Cette étude examine l'impact de la diversité des sources de données sur la performance des modèles de prédiction des cryptomonnaies en intégrant diverses catégories de données, notamment des indicateurs techniques, des indicateurs on-chain, des indicateurs de sentiment et d'intérêt des investisseurs, des indices de marché traditionnels et des indicateurs macroéconomiques. Nous présentons l'indice Crypto100, qui représente les 100 premières cryptomonnaies par capitalisation boursière, et proposons un nouvel algorithme de réduction des caractéristiques pour identifier les caractéristiques les plus influentes et les plus résilientes parmi diverses sources de données. Grâce à des expériences approfondies, nous démontrons que la diversité des sources de données améliore significativement les performances prédictives des modèles sur différentes échelles de temps. Les principaux résultats incluent l'importance des indicateurs on-chain pour les prédictions à court et à long terme, l'importance accrue des indices de marché traditionnels et des indicateurs macroéconomiques pour les prédictions à long terme, et une amélioration significative de la précision des modèles grâce à l'utilisation de sources de données diversifiées. Ces informations nous aident à comprendre les facteurs clés des marchés des cryptomonnaies à court et à long terme et posent les bases du développement de modèles de prédiction plus précis et résilients.
