Movers of the cryptocurrency market

Abstract

I denne oppgaven analyserer vi om markedsdata, oppmerksomhet fra investorer og sentiment kan benyttes til å predikere fremtidig prisutvikling for kryptovalutaer. Vi har konstruert et datasett bestående av 516 ulike kryptovalutaer, som inkluderer data fra Yahoo Finance, Google Trends og Twitter. Denne dataen blir prosessert, og blir videre benyttet til å produsere en rekke ulike modeller for å avgjøre hvilken effekt de ulike variablene har. Vi starter med å opprette en markedsindeks, som vi analyserer ved hjelp av ordinær lineær regresjon og en ARMA(1,1) modell. Funnene fra disse analysene indikerer at det er en klar reverseringseffekt på en dag til dag basis, og en momentumeffekt på et ukentlig og månedlig tidsintervall. Oppmerksomhet og sentiment har begrenset bruksområde for å predikere fremtidig avkastning. Videre analyserer vi en rekke modeller ved hjelp av paneldata og dynamisk paneldata regresjon for å avdekke om man kan predikere prisutviklingen basert på data spesifikk for den enkelte kryptovalutaen. Fra disse modellene konkluderer vi med at å måle investoroppmerksomhet ved hjelp av Google Trends og å bruke tidligere prisutvikling og utviklingen til kryptomarkedet er sterke predikatorer for fremtidig prisutvikling, særlig på ukentlige og månedlige intervaller. Sentiment, Twitter-data, volatilitet og handelsvolum er også tidvis signifikante, men mindre enn de tidligere nevnte.

In this paper, we analyse the effect of market data, investor attention and sentiment on cryptocurrency returns. The data set consists of 516 different cryptocurrencies with data from Yahoo Finance, Google Trends and Twitter. We use this data to study the cryptocurrency market with a number of different models. First, we create an index which we study through an OLS regression model and an ARMA(1,1) model. We find that the cryptocurrency market has a clear reversion effect on a daily basis, and momentum effect on a weekly time scale. We find that attention and sentiment have limited predictive power of the overall cryptocurrency market. Next, we create a number of models using panel data and dynamic panel data regressions to uncover the dynamics of predicting future cryptocurrency returns. From these models, we find that measuring investor attention through Google Trends and using previous returns and the movement of the overall market can be particularly strong predictors for future return, especially on weekly and monthly intervals. Furthermore, we find that volatility, trading volume, Twitter data and sentiment also display some significance, but less than the aforementioned.