Bitcoin-Blöcke und Kurssprünge mit Hawkes-Prozessen modellieren

Zusammenfassung

Die Arbeit modelliert das Eintreffen von Bitcoin-Blöcken und Kurssprünge mit einem multivariaten Hawkes-Prozess. Dieser Punktprozess-Ansatz stellt Ereignisse so dar, dass sie spätere Ereignisse auslösen können. Verwendet werden öffentlich verfügbare Blockchain-Daten; die Modellparameter werden mit der Maximum-Likelihood-Methode geschätzt. Der Ansatz soll sowohl die Selbsterregung innerhalb von Ereignisströmen als auch die wechselseitige Erregung zwischen dem Mining von Blöcken und der Bitcoin-Preisvolatilität erfassen.

Die berichteten Ergebnisse deuten darauf hin, dass die Bitcoin-Preisvolatilität die Block-Mining-Rate erhöht, während Bitcoin-Anlagerenditen eine Mean-Reversion aufweisen. Quantil-Quantil-Diagramme zeigen, dass der Hawkes-Prozess besser zu den Blockchain-Daten passt als ein Poisson-Modell. Diese Befunde beschreiben statistische Zusammenhänge und die Modellgüte. Die knappe Darstellung enthält weder Parameterschätzungen noch Angaben zum Umfang des Datensatzes oder zur Prognoseleistung und belegt auch nicht, dass die Ergebnisse eine profitable Handelsstrategie ermöglichen.

Kernaussagen

• Ein multivariater Hawkes-Prozess bildet das Eintreffen von Bitcoin-Blöcken und Kurssprünge ab.
• Die Modellparameter werden anhand öffentlicher Blockchain-Daten mit der Maximum-Likelihood-Methode geschätzt.
• Der Ansatz erfasst Selbst- und Kreuzerregung zwischen Ereignisströmen.
• Laut Analyse erhöht die Bitcoin-Preisvolatilität die Block-Mining-Rate.
• Bitcoin-Anlagerenditen weisen laut Bericht Mean-Reversion auf; Quantil-Quantil-Diagramme sprechen für eine bessere Anpassung durch Hawkes- als durch Poisson-Modelle.

Schlagwörter

# Hawkes Process Modeling of Block Arrivals in Bitcoin Blockchain


# Hawkes Process Modeling of Block Arrivals in Bitcoin Blockchain









The paper constructs a multi-variate Hawkes process model of Bitcoin block arrivals and price jumps. Hawkes processes are selfexciting point processes that can capture the self- and cross-excitation effects of block mining and Bitcoin price volatility. We use publicly available blockchain datasets to estimate the model parameters via maximum likelihood estimation. The results show that Bitcoin price volatility boost block mining rate and Bitcoin investment return demonstrates mean reversion. Quantile-Quantile plots show that the proposed Hawkes process model is a better fit to the blockchain datasets than a Poisson process model.

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.