Modelización de rendimientos cripto con distribuciones alfa estables

Resumen

Este estudio evalúa las distribuciones alfa estables como modelos para los rendimientos de Bitcoin, Ethereum y Ripple, que en conjunto representaban la mayor parte del mercado de criptomonedas de los datos analizados. Examina si esta distribución flexible de colas pesadas puede captar la leptocurtosis observada en los rendimientos cripto, una característica que los modelos gaussianos más simples podrían pasar por alto.

El artículo compara tres métodos de estimación de parámetros: máxima verosimilitud, asociada a DuMouchel; estimación basada en cuantiles, asociada a McCulloch; y un método basado en características muestrales, asociado a Koutrouvelis. Informa de que la máxima verosimilitud se ajusta mejor a los datos de rendimientos examinados que las otras dos alternativas y de que el modelo alfa estable capta sus colas pesadas. La distribución utiliza cuatro parámetros libres, que los autores describen como parsimoniosos. La evidencia se limita a los activos y la muestra examinados; el resumen no indica fechas ni estadísticas detalladas de ajuste, pruebas de previsión o evidencia de que la distribución mejore las decisiones de cartera o el rendimiento del trading.

Ideas clave

• Se evalúan distribuciones alfa estables como modelos para los rendimientos cripto de colas pesadas.
• El estudio empírico examina los rendimientos de Bitcoin, Ethereum y Ripple.
• Los autores comunican que la estimación por máxima verosimilitud se ajusta mejor a los datos examinados que los métodos basados en cuantiles y características muestrales.
• El modelo capta el comportamiento leptocúrtico comunicado en los rendimientos cripto.
• Un buen ajuste por sí solo no demuestra mejores previsiones ni rentabilidad en el trading.

Etiquetas

# An $α$-Stable Approach to Modelling Highly Speculative Assets and Cryptocurrencies


# An $α$-Stable Approach to Modelling Highly Speculative Assets and Cryptocurrencies









We investigate the behaviour of cryptocurrencies using data for bitcoin, ethereum and ripple which account for over 70% of the cryptocurrency market. We demonstrate that $α$-stable distribution is an appropriately sufficient model for highly speculative cryptocurrencies which outperforms other heavy tailed distributions that are used in financial econometrics. We find that the maximum likelihood method proposed by DuMouchel (1971) produces estimates that fit the cryptocurrency return data much better than the quantile based approach of McCulloch (1986) and sample characteristic method by Koutrouvelis (1980). The empirical results show that the leptokurtic feature presented in cryptocurrency return data can be captured by an $α$-stable distribution. The findings highlight that $α$-stable distribution is not only parsimonious with its four free parameters but also a creative model that is close to reality. This paper covers early reports and literature on cryptocurrencies and stable distributions.

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.