DOI: https://doi.org/10.1017/s0022109024000747
تاريخ النشر: 2025-07-15
المؤلف: Christian Fieberg وآخرون
الموضوع الرئيسي: الأسواق المالية واستراتيجيات الاستثمار
نظرة عامة
في هذه الدراسة، يقدم المؤلفون CTREND، وهو عامل اتجاه جديد مصمم للتنبؤ بعوائد العملات المشفرة من خلال تجميع بيانات الأسعار والحجم عبر فترات زمنية مختلفة. باستخدام مجموعة بيانات تضم أكثر من 3000 عملة مشفرة من 2015 إلى 2022، يطبقون تقنيات التعلم الآلي لاستخراج رؤى قيمة من مؤشرات فنية متعددة. تشير النتائج إلى أن CTREND يعمل كمتنبئ موثوق لعوائد العملات المشفرة، مما يظهر متانة عبر ظروف السوق المختلفة والفترات الفرعية، ويظل غير متأثر بتكاليف المعاملات. ومن الجدير بالذكر أن استراتيجية تداول طويلة وقصيرة تعتمد على CTREND تحقق عائدًا متوسطًا مثيرًا للإعجاب يبلغ 3.87% في الأسبوع، متفوقة على نماذج تسعير الأصول التقليدية مثل CCAPM ونموذج العوامل الثلاثة.
تؤكد الدراسة على الآثار العملية لـ CTREND، مشددة على فعاليته في العملات المشفرة الرئيسية والسائلة، ومرونته على الرغم من ارتفاع دوران المحفظة. يعترف المؤلفون بوجود قيد في اعتمادهم على ميزات فنية مختارة مسبقًا ويقترحون أن الأبحاث المستقبلية يمكن أن تستكشف طرقًا بديلة لاستخراج المعلومات من بيانات الأسعار. كما يدعون إلى مزيد من التحقيق في الآليات الأساسية لتأثير CTREND، مما قد يعزز فهم أنماط العائد في سوق العملات المشفرة. بشكل عام، يقدم عامل CTREND طريقًا واعدًا لتطوير استراتيجيات تداول فعالة في هذه الفئة الناشئة من الأصول.
مقدمة
في مقدمة هذه الورقة البحثية، يبرز المؤلفون التحديات التي يواجهها مستثمرو العملات المشفرة بسبب غياب نموذج تقييم مقبول عالميًا والبيانات الأساسية. يجبر هذا النقص في المعلومات المتداولين على الاعتماد على أسعار السوق، مما يمكن أن يؤدي إلى سلوكيات شبيهة بالاتجاه في أسواق العملات المشفرة، كما يتضح من دراسات متعددة تربط العوائد السابقة بالأداء المستقبلي. يقترح المؤلفون عامل اتجاه جديد للعملات المشفرة، يسمى CTREND، والذي يجمع المعلومات من 28 إشارة فنية—مثل مؤشرات الزخم والمتوسطات المتحركة—عبر أكثر من 3000 عملة من 2015 إلى 2022. من خلال استخدام تقنيات التعلم الآلي، يستخرجون إشارة شاملة تتنبأ بفعالية بقطاع عوائد العملات المشفرة.
تكشف النتائج أن استراتيجية طويلة وقصيرة تستخدم عامل CTREND تحقق عوائد أسبوعية كبيرة، متفوقة على نماذج تسعير العملات المشفرة المعروفة مثل نموذج تسعير الأصول الرأسمالية للعملات المشفرة (CCAPM) ونموذج العوامل الثلاثة لـ Liu وآخرون (2022). يتم إثبات متانة تأثير CTREND عبر ظروف السوق المختلفة وتصاميم البحث، مما يشير إلى إمكانيته كمعيار جديد لتسعير الأصول في أبحاث العملات المشفرة. بالإضافة إلى ذلك، يناقش المؤلفون آثار CTREND على استراتيجيات الاستثمار، مشيرين إلى فعاليته في التنبؤ بالعوائد حتى في العملات المشفرة الرئيسية، مما يساهم في النقاش المستمر حول قابلية تطبيق التحليل الفني في أسواق العملات المشفرة.
طرق
في هذا القسم، يوضح المؤلفون بياناتهم ومنهجيتهم، بدءًا بوصف مفصل لعينة البيانات المستخدمة في الدراسة. ثم يناقشون المؤشرات الفنية المختارة للتحليل، مع التأكيد على أهميتها في التنبؤ بالعوائد المستقبلية في سوق العملات المشفرة. يتم إجراء فحص استكشافي لهذه المؤشرات لتقييم قيمتها المعلوماتية. أخيرًا، يشرح المؤلفون عملية حساب إشارة CTREND المجمعة، والتي تعد عنصرًا رئيسيًا في إطارهم التحليلي.
نتائج
في قسم “النتائج”، يبدأ المؤلفون تحليلهم التجريبي من خلال تقييم قابلية التنبؤ بالعائد لإشارة CTREND من خلال طرق فرز المحافظ. تتيح هذه الطريقة تقييمًا منهجيًا لمدى جودة إشارة CTREND في التنبؤ بالعوائد عبر محافظ مختلفة. بعد ذلك، يستخدم المؤلفون الانحدارات المقطعية للتحقيق بشكل أعمق في القوة التنبؤية لإشارة CTREND، مما يوفر فهمًا أكثر دقة لفعاليتها في التنبؤ بعوائد الأصول. من المتوقع أن تسهم النتائج من هذه التحليلات بشكل كبير في الأدبيات حول قابلية التنبؤ بالعائد.
مناقشة
ت outlines قسم المناقشة في الورقة البحثية إطارًا نظريًا لفهم تحركات الأسعار في أسواق العملات المشفرة، مع التأكيد على دور التحيزات السلوكية والمؤشرات الفنية بسبب محدودية توفر المعلومات الأساسية. تشير إلى دراسات رئيسية تربط بيانات الأسعار والحجم السابقة بالعوائد المستقبلية، موضحة كيف يمكن أن يعتمد المتداولون غير المطلعين على الاتجاهات التاريخية لاستنتاج قيمة الأصول. تفترض الورقة أن الطبيعة الفريدة لتداول العملات المشفرة—المميزة بالسلوك المضاربي والتجمع—تؤدي بالمستثمرين إلى استخدام إشارات فنية بشكل أساسي، مثل مؤشرات الزخم والمتوسطات المتحركة، لتوجيه قراراتهم الاستثمارية.
يستفيض المؤلفون في توضيح منهجيتهم لتحليل المؤشرات الفنية، موضحين بناء عامل الاتجاه الذي يجمع بين إشارات متعددة لتعزيز دقة التنبؤ. يستخدمون نهج الانحدار الشبكي المرن المدمج للتخفيف من مشاكل الإفراط في التكيف وعدم الكفاءة في مجموعات البيانات الضوضائية النموذجية لعوائد العملات المشفرة. تشير النتائج إلى أن العديد من المؤشرات الفنية تحقق قوة تنبؤية كبيرة للعوائد المستقبلية، خاصة ضمن مؤشرات الزخم، مما يشير إلى أن سلوك اتباع الاتجاه شائع في أسواق العملات المشفرة. يبرز هذا الاعتماد على بيانات الأسعار السابقة الطبيعة المضاربية للعملات المشفرة، مما يتناقض مع الأسواق المالية التقليدية حيث يلعب التحليل الأساسي دورًا أكبر.
DOI: https://doi.org/10.1017/s0022109024000747
Publication Date: 2025-07-15
Author(s): Christian Fieberg et al.
Primary Topic: Financial Markets and Investment Strategies
Overview
In this study, the authors introduce CTREND, a novel trend factor designed to predict cryptocurrency returns by aggregating price and volume data across various time horizons. Utilizing a dataset encompassing over 3,000 cryptocurrencies from 2015 to 2022, they apply machine learning techniques to extract valuable insights from multiple technical indicators. The findings indicate that CTREND serves as a reliable predictor of cryptocurrency returns, demonstrating robustness across different market conditions and subperiods, and remaining unaffected by transaction costs. Notably, a long-short trading strategy based on CTREND yields an impressive average return of 3.87% per week, outperforming traditional asset pricing models such as the CCAPM and the three-factor model.
The study emphasizes the practical implications of CTREND, highlighting its effectiveness in major and liquid cryptocurrencies, and its resilience despite high portfolio turnover. The authors acknowledge a limitation in their reliance on preselected technical features and suggest that future research could explore alternative methods for extracting information from price data. They also call for further investigation into the underlying mechanisms of the CTREND effect, which could enhance the understanding of return patterns in the cryptocurrency market. Overall, the CTREND factor presents a promising avenue for developing effective trading strategies in this emerging asset class.
Introduction
In the introduction of this research paper, the authors highlight the challenges faced by cryptocurrency investors due to the absence of a universally accepted valuation model and fundamental data. This lack of information compels traders to rely on market prices, which can lead to trend-like behaviors in cryptocurrency markets, as evidenced by various studies linking past returns to future performance. The authors propose a novel cryptocurrency trend factor, termed CTREND, which aggregates information from 28 technical signals—such as momentum oscillators and moving averages—across over 3,000 coins from 2015 to 2022. By employing machine learning techniques, they extract a comprehensive signal that effectively predicts the cross-section of cryptocurrency returns.
The findings reveal that a long-short strategy utilizing the CTREND factor yields significant weekly returns, outperforming established cryptocurrency pricing models like the cryptocurrency capital asset pricing model (CCAPM) and the Liu et al. (2022) 3-factor model. The robustness of the CTREND effect is demonstrated across various market conditions and research designs, indicating its potential as a new benchmark for asset pricing in cryptocurrency research. Additionally, the authors discuss the implications of CTREND for investment strategies, noting its effectiveness in predicting returns even in major cryptocurrencies, thus contributing to the ongoing discourse on the applicability of technical analysis in cryptocurrency markets.
Methods
In this section, the authors outline their data and methodology, beginning with a detailed description of the data sample utilized in the study. They then discuss the technical indicators selected for analysis, emphasizing their relevance in predicting future returns in the cryptocurrency market. An exploratory examination of these indicators is conducted to assess their informational value. Lastly, the authors explain the process for calculating the aggregate CTREND signal, which serves as a key component of their analytical framework.
Results
In the “Results” section, the authors initiate their empirical analysis by assessing the return predictability of the CTREND signal through portfolio sorting methods. This approach allows for a systematic evaluation of how well the CTREND signal can forecast returns across different portfolios. Following this, the authors employ cross-sectional regressions to further investigate the predictive power of the CTREND signal, providing a more nuanced understanding of its effectiveness in predicting asset returns. The findings from these analyses are expected to contribute significantly to the literature on return predictability.
Discussion
The discussion section of the research paper outlines a theoretical framework for understanding price movements in cryptocurrency markets, emphasizing the role of behavioral biases and technical indicators due to the limited availability of fundamental information. It references key studies that link past price and volume data to future returns, highlighting how uninformed traders may rely on historical trends to infer asset value. The paper posits that the unique nature of cryptocurrency trading—characterized by speculative behavior and herding—leads investors to predominantly use technical signals, such as momentum oscillators and moving averages, to guide their investment decisions.
The authors further elaborate on their methodology for analyzing technical indicators, detailing the construction of a trend factor that aggregates multiple signals to enhance predictive accuracy. They employ a combined elastic net regression approach to mitigate issues of overfitting and inefficiency in noisy data sets typical of cryptocurrency returns. The results indicate that many technical indicators yield significant predictive power for future returns, particularly within momentum oscillators, suggesting that trend-following behavior is prevalent in cryptocurrency markets. This reliance on past price data underscores the speculative nature of cryptocurrencies, contrasting with traditional equity markets where fundamental analysis plays a more substantial role.