مدل‌های پنهان مارکوف بیزی برای رژیم‌های بازده رمزارزها
خلاصه
این پژوهش از مدل‌های پنهان مارکوف چندحالته برای پیش‌بینی و توضیح بازده بیت‌کوین، اتر و ریپل استفاده می‌کند. انواع مدل‌ها، از جمله مشخصه‌سازی پنهان مارکوف ناهمگن، را مقایسه می‌کند و پیش‌بین‌های مالی، اقتصادی و ویژه رمزارزها را می‌سنجد. در میان مدل‌های بررسی‌شده برای هر سه دارایی، مدل ناهمگن چهارحالته بهترین عملکرد پیش‌بینی یک گام جلوتر را دارد.
نویسندگان بهبود نسبت به گام تصادفی تک‌رژیمی را به حالت‌های پنهانی نسبت می‌دهند که دوره‌هایی با رفتار متفاوت بازده را ثبت می‌کنند. در بیت‌کوین، حالت‌های گزارش‌شده شرایط صعودی، نزولی و آرام را از هم تفکیک می‌کنند؛ در اتر و ریپل، دوره‌ها را بر اساس ویژگی‌های سود و ریسک جدا می‌سازند. تحلیل همچنین نشان می‌دهد که رابطه پیش‌بین‌ها می‌تواند میان حالت‌های پنهان فرق کند و خطی یا غیرخطی باشد. این یافته‌ها تجربی و مختص رمزارزها، مدل‌ها و نمونه‌های انتخاب‌شده‌اند؛ توضیحات تاریخ نمونه یا سنجه‌های عملکرد دقیق را ارائه نمی‌کند، بنابراین تعمیم‌پذیری نتایج به دارایی‌های دیگر یا دوره‌های آتی را اثبات نمی‌کند.
ایده‌های کلیدی
- مدل‌های پنهان مارکوف چندحالته، بازده رمزارزها را در قالب رژیم‌های پنهانِ متغیر نمایش می‌دهند.
- مدل ناهمگن چهارحالته در میان مدل‌های آزموده‌شده، بهترین عملکرد پیش‌بینی یک گام جلوتر را دارد.
- حالت‌های پنهان، ویژگی‌های متفاوت بازده بیت‌کوین، اتر و ریپل را بازتاب می‌دهند.
- اثر پیش‌بین‌ها می‌تواند بسته به حالت متفاوت و خطی یا غیرخطی باشد.
- شواهد گزارش‌شده به دارایی‌ها و مدل‌های بررسی‌شده محدود است.
برچسب‌ها
متن کامل
# 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.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.