[论文解读] Nowcasting the Bitcoin Market with Twitter Signals

Jermain Kaminski|arXiv (Cornell University)|Jun 30, 2014

Complex Systems and Time Series Analysis参考文献 24被引用 74

一句话总结

本研究探讨了实时Twitter情绪信号是否能够预测比特币市场走势。基于2013年11月至2014年3月共104天内收集的160,000条与比特币相关且含有情感指标的推文，研究发现情绪与市场指标之间存在强烈的静态相关性，但动态格兰杰因果检验表明，是交易量导致情绪变化，而非相反，说明Twitter反映市场动态而非预测市场动态。

ABSTRACT

This paper analyzes correlations and causalities between Bitcoin market indicators and Twitter posts containing emotional signals on Bitcoin. Within a timeframe of 104 days (November 23rd 2013 - March 7th 2014), about 160,000 Twitter posts containing "bitcoin" and a positive, negative or uncertainty related term were collected and further analyzed. For instance, the terms "happy", "love", "fun", "good", "bad", "sad" and "unhappy" represent positive and negative emotional signals, while "hope", "fear" and "worry" are considered as indicators of uncertainty. The static (daily) Pearson correlation results show a significant positive correlation between emotional tweets and the close price, trading volume and intraday price spread of Bitcoin. However, a dynamic Granger causality analysis does not confirm a statistically significant effect of emotional Tweets on Bitcoin market values. To the contrary, the analyzed data shows that a higher Bitcoin trading volume Granger causes more signals of uncertainty within a 24 to 72-hour timeframe. This result leads to the interpretation that emotional sentiments rather mirror the market than that they make it predictable. Finally, the conclusion of this paper is that the microblogging platform Twitter is Bitcoin's virtual trading floor, emotionally reflecting its trading dynamics.

研究动机与目标

• 检验Twitter上实时社交媒体情绪与比特币市场指标之间的关系。
• 确定Twitter上的情绪信号是否能够实时预测或预示短期比特币价格走势。
• 评估Twitter情绪是否驱动市场动态，还是仅反映现有市场活动。
• 评估Twitter情绪相对于实际市场交易量和价格变动的预测能力。

提出的方法

• 在2013年11月至2014年3月的104天内，收集了160,000条包含'bitcoin'及情感词汇（积极、消极、与不确定性相关）的Twitter帖子。
• 将情绪信号分类为三类：积极（例如，'happy'，'love'）、消极（例如，'bad'，'sad'）和不确定性（例如，'hope'，'fear'）。
• 计算每日情绪指标与比特币市场指标（收盘价、交易量、日内价格波幅）之间的静态皮尔逊相关系数。
• 应用动态格兰杰因果分析，测试情绪信号是否能预测未来市场走势，或反之，采用24至72小时的滞后框架。
• 使用时间序列分析评估情绪与市场变量之间的方向性因果关系，区分相关性与预测性影响。
• 采用标准计量经济学方法，检验情绪与市场结果之间因果关系的统计显著性。

实验结果

研究问题

• RQ1 比特币相关Twitter情绪与市场指标（如价格、交易量和波幅）之间是否存在统计显著的相关性？
• RQ2 Twitter情绪信号是否能够实时预测或预示比特币市场价值的短期变化？
• RQ3 Twitter上的情绪是否导致比特币市场动态的变化，还是仅反映现有市场走势？
• RQ4 情绪与市场活动之间的时序关系如何——情绪领先、滞后还是与市场变化同步？

主要发现

• 在每日情绪指标与比特币收盘价、交易量及日内价格波幅之间，发现了显著的正向静态相关性。
• 尽管存在强烈的静态相关性，但动态格兰杰因果检验并未证实情绪信号能够预测未来的市场走势。
• 相反，较高的比特币交易量被发现会在未来24至72小时内格兰杰导致不确定性相关情绪的上升。
• 结果表明，Twitter更像是比特币市场的实时情绪镜像，而非预测信号源。
• Twitter上的情绪表达更应被理解为市场动态的反映，而非价格或交易量变化的驱动因素。
• 本研究结论认为，Twitter作为虚拟交易场所，情绪是市场活动的回应，而非领先指标。