Expectil-Hidden-Markov-Regression zur Risikoanalyse von Kryptowährungen

Zusammenfassung

Das Paper stellt ein lineares Hidden-Markov-Modell mit Expectilen vor, um Renditen von Kryptowährungen im Risikomanagement zu untersuchen. Expectile ermöglichen eine Konzentration auf asymmetrische Bereiche der Renditeverteilung, während sich die Modellkoeffizienten im Zeitverlauf gemäß einer unbeobachteten diskreten Markow-Kette ändern. Zur Schätzung verwendet das Modell eine asymmetrische Normalverteilung sowie ein Expectation-Maximization-Verfahren mit Aktualisierungsformeln für seine Parameter.

Die Autoren bewerten den Ansatz anhand simulierter Daten unter mehreren Versuchsbedingungen sowie täglicher Bitcoin-Renditen im Vergleich mit wichtigen globalen Marktindizes. Das Dokument beschreibt Methode und Evaluierungsdesign, berichtet jedoch keine konkreten empirischen Ergebnisse oder Leistungsvergleiche. Der Schwerpunkt ist daher methodisch: Das Abstract belegt weder, dass das Modell Prognosen oder Risikoentscheidungen verbessert, noch gibt es an, wie die Ergebnisse zwischen Kryptowährungen oder Marktbedingungen variieren.

Kernaussagen

• Das Modell nutzt Expectil-Regression, um asymmetrische Merkmale von Kryptowährungsrenditen zu erfassen.
• Latente Markow-Zustände ermöglichen es, dass sich die Regressionskoeffizienten im Zeitverlauf verändern.
• Eine asymmetrische Normalverteilung ermöglicht die Maximum-Likelihood-Schätzung.
• Ein Expectation-Maximization-Algorithmus liefert Parameteraktualisierungen.
• Die Evaluierung umfasst simulierte Daten und Bitcoin-Renditen im Vergleich zu wichtigen Marktindizes.

Schlagwörter

# Expectile hidden Markov regression models for analyzing cryptocurrency returns


# Expectile hidden Markov regression models for analyzing cryptocurrency returns









In this paper we develop a linear expectile hidden Markov model for the analysis of cryptocurrency time series in a risk management framework. The methodology proposed allows to focus on extreme returns and describe their temporal evolution by introducing in the model time-dependent coefficients evolving according to a latent discrete homogeneous Markov chain. As it is often used in the expectile literature, estimation of the model parameters is based on the asymmetric normal distribution. Maximum likelihood estimates are obtained via an Expectation-Maximization algorithm using efficient M-step update formulas for all parameters. We evaluate the introduced method with both artificial data under several experimental settings and real data investigating the relationship between daily Bitcoin returns and major world market indices.

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.