Profitability of Cryptocurrency Trading Strategies Employed by Investors of a Philippine-Based Online Community: Basis for the Development of an Investor's Guidebook
Notice bibliographique
Résumé
The volatile and unpredictable nature of the cryptocurrency market poses significant challenges for making profitable trading decisions. This study investigated the profitability of cryptocurrency trading strategies employed by investors of a Philippine-based online community. A descriptive-correlational design was used, employing a Google Forms survey administered to 100 investors who are members of a private online cryptocurrency trading group based in a specific province in the Philippines. Data analysis included frequency, percentage, weighted mean, Pearson’s r, and t-test. Results indicated that most investors are young, educated professionals with employment in finance-related fields, suggesting a familiarity with trading systems. All trading strategies were perceived as generally effective in their contribution to profitability, with algorithmic trading and diversification showing the strongest positive correlations. Demographic variables—particularly sex, age, income, and profession—significantly influenced strategy choice. Younger, wealthier, and more professionally experienced individuals favored more advanced approaches, such as algorithmic trading and diversification. Based on the study's findings, the researchers proposed chapter guidelines for an investor’s guidebook, offering step-by-step strategies tailored to demographic characteristics to help optimize profitability and manage risk. Study limitations include the small and geographically limited samples, as well as the absence of longitudinal data. Future research should involve broader samples and the use of other research methods to validate these findings and explore the effectiveness of long-term cryptocurrency trading strategies.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».