Use search engines to predict cryptocurrency returns and trading volume

 Summary

In the context of the debate about the role of cryptocurrencies in the economy, their dynamics and forecasts, this short research is important to analyze forecasts on Bitcoin transaction volumes and returns using Google searches. We use a rich set of modeling techniques, including the VAR framework, link techniques, and random graphs, to capture the success model. Our main results, using weekly data from 2013 to 2017, show that Google search frequency leads to a significant increase in Bitcoin transaction volume. Clicking on the search engine has a positive effect that lasts for a week. Our findings contribute to the debate about cryptocurrencies/Bitcoin and are useful to investors and business developers in understanding their specific needs.

Introduction

It is difficult to make predictions, especially about the future! But this difficulty did not stop the practice of forecasting. Predicting future technological changes and their impact on social and economic prospects is an area of ​​research that has not lost its luster. Similarly, the evolution of forecasting technology and its impact on financial assets and their returns has always been one of the most interesting studies. In the twenty-first century, the evolutionary nature of endless financial and technological innovations has brought us to the era of cryptocurrencies, one of which is Bitcoin. Cryptocurrency or digital currency is an asset that exists only in electronic form. The most popular cryptocurrencies, such as Bitcoin, are designed for commercial transactions; but they are often held for speculation in the hope of increasing their value (see Bank of England (2018) for a detailed discussion of digital currencies). According to blockchain technology, Bitcoin is the most popular and widely used cryptocurrency and is sometimes considered together with traditional currencies (see Kristoufek and Vosvrda, 2016). Bitcoin is accompanied by debates and doubts about its future, but the popularity of the cryptocurrency has increased since its inception (Li and Wang, 2017).

One aspect of this debate is the debate about whether Bitcoin should be used or not. It is considered a safe financial asset. Many recent studies have discussed the Bitcoin market and its dynamics; for example, Li and Wang (2017) argue that despite intense debate, our understanding of the value of cryptocurrencies is very limited. Some participants in this discussion were aware of the role of cryptocurrencies; for example, Kim (2017) argued that Bitcoin is better than foreign markets with its simpler process and lower costs. Similarly, Bouri et al. Dyhrberg (2017) found that Bitcoin can protect against uncertainty, while Dyhrberg (2016, 2016b) reported that it is a good hedge against stocks, the dollar, and gold, arguing that it can be put on many devices. . Business analysts against business-specific risks 1. Financial Development has been an important platform for discussion and impact on blockchain technology and cryptocurrencies (see Blockchain Special Issue) 2 .

The emergence of cryptocurrencies has a huge impact and impact on the global economy in general. Especially emerging markets. For example, work by Carrick (2016) has suggested that Bitcoin and cryptocurrencies have unique characteristics that make them suitable and complementary to money in emerging markets. Additionally, while the risks of Bitcoin technology can also be reduced, cryptocurrencies can also play an important role in emerging markets. Similarly, regarding the importance of Bitcoin, Polasik et al. (2015) emphasized the importance of Bitcoin in terms of e-commerce and argued that it has the potential to play an important role. Pazaitis et al. (2017) argue that Bitcoin (blockchain) technology has the potential to enable new values ​​that encourage social sharing. Similarly, from a theoretical and economic perspective, Goertzel et al. (2017) argue that blockchain technology is most beneficial in terms of transparency, human interaction in global transactions, rationality, and efficiency. In contrast, Corbet et al. Some modern works such as. (2017) explore the main drivers of cryptocurrency (Bitcoin) price behavior and highlight the existence of clear periods of bubble behavior; Moreover, in its current form, Bitcoin is in the bubble phase. Similarly, Jiang (2017) argues that the Bitcoin market suffers from long-term memory and capacity problems. Alvarez-Ramirez et al. (2018) analyzed long-term correlation and performance data of the Bitcoin market. They report that the Bitcoin market exhibits a period of dynamic activity, with periods where price changes are driven by opposition. However, Bariviera et al. (2017) compared the changes of Bitcoin and the currency model by focusing on the analysis of returns over different time periods. They found that the Hurst index fluctuated significantly in the first few years of Bitcoin's life and has stabilized recently. Bouri et al. (2018) reported that the Global Financial Crisis Index can help predict Bitcoin returns. But one important thing that is indisputable in the debate (or discussions) around cryptocurrencies is its determination and foresight. In this context, Feng et al. (2017) reported evidence of information trading in Bitcoin before major events, leading them to say that information trading helps explain Bitcoin's behavior; however, this area needs further investigation and this is the purpose of the current study.

In recent years, many studies have analyzed the ability of content analysis to predict learning processes. For example, a study by Dotsika and Watkins (2017) used keyword analysis to determine the impact of new technologies3 and show the large impact of the impact. Similarly, Dube et al. (2017) showed that big data and predictive analytics can impact health and the environment. Many studies have tested the impact of information available on the Internet and print media on the returns on financial assets. For example, in the stock market, Tetlock (2007) examines the role of traditional media, while Bollen et al. (2011) Using Twitter to predict the stock market. Similarly, Moat et al. (2013) used Wikipedia as a prediction tool, while Challet and Ayed (2013) demonstrated the importance of keywords on Google in predicting financial market behavior. Preis et al. (2013) Analyzing marketing behavior using Google Trends.