Surviving the Storm: Hazard Models and Signaling Shocks in Bitcoin Prices
Notice bibliographique
Résumé
Cet article explore les facteurs influençant les fluctuations du prix du Bitcoin et identifie les indicateurs clés pour prédire les mouvements du marché. Les tendances positives des prix sont associées à une activité accrue du réseau, à des blocs de plus grande taille et à des retours sur investissement plus élevés, offrant des opportunités potentielles aux investisseurs. À l’inverse, l’augmentation des valeurs du nombre d’actions d’adresse, de la valeur du marché des capitaux, de l’émission de Coinbase et du retour sur investissement, suggère un risque plus élevé de chocs de prix négatifs et de tendances potentielles à la baisse du marché. L’étude met également en évidence des facteurs atténuants tels que la capitalisation du Bitcoin, l’offre actuelle et la vitesse actuelle, offrant des informations précieuses pour améliorer la stabilité du marché. En outre, les résultats suggèrent qu’à mesure que l’ampleur absolue des chocs de prix augmente, la fréquence des chocs de prix négatifs dépasse celle des chocs positifs. Simultanément, on observe une diminution significative de la prévisibilité des chocs négatifs par rapport à la prévisibilité des chocs de prix positifs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».