رگرسیون مارکوف پنهان اکسپکتایل برای تحلیل ریسک رمزارز
خلاصه
مقاله مدلی خطی از نوع مارکوف پنهان اکسپکتایل را برای مطالعه بازده رمزارزها در چارچوب مدیریت ریسک ارائه می‌کند. اکسپکتایل‌ها اجازه می‌دهند تحلیل بر بخش‌های نامتقارن توزیع بازده متمرکز شود، در حالی که ضرایب مدل در گذر زمان بر اساس زنجیره مارکوف گسسته و مشاهده‌نشده تغییر می‌کنند. مدل برای برآورد از توزیع نرمال نامتقارن و برای پارامترهایش از رویه بیشینه‌سازی امیدریاضی–بیشینه‌سازی با فرمول‌های به‌روزرسانی استفاده می‌کند.
نویسندگان رویکرد را با داده‌های شبیه‌سازی‌شده در چندین وضعیت آزمایشی و بازده روزانه بیت‌کوین در کنار شاخص‌های اصلی بازارهای جهانی ارزیابی می‌کنند. سند روش و طرح ارزیابی را شرح می‌دهد، اما یافته‌های تجربی مشخص یا مقایسه عملکرد گزارش نمی‌کند. بنابراین دامنه آن روش‌شناختی است: چکیده ثابت نمی‌کند که مدل پیش‌بینی‌ها یا تصمیم‌های ریسک را بهبود می‌دهد و مشخص نمی‌کند نتایج در رمزارزها یا شرایط بازار مختلف چگونه تغییر می‌کنند.
ایده‌های کلیدی
- مدل از رگرسیون اکسپکتایل برای تمرکز بر ویژگی‌های نامتقارن بازده رمزارزها استفاده می‌کند.
- حالت‌های پنهان مارکوف اجازه می‌دهند ضرایب رگرسیون در گذر زمان تغییر کنند.
- توزیع نرمال نامتقارن از برآورد بیشینه درست‌نمایی پشتیبانی می‌کند.
- الگوریتم Expectation-Maximization به‌روزرسانی پارامترها را انجام می‌دهد.
- ارزیابی، داده‌های شبیه‌سازی‌شده و بازده بیت‌کوین را در ارتباط با شاخص‌های اصلی بازار در بر می‌گیرد.
برچسب‌ها
متن کامل
# Expectile hidden Markov regression models for analyzing cryptocurrency returns # Expectile hidden Markov regression models for analyzing cryptocurrency returns In this paper we develop a linear expectile hidden Markov model for the analysis of cryptocurrency time series in a risk management framework. The methodology proposed allows to focus on extreme returns and describe their temporal evolution by introducing in the model time-dependent coefficients evolving according to a latent discrete homogeneous Markov chain. As it is often used in the expectile literature, estimation of the model parameters is based on the asymmetric normal distribution. Maximum likelihood estimates are obtained via an Expectation-Maximization algorithm using efficient M-step update formulas for all parameters. We evaluate the introduced method with both artificial data under several experimental settings and real data investigating the relationship between daily Bitcoin returns and major world market indices.
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.