Bayes’sche Hidden-Markov-Modelle für Renditeregime bei Kryptowährungen

Zusammenfassung

Die Studie verwendet Hidden-Markov-Modelle mit mehreren Zuständen, um Renditen von Bitcoin, Ether und Ripple zu prognostizieren und zu erklären. Sie vergleicht Modelltypen, darunter eine nicht homogene Hidden-Markov-Spezifikation, und untersucht finanzielle, wirtschaftliche sowie kryptowährungsspezifische Prädiktoren. Unter den betrachteten Modellen erzielt das nicht homogene Modell mit vier Zuständen für alle drei Assets die beste Prognoseleistung für den nächsten Zeitschritt.

Die Autoren führen die Verbesserung gegenüber einem Random Walk mit nur einem Regime auf latente Zustände zurück, die Zeiträume mit unterschiedlichem Renditeverhalten erfassen. Für Bitcoin unterscheiden die berichteten Zustände bullische, bärische und ruhige Marktphasen; für Ether und Ripple trennen sie Zeiträume nach Gewinn- und Risikoeigenschaften. Die Analyse zeigt außerdem, dass sich die Beziehungen zu den Prädiktoren zwischen latenten Zuständen unterscheiden und linear oder nichtlinear sein können. Dies sind empirische Befunde für die ausgewählten Kryptowährungen, Modelle und Stichproben. Die Beschreibung nennt weder Stichprobendaten noch detaillierte Leistungskennzahlen und belegt daher nicht, dass sich die Ergebnisse auf andere Assets oder künftige Zeiträume übertragen lassen.

Kernaussagen

• Hidden-Markov-Modelle mit mehreren Zuständen stellen Kryptowährungsrenditen als Wechsel zwischen latenten Regimen dar.
• Ein nicht homogenes Modell mit vier Zuständen erzielt unter den getesteten Modellen die beste Prognoseleistung für den nächsten Zeitschritt.
• Die latenten Zustände spiegeln unterschiedliche Renditeeigenschaften von Bitcoin, Ether und Ripple wider.
• Die Effekte der Prädiktoren können je nach Zustand variieren und linear oder nichtlinear sein.
• Die berichteten Belege beziehen sich auf die untersuchten Assets und Modelle.

Schlagwörter

# Exploring the Predictability of Cryptocurrencies via Bayesian Hidden Markov Models


# Exploring the Predictability of Cryptocurrencies via Bayesian Hidden Markov Models









In this paper, we consider a variety of multi-state Hidden Markov models for predicting and explaining the Bitcoin, Ether and Ripple returns in the presence of state (regime) dynamics. In addition, we examine the effects of several financial, economic and cryptocurrency specific predictors on the cryptocurrency return series. Our results indicate that the Non-Homogeneous Hidden Markov (NHHM) model with four states has the best one-step-ahead forecasting performance among all competing models for all three series. The dominance of the predictive densities over the single regime random walk model relies on the fact that the states capture alternating periods with distinct return characteristics. In particular, the four state NHHM model distinguishes bull, bear and calm regimes for the Bitcoin series, and periods with different profit and risk magnitudes for the Ether and Ripple series. Also, conditionally on the hidden states, it identifies predictors with different linear and non-linear effects on the cryptocurrency returns. These empirical findings provide important insight for portfolio management and policy implementation.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.