幂律自相关。这些导致多重分形表示的右侧不对称性的奇异谱$f(α)$表明，增加市场活动的时期的特点是更丰富的多重分形相比，平静的市场时期。我们还表明，无论是拉伸指数分布，也不是幂律尾分布能够普遍模型的累积分布函数的数量在这项工作中考虑。对于每一个量，有些数据集可以用前者建模，有些数据集可以用后者建模，而在其他情况下两者都失败了。一个有趣但难以解释的现象是，来自不同交易平台的并行数据集可能显示出不同的统计特性。
2022-09-01 q-fin.ST
A Deep Learning Approach to Predict the Fall [of Price] of Cryptocurrency Long Before its Actual Fall
针对加密货币市场高波动风险的问题，提出一种深度学习模型，通过计算风险因子并与CNN、LSTM等模型对比，其RMSE值更优，能帮助投资者更好地交易加密货币资产。
2024-11-30 cs.CV cs.LG q-fin.ST
Competition of noise and collectivity in global cryptocurrency trading: route to a self-contained market
研究了2015年10月1日至2019年3月31日期间100种市值最高的加密货币篮子内每日汇率波动的交叉相关性。相应的动力学主要涉及一个领先的特征值的相关矩阵，而其他大部分符合Wishart随机矩阵。然而，主特征值的大小以及集体性的程度在很大程度上取决于使用哪种加密货币作为基础。当基础是最外围的加密货币时，它是最大的;当考虑到更重要的加密货币时，它的大小系统地下降，但相对于随机批量保留了相当大的差距，这反过来表明相关性的组织变得更加异质。这一发现为识别哪些货币或加密货币在全球加密市场中发挥主导作用提供了标准。目前的研究表明，在所考虑的时期内，比特币（BTC）占主导地位，标志着汇率动态至少与美元一样有影响力。BTC在2017年左右开始占据主导地位，而其他加密货币，如以太坊（ETH）甚至瑞波币（XRP），也呈现出类似的趋势。与此同时，美元作为加密货币市场的原始价值决定因素，变得越来越脱节，其相关特征最终接近虚拟货币的特征。这些结果是全球加密货币市场初期独立性的有力指标，描绘了一个类似于外汇的独立交易。
2020-02-11 cs.CE econ.EM q-fin.ST
A Horserace of Volatility Models for Cryptocurrency: Evidence from Bitcoin Spot and Option Markets
我们使用比特币现货价格序列测试各种波动率模型。我们的模型包括HIST、EMA、GISTRY和EGISTRY模型。我们的样本内拟合和样本外预测结果都表明，GARCH和EGARCH模型比其他模型表现得更好。此外，EGBTC模型的非对称项为正且不显著，这表明比特币价格缺乏对过去回报的非对称波动性反应。最后，我们利用期权的隐含波动率与GARCH波动率预测之间的波动率差，制定了一个期权交易策略。我们发现，一个简单的波动率价差交易策略与德尔塔对冲可以产生强大的利润。
2020-10-04 q-fin.ST
Correlation without Factors in Retail Cryptocurrency Markets
研究利用有效自由度与组合规模的函数关系 N*(N)，检验 Robinhood 零售加密货币收益相关性，发现平均成对相关性约60%，且高置信度支持稳定的各向同性相关模型而非线性因子模型。
2024-12-05 q-fin.PM q-fin.RM q-fin.ST
Vector Autoregression in Cryptocurrency Markets: Unraveling Complex Causal Networks
本研究证明，简单的多变量线性模型（如向量自回归）能有效揭示加密货币市场的因果网络，节点度与市值显著相关，且网络结构符合帕累托原则，少数高影响力代币主导市场动态。
2023-08-30 physics.soc-ph q-fin.ST
From On-chain to Macro: Assessing the Importance of Data Source Diversity in Cryptocurrency Market Forecasting
University of Cyprus（塞浦路斯大学）
本研究通过整合技术指标、链上指标、传统市场指数等多源数据并提出新颖特征降维算法，证实了数据源多样性显著提升加密货币预测模型准确率，并揭示了不同数据在不同预测周期的重要性。
2025-06-26 cs.AI cs.ET cs.LG
Filtering amplitude dependence of correlation dynamics in complex systems: application to the cryptocurrency market
本研究提出基于q依赖去趋势互相关系数与q依赖最小生成树的复杂系统关联分析方法，通过加密货币数据验证其可捕捉不同波动尺度的关联变化，为投资组合构建及多领域复杂系统研究提供新工具。
2025-10-28 cs.CE econ.EM physics.data-an
Deep Reinforcement Learning for Cryptocurrency Trading: Practical Approach to Address Backtest Overfitting
Columbia University（哥伦比亚大学）
在高度波动的加密货币市场中，设计有利可图且可靠的交易策略是一项挑战。现有的工作应用了深度强化学习方法，并乐观地报告了回测中的利润增加，这可能会由于过拟合而导致误报问题。在本文中，我们提出了一种实用的方法，使用深度强化学习来解决加密货币交易的回测过拟合问题。首先，我们将回测过拟合的检测公式化为假设检验。然后，我们训练DRL代理，估计过拟合的概率，并拒绝过拟合的代理，增加了良好的交易表现的机会。最后，在2022年5月1日至2022年6月27日的测试期内，对10种加密货币进行了测试（在此期间，加密市场崩溃了两次），我们表明，过拟合程度较低的深度强化学习代理的回报率高于过拟合程度较高的代理、等权重策略和S&P DBM指数。（市场基准），为可能部署到真实市场提供信心。
2023-01-31 cs.AI cs.LG q-fin.ST
Modeling of crisis periods in stock markets
我们利用最近的计算框架来建模和检测股票市场的金融危机，以及加密货币市场的冲击事件，其特征是价格突然或严重下跌。我们的方法能够检测到法国工业股票市场从1929年崩盘开始的所有过去危机，包括1990年之后的金融危机（例如2000年的互联网泡沫破裂，2002年的股市低迷），以及加密货币市场的所有过去崩溃，即2018年，以及2020年由于COVID-19。我们利用copulae聚类，基于概率分布之间的距离，以验证框架的可靠性，我们表明，集群包含copulae从类似的市场状态，如正常状态，或危机。此外，我们提出了一种新的回归模型，可以成功地检测所有过去的事件，使用不到10%的信息，以前的框架需要。我们通过行业资产的历史数据来训练我们的模型，我们能够检测到加密货币市场中所有过去的冲击事件。我们的工具为我们的软件框架提供了必要的组件，可以快速可靠地检测甚至预测数百种资产的股票和加密货币市场的冲击事件。
2021-03-19 cs.CG q-fin.ST
Evaluation of Dynamic Cointegration-Based Pairs Trading Strategy in the Cryptocurrency Market
本研究旨在展示一种基于动态协整的配对交易策略，包括加密货币市场中的最佳回顾窗口框架，并通过应用三种不同的场景来评估其回报和风险。我们采用恩格尔-格兰杰方法，Kapetanios-Snell-Shin（KSS）测试，和Johansen测试作为协整检验在不同的情况下。我们校准的均值回归速度的Ornstein-Uhlenbeck过程，以获得用于资产选择阶段和回看窗口估计的半衰期。通过考虑市场微观结构的主要局限性，我们的策略超越了Bitmex交易所的天真买入并持有方法。另一个重要的发现是，我们实施了大量的加密货币硬币来制定模型的价差，这提高了对交易策略的风险调整盈利能力。此外，该战略的最大回撤水平是合理的低，这使得它有用的部署。结果还表明，一类硬币比其他硬币有更好的潜在套利机会。这项研究具有一些明显的优势，使其从加密货币市场的类似研究中脱颖而出。首先是数据的准确性，其中分钟面元数据在形成期间创建信号。此外，为了在交易期间回测策略，我们使用最佳买入/卖出报价和市场交易模拟交易信号。当资产规模已经以其报价可用时（信号生成后有一个或多个时段缺口），我们只考虑订单执行。这个动作使得回溯测试更加现实。
2021-09-22 q-fin.CP q-fin.MF q-fin.ST
Pump and Dumps in the Bitcoin Era: Real Time Detection of Cryptocurrency Market Manipulations
Sapienza University of Rome（罗马第一大学）
本文深入分析加密货币市场中社区组织的拉高出货操纵行为，并通过案例研究提出一种实时检测欺诈的方法，其性能优于现有技术，以帮助投资者规避风险。
2024-09-02 cs.CR cs.CY cs.LG
Do Prediction Markets Forecast Cryptocurrency Volatility? Evidence from Kalshi Macro Contracts
Viterbi School of Engineering（维特比工程学院）；University of Southern California（南加州大学）
本文研究了Kalshi宏观预测市场中的概率变化如何通过两个渠道预测加密货币波动，发现货币政策和通胀渠道在样本内外均表现出稳定的预测能力。
2026-04-01 q-fin.RM q-fin.ST
Cryptocurrency market structure: connecting emotions and economics
我们研究了加密货币市场的依赖性和因果关系结构，调查了2018年上半年交易的近2000种加密货币的价格和社会情绪的集体变动。这是对整个加密货币市场结构的首次研究。它介绍了几种严格的创新方法，适用于这个和其他几个复杂的系统，其中大量的变量以非线性的方式相互作用，这是数字经济的一个显着特征。依赖结构的分析表明，价格与情绪显着相关。主要的、资本化程度最高的加密货币，如比特币，在价格相关性网络中扮演着核心角色，但在情绪网络和描述两者之间相互作用的网络中只扮演着边缘角色。因果关系结构的研究揭示了一个因果关系网络，该网络始终与相关性结构相关，并表明价格引起情绪，情绪引起不同货币的价格，后者的规模更大，但显着的相互作用数量较少。总的来说，我们的研究揭示了一个复杂而丰富的相互关系结构，价格和情绪相互影响，即时和领先滞后的因果关系。一个主要的发现是，小资本的次要货币在塑造整体依赖和因果关系结构方面发挥着至关重要的作用。尽管噪音水平高，时间序列短，但我们验证了这些网络是重要的，所有链接都经过统计验证，并且在所有网络中一致地复制了结构组织。
2019-03-03 physics.soc-ph q-fin.ST q-fin.TR
Anticipating cryptocurrency prices using machine learning
Technical University of Denmark（丹麦技术大学）；City, University of London（伦敦大学城市学院）；Nokia Bell Labs（诺基亚贝尔实验室）；University College London（伦敦大学学院）
机器学习和人工智能辅助交易在过去几年中引起了越来越多的兴趣。在这里，我们使用这种方法来测试加密货币市场的低效率可以被利用来产生异常利润的假设。我们分析了2015年11月至2018年4月期间$1,681$加密货币的每日数据。我们发现，在最先进的机器学习算法的帮助下，简单的交易策略优于标准基准。我们的研究结果表明，不平凡但最终简单的算法机制可以帮助预测加密货币市场的短期演变。
2018-11-09 cs.LG physics.soc-ph q-fin.GN
Dependency structures in cryptocurrency market from high to low frequency
我们研究了在FTX数字货币交易所交易的一组25种流动性加密货币在不同时间范围内的对数价格回报率互相关。我们研究了最小生成树（MST）和三角最大过滤图（TMFG）的结构如何从高（15秒）到低（1天）频率时间分辨率的演变。对于每个水平，我们测试网络的稳定性，统计意义和经济意义。结果给出了一个深刻的洞察下分析的系统的时间依赖的层次组织的演化过程。对于更精细的时间采样分辨率，观察到加密货币对之间的相关性降低。对于较粗糙的加密货币，出现了一个不断增长的结构，突出了主流加密货币所扮演的层次参考角色的多重变化。这种影响的研究在其成对实现和部门内的。
2022-12-27 q-fin.CP q-fin.GN q-fin.ST
Complex network analysis of cryptocurrency market during crashes
本文用偏相关复杂网络分析2017–20年三次加密货币崩盘，通过度密度、平均路径长度和聚类系数揭示崩盘时网络稠密、信息快速流动及同步恐慌抛售。
2024-05-09 q-fin.ST
Universality and Heterogeneity of Stylized Facts in Cryptocurrency and Equity Markets
Inha University（仁荷大学）；Korea Institute for Advanced Study（韩国高等研究院）
本研究通过CECP和directed HVG分析2020-2025年高频数据，发现加密货币与股票市场典型事实表面收敛但动力学过程根本不同，为两类市场的差异研究提供了新证据。
2026-09-18 physics.soc-ph q-fin.ST
Enhancing Cryptocurrency Sentiment Analysis with Multimodal Features
Department of Computer Science, The University of Auckland（计算机科学系，奥克兰大学）；School of Information Systems, Queensland University of Technology（信息系统学院，昆士兰技术大学）；Department of Economics, The University of Auckland（经济学系，奥克兰大学）
针对加密货币情感分析中视频内容探索不足的问题，提出多模态分析方法，结合大语言模型提取TikTok与Twitter的跨平台情感信号，发现其分别对应短长期市场动态，融合后可将预测准确率提升最高20%。
2025-08-31 cs.CL q-fin.ST
Characterizing Cryptocurrency market with Levy's stable distributions
Graduate School of Informatics, Kyoto University（京都大学情报大学院）
本文基于Levy稳定分布对新兴加密货币市场的价格波动行为进行建模，发现其在特定时间区间内可由非高斯Levy稳定分布（α≈1.4）描述，并通过解析关系和通用中心极限定理的理论背景进行论证。
2019-11-25 econ.GN q-fin.EC q-fin.ST
Cryptocurrency Price Prediction and Trading Strategies Using Support Vector Machines
在金融历史上，很少有资产像加密货币一样臭名昭著。虽然这一资产类别的长期前景仍不明朗，但我们成功地对几种主要加密资产进行了短期价格预测。使用2015年7月至2019年11月的历史数据，我们开发了大量的技术指标来捕捉加密货币市场的模式。然后，我们测试了各种分类方法，以预测基于这些指标的短期未来价格走势。在PPV和NPV指标上，我们的分类器在识别未来1小时的市场波动方面表现良好。除了评估分类准确性，我们还开发了一种将1小时前的类预测转化为交易决策的策略，以及一个在现实环境中模拟交易的回测器。我们发现，支持向量机产生了最有利可图的交易策略，自2018年1月以来，在过去22个月中，比特币，以太坊和莱特币的平均表现优于市场。
2019-11-28 q-fin.ST q-fin.TR stat.ML
A Comparison of Cryptocurrency Volatility-benchmarking New and Mature Asset Classes
本文利用2020–2022年高频面板数据并结合自回归模型，比较加密货币与股票的波动驱动机制，揭示新兴加密货币市场的结构性差异。
2024-04-07 q-fin.CP q-fin.ST
Short-horizon mean reversion in cryptocurrency markets: a matched cross-market measurement
该研究对比加密货币与美股15分钟维度的均值回归，发现加密货币反转效应更强，明确其信号特征、驱动因素及收益水平，经多重检验验证结果稳健。
2026-08-25 q-fin.ST q-fin.TR
A Decade of Evidence of Trend Following Investing in Cryptocurrencies
加密货币市场具有20世纪大宗商品市场的许多特征，使其成为趋势跟踪策略的有吸引力的候选者。我们从比特币的婴儿期提出了十年的证据，展示了加密货币趋势的潜在投资者回报，255%的年化回报率。我们发现，加密货币提供了与大宗商品相似的回报特征，具有相似的风险调整收益率，以及相对于传统股票的强大熊市多元化。代码可在https://github.com/Globe-Research/bittrends获得。
2020-09-25 q-fin.ST
Signatures of crypto-currency market decoupling from the Forex
基于Kraken的高频记录，Kraken是一个加密货币交易所和专业交易平台，旨在将比特币和其他加密货币纳入主流，研究了2016年7月1日至2018年12月31日期间涉及比特币（BTC），以太坊（ETH），欧元（EUR）和美元（USD）的多尺度互相关。结果表明，与加密货币市场相关的汇率波动的多尺度特征接近外汇市场。这尤其适用于BTC/ETH汇率，其赫斯特指数在2018年底开始接近0.5，这是成熟世界市场的特征。此外，BTC/ETH直接汇率已经发展出多重分形，这通过广泛的奇异谱表现出来。一个特别重要的结果是，用于检测BTC/ETH和EUR/USD汇率动态之间的交叉相关性的措施没有显示出任何明显的关系。这可能被视为加密货币市场已经开始与外汇脱钩的迹象。
2019-07-18 econ.EM q-fin.ST
Age and market capitalization drive large price variations of cryptocurrencies
加密货币被认为是金融领域的最新创新，对社会、技术和经济层面都有相当大的影响。这类新的金融资产也激发了无数的科学研究，专注于了解它们的统计特性，例如价格回报的分布。然而，到目前为止，研究只考虑了比特币或最多几种加密货币，而忽略了价格回报可能取决于加密货币的年龄或受市值的影响。因此，在这里，我们对7000多种数字货币的巨大价格变化进行了全面调查，并探讨了价格回报是否会随着加密货币市场的成熟和增长而变化。我们发现，在所考虑的加密货币投资组合的整个历史中，价格收益率的尾部分布遵循幂律函数，典型的指数意味着其中大约一半的价格变化没有特征尺度。此外，这些尾部分布是不对称的，因为正回报通常显示较小的指数，这表明大的正价格变化比负的更有可能。我们的研究结果进一步表明，尾部指数的变化通常同时与加密货币的年龄和市值有关，或者只与年龄有关，只有少数加密资产只受市值的影响，或者这两个数量都不受影响。最后，我们发现幂律指数的趋势通常指向混合方向，随着年龄的增长和市值的增长，只有大约28%的加密货币的价格波动可能会变得不那么频繁。
2023-02-23 physics.soc-ph q-fin.ST
CryptoGAT: Are Time Series Models Effective for Cryptocurrency Forecasting?
University of Sydney（悉尼大学）；Brunel University London（布鲁内尔伦敦大学）
质疑时间序列模型在加密货币预测中的有效性，提出将纯价格预测重构为跨资产图问题的轻量级图注意力网络CryptoGAT，实验显著优于现有方法。
2026-06-29 cs.CE q-fin.ST
Blockchain Metrics and Indicators in Cryptocurrency Trading
本文利用比特币区块链公开数据构建受Hash Ribbon启发的交易指标，并通过算法交易模拟、统计模型与机器学习验证其在价格方向预测和买入信号识别中的统计优势。
2024-02-11 cs.CR q-fin.ST
Dynamic Multi-Pair Trading Strategy in Cryptocurrency Markets with Deep Reinforcement Learning
Politechnika Śląska（波兰斯拉维亚理工大学）
本研究提出一种结合深度强化学习执行覆盖层的层次化“过滤-排序”配对选择方法和“固定风险、自适应均值”执行模型，在加密货币市场实现优于启发式基准的统计套利表现。
2026-11-03 cs.LG cs.NE q-fin.ST
Do Cryptocurrency Markets Differentiate Infrastructure from Regulatory Shocks? A Multi-Moment Event Study with Dependence-Robust Inference
King’s Business School, King’s College London（伦敦国王学院金史密斯商学院）；Dissensus
本文研究加密货币市场对基础设施故障和监管冲击的反应差异，采用GJR-GARCH-X模型进行多矩事件分析，揭示了依赖性稳健推断下的显著性差异及选择偏差问题。
2026-09-15 q-fin.CP q-fin.ST stat.AP
Cryptocurrency Bubble Detection: A New Stock Market Dataset, Financial Task & Hyperbolic Models
University of Texas at Dallas（德克萨斯大学达拉斯分校）；Georgia Institute of Technology（佐治亚理工学院）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Universitat Politècnica de València（瓦伦西亚理工大学）
信息在社交媒体上的快速传播影响着量化交易和投资。高度波动性资产（如加密货币和迷因股票）的投机交易日益流行，给金融领域带来了新的挑战。调查这种“泡沫”-市场突然异常行为的时期对于更好地理解投资者行为和市场动态至关重要。然而，高波动性加上大量混乱的社交媒体文本，特别是对于加密货币等尚未开发的资产，对现有方法构成了挑战。作为迈向加密货币NLP的第一步，我们提出并公开发布了CryptoBubbles，这是一种用于气泡检测的新型多跨度识别任务，以及一个来自9个交易所的400多个加密货币的数据集，超过五年，超过200万条推文。此外，我们基于加密货币的幂律动力学和社交媒体上的用户行为，开发了一组适合这种多跨度识别任务的序列到序列双曲模型。我们进一步测试了我们的模型在zero-shot设置下的有效性，在Reddit上测试了29个“meme stocks”，由于社交媒体的炒作，交易量增加。通过对Reddit和Twitter上的加密货币和米姆股票进行定量、定性和zero-shot分析，我们展示了CryptoBubbles和双曲线模型的实用性。
2022-05-11 cs.AI cs.CL cs.LG
Adaptive Temporal Fusion Transformers for Cryptocurrency Price Prediction
Department of Computer Engineering（计算机工程系）；Yazd University（亚兹德大学）；Department of Computer Science（计算机科学系）；New York Institute of Technology（纽约理工学院）
本文提出自适应时间融合Transformer方法，利用动态子序列分割和基于模式的分类来增强加密货币短期价格预测，在ETH-USDT数据上显著优于基线模型。
2025-09-06 cs.CE cs.LG q-fin.ST
Evolutionary correlation, regime switching, spectral dynamics and optimal trading strategies for cryptocurrencies and equities
本文使用新的和最近建立的方法来研究加密货币市场的演化动态，并将研究结果与股票市场进行比较。我们首先应用随机矩阵理论和主成分分析（PCA）的相关矩阵的两个集合，突出显示本征谱的明显差异。然后，我们探讨这两种资产类别的异质性，研究基础行业行为的时变动态，并确定每个集合中的集体相似性。然后，我们转向结构断裂动力学和进化功率谱的研究，在那里我们量化的集体亲和力的结构断裂和进化行为的基础部门时间序列。最后，我们实现了两种模拟“投资组合选择”动态的算法，以比较加密货币投资组合中股票选择和部门分配的有效性。在那里，我们强调了这两项努力的重要性，并评论了对加密货币投资组合管理的重要影响。
2022-03-14 q-fin.ST
A Frequency-Controlled Comparison of Tick- and Minute-Based Information Bars for Cryptocurrency Markets
本研究对比加密货币市场中基于刻度与分钟的信息条，发现刻度数据的优势具条类型特异性，频率匹配后刻度美元条表现最优，可恢复原始过采样序列拒绝的序列独立性。
2026-08-28 cs.CE q-fin.ST
Probabilistic Forecasting Cryptocurrencies Volatility: From Point to Quantile Forecasts
Faculty of Electrical Engineering Częstochowa University of Technology（电气工程学院切斯托楚瓦技术大学）；Faculty of Economic Sciences（经济科学学院）；Nicolaus Copernicus University in Toruń（托伦尼科拉乌斯·哥白尼大学）；Prague University of Economics（布拉格经济大学）
本文首次系统提出并评估基于多基础模型点预测的加密货币方差概率预测方法，发现QRS方法结合对数已实现波动率的线性模型表现最优，并验证了概率堆叠框架的稳健性。
2025-08-21 cs.AI cs.LG q-fin.ST
