Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Discovering High Utility Itemsets Based on the Artificial Bee Colony Algorithm Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Forecasting Bitcoin Price with Graph Chainlets

verfasst von : Cuneyt G. Akcora, Asim Kumer Dey, Yulia R. Gel, Murat Kantarcioglu

Erschienen in: Advances in Knowledge Discovery and Data Mining

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Over the last couple of years, Bitcoin cryptocurrency and the Blockchain technology that forms the basis of Bitcoin have witnessed a flood of attention. In contrast to fiat currencies used worldwide, the Bitcoin distributed ledger is publicly available by design. This facilitates observing all financial interactions on the network, and analyzing how the network evolves in time. We introduce a novel concept of chainlets, or Bitcoin subgraphs, which allows us to evaluate the local topological structure of the Bitcoin graph over time. Furthermore, we assess the role of chainlets on Bitcoin price formation and dynamics. We investigate the predictive Granger causality of chainlets and identify certain types of chainlets that exhibit the highest predictive influence on Bitcoin price and investment risk.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Efficient Exact and Approximate Algorithms for Computing Betweenness Centrality in Directed Graphs
Nächstes Kapitel Information Propagation Trees for Protest Event Prediction
Fußnoten
3
Some representative chainlets from daily clusters 7, 8, 16 and 35 are \(\mathbb {C}_{9 \rightarrow 11}\), \(\mathbb {C}_{3 \rightarrow 17}\), \(\mathbb {C}_{8 \rightarrow 14}\) and \(\mathbb {C}_{1 \rightarrow 1}\), respectively.
 
Literatur
1.
Ahmed, N.K., Neville, J., Rossi, R.A., Duffield, N., Willke, T.L.: Graphlet decomposition: framework, algorithms, and applications. KAIS 50, 1–32 (2016)
2.
3.
4.
Baumann, A., Fabian, B., Lischke, M.: Exploring the bitcoin network. In: WEBIST (1), pp. 369–374 (2014)
5.
Di Battista, G., Di Donato, V., Patrignani, M., Pizzonia, M., Roselli, V., Tamassia, R.: Bitconeview: visualization of flows in the bitcoin transaction graph. In: IEEE VizSec, pp. 1–8 (2015)
6.
Granger, C.W.J.: Investigating causal relations by econometric models and cross-spectral methods. Econometrica 37(3), 424–438 (1969)CrossRef
7.
Greaves, A., Au, B.: Using the bitcoin transaction graph to predict the price of bitcoin. No Data (2015)
8.
Huang, A.: Similarity measures for text document clustering. In: NZCSRSC, pp. 49–56 (2008)
9.
Jiang, X.F., Chen, T.T., Zheng, B.: Structure of local interactions in complex financial dynamics. Sci. Rep. 4(5321), 1–9 (2014)
10.
Kane, M.J., Price, N., Scotch, M., Rabinowitz, P.: Comparison of ARIMA and random forest time series models for prediction of avian influenza H5N1 outbreaks. BMC Bioinform. 15(1), 276 (2014)CrossRef
11.
Kondor, D., Csabai, I., Szüle, J., Pósfai, M., Vattay, G.: Inferring the interplay between network structure and market effects in Bitcoin. New J. Phys. 16(12), 125003 (2014)CrossRef
12.
Kondor, D., Pósfai, M., Csabai, I., Vattay, G.: Do the rich get richer? An empirical analysis of the Bitcoin transaction network. PLOS One 9(2), e86197 (2014)CrossRef
13.
Lischke, M., Fabian, B.: Analyzing the bitcoin network: the first four years. Future Internet 8(1), 7 (2016)CrossRef
14.
Madan, I., Saluja, S., Zhao, A.: Automated bitcoin trading via machine learning algorithms (2015)
15.
Milo, R., Shen-Orr, S., Itzkovitz, S., Kashtan, N., Chklovskii, D., Alon, U.: Network motifs: simple building blocks of complex networks. Science 298(5594), 824–827 (2002)CrossRef
16.
Moser, M., Bohme, R., Breuker, D.: An inquiry into money laundering tools in the bitcoin ecosystem. In: eCRS, pp. 1–14. IEEE (2013)
17.
Nakamoto, S.: Bitcoin: a peer-to-peer electronic cash system (2008)
18.
Ober, M., Katzenbeisser, S., Hamacher, K.: Structure and anonymity of the bitcoin transaction graph. Future Internet 5(2), 237–250 (2013)CrossRef
19.
Portnoff, R.S., Huang, D.Y., Doerfler, P., Afroz, S., McCoy, D.: Backpage and bitcoin: uncovering human traffickers. In: SIGKDD, pp. 1595–1604. ACM (2017)
20.
Sorgente, M., Cibils, C.: The reaction of a network: exploring the relationship between the Bitcoin network structure and the Bitcoin price. No Data (2014)
21.
Tschorsch, F., Scheuermann, B.: Bitcoin and beyond: a technical survey on decentralized digital currencies. IEEE Commun. Surv./Tut. 18(3), 2084–2123 (2016)CrossRef
22.
White, H., Chalak, K., Lu, X.: Linking granger causality and the pearl causal model with settable systems. In: JMLR, vol. 12, pp. 1–29 (2011)
23.
Yang, S.Y., Kim, J.: Bitcoin market return and volatility forecasting using transaction network flow properties. In: IEEE SSCI, pp. 1778–1785 (2015)
Metadaten
Titel
Forecasting Bitcoin Price with Graph Chainlets
verfasst von
Cuneyt G. Akcora
Asim Kumer Dey
Yulia R. Gel
Murat Kantarcioglu
Copyright-Jahr
2018
Buch
Advances in Knowledge Discovery and Data Mining

Print ISBN: 978-3-319-93039-8

Electronic ISBN: 978-3-319-93040-4

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-93040-4_60

Premium Partner

    Bildnachweise