Prognozowanie spreadów na rynku kryptowalut: metody tradycyjne i uczenie maszynowe Forecasting Spreads on Cryptocurrency Markets: Traditional Methods and Machine Learning Approaches Pomiar płynności jest fundamentalnym elementem analizy rynków finansowych, pozwalającym inwestorom ocenić łatwość przeprowadzania transakcji oraz potencjalne koszty i ryzyka związane z obrotem aktywami. Niniejsze badanie dotyczy płynności rynku kryptowalut, który charakteryzuje się znacznym rozproszeniem i brakiem standardowych metryk. Kryptowaluty są notowane na setkach platform, co utrudnia pomiary płynności. Autorzy skupiają się na spreadzie, czyli różnicy między ceną kupna a sprzedaży, jako podstawowym wskaźniku płynności i podejmują próbę prognozowania tegoż spreadu. Przeprowadzone dotąd badania wykazały niejednoznaczne zależności między płynnością a stopami zwrotu. Niektóre badania sugerują, że mniej płynne kryptowaluty mogą generować wyższe zwroty, ale kluczowe jest uwzględnienie kosztów transakcyjnych. Niniejsza praca wypełnia lukę w literaturze w dwóch kluczowych aspektach. Po pierwsze, autorzy opisują miary płynności (spready) na rynku kryptowalut w ujęciu śróddziennym z perspektywy szeregów czasowych – dotychczas takie badania prowadzono głównie na rynkach akcji. Analiza obejmuje 15 par kryptowalut z giełdy Binance, koncentrując się na 5 najlepszych kryptowalutach notowanych wobec 3 czołowych stablecoinów. Po drugie, badacze wprowadzają nowatorskie podejście do prognozowania spreadów płynności przy użyciu modeli uczenia maszynowego. Zaskakujący wynik ich badań wskazuje, że tradycyjne modele, takie jak OLS, mogą dawać lepsze prognozy niż bardziej zaawansowane metody uczenia maszynowego. Ocena płynności ma kluczowe znaczenie dla tworzenia solidnych strategii inwestycyjnych, ponieważ bezpośrednio wpływa na koszty transakcyjne i możliwość wejścia lub wyjścia z pozycji bez istotnego wpływu na cenę. Z perspektywy efektywności rynku, zrozumienie dynamiki płynności pomaga ocenić stopień wydajności rynków kryptowalutowych i zidentyfikować potencjalne nieefektywności. Współautor: Aleksander Mercik