Modelos ocultos de Markov bayesianos para rendimientos de criptomonedas

Resumen

El estudio utiliza modelos ocultos de Markov con múltiples estados para prever y explicar los rendimientos de Bitcoin, Ether y Ripple. Compara tipos de modelos, incluida una especificación no homogénea de Markov oculto, y examina predictores financieros, económicos y específicos de las criptomonedas. Entre los modelos considerados, el no homogéneo con cuatro estados ofrece el mejor rendimiento predictivo a un paso para los tres activos.

Los autores atribuyen las mejoras frente a un paseo aleatorio de un solo régimen a estados latentes que capturan periodos con distintos comportamientos de los rendimientos. Para Bitcoin, los estados descritos distinguen condiciones alcistas, bajistas y tranquilas; para Ether y Ripple, separan periodos según características de beneficio y riesgo. El análisis también encuentra que las relaciones entre predictores pueden variar entre estados ocultos y ser lineales o no lineales. Estos son resultados empíricos para las criptomonedas, los modelos y la muestra seleccionados; la descripción no indica las fechas de la muestra ni medidas detalladas de rendimiento, por lo que no demuestra que los resultados se generalicen a otros activos o periodos futuros.

Ideas clave

• Los modelos ocultos de Markov con múltiples estados representan los rendimientos de criptomonedas como variables que cambian entre regímenes latentes.
• Un modelo no homogéneo de cuatro estados ofrece el mejor rendimiento de previsión a un paso entre los modelos probados.
• Los estados latentes reflejan distintas características de rendimiento de Bitcoin, Ether y Ripple.
• Los efectos de los predictores pueden variar según el estado y ser lineales o no lineales.
• La evidencia descrita se limita a los activos y modelos examinados.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.