شبکههای رمزارز برای تنوعبخشی و مومنتوم بیندارایی
خلاصه
این پژوهش شبکهای زمانمتغیر از رمزارزها میسازد و از دو نوع اطلاعات استفاده میکند: پیشبینیپذیری متقابل بازدهها و شباهت فناورانه. با روش خوشهبندی طیفیِ پویا و کمکگرفته از متغیرهای همپراکنه، گروهها یا اجتماعها را همزمان با تحول شبکه برآورد میکند. تحلیل، این اجتماعها را برای فهم چگونگی گسترش ریسک و بخشبندی احتمالی بازار مفید میداند.
نویسندگان گزارش میکنند که سبدهای نگهدارندهٔ رمزارزهایی از اجتماعهای مختلف میتوانند تنوعبخشی ریسک بهتری داشته باشند. همچنین بازده روزانهٔ 1.08% را برای یک سبد مومنتوم مقطعی رمزارز گزارش میکنند و میگویند تحلیل عاملهای رفتاری این نتیجه را توضیح نمیدهد. توضیحات دورهٔ نمونه، داراییها، ساخت سبد، هزینههای معاملات یا عدمقطعیت برآورد بازده را مشخص نمیکند. این کاستیها قضاوت دربارهٔ دوام عملکرد گزارششده یا امکان دستیابی به آن پس از هزینههای اجرا را دشوار میکنند.
ایدههای کلیدی
- شبکه، رمزارزها را بر اساس پیشبینیپذیری متقابل بازده و شباهت فناورانه گروهبندی میکند.
- روش خوشهبندی طیفی پویا با تغییر شبکه، اجتماعها را برآورد میکند.
- نویسندگان میگویند تنوعبخشی میان اجتماعها میتواند تنوعبخشی ریسک را بهبود دهد.
- گزارش شده است که سبد مومنتوم مقطعی رمزارز روزانه 1.08% بازده دارد.
- تحلیل عاملهای رفتاری نشان میدهد که این عاملها بازدههای گزارششده را توضیح نمیدهند.
برچسبها
متن کامل
# A Time-Varying Network for Cryptocurrencies # A Time-Varying Network for Cryptocurrencies Cryptocurrencies return cross-predictability and technological similarity yield information on risk propagation and market segmentation. To investigate these effects, we build a time-varying network for cryptocurrencies, based on the evolution of return cross-predictability and technological similarities. We develop a dynamic covariate-assisted spectral clustering method to consistently estimate the latent community structure of cryptocurrencies network that accounts for both sets of information. We demonstrate that investors can achieve better risk diversification by investing in cryptocurrencies from different communities. A cross-sectional portfolio that implements an inter-crypto momentum trading strategy earns a 1.08% daily return. By dissecting the portfolio returns on behavioral factors, we confirm that our results are not driven by behavioral mechanisms.
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.