مدل‌سازی بازده رمزارز با توزیع‌های آلفا-پایدار
خلاصه
این پژوهش توزیع‌های آلفا-پایدار را به‌عنوان مدل بازده بیت‌کوین، اتریوم و ریپل ارزیابی می‌کند؛ این سه دارایی در مجموع بخش عمده بازار رمزارزِ داده‌های بررسی‌شده را تشکیل می‌دادند. تمرکز آن بر این است که آیا این توزیع انعطاف‌پذیر با دنباله‌های سنگین می‌تواند کشیدگی بالای مشاهده‌شده در بازده رمزارز را ثبت کند؛ ویژگی‌ای که ممکن است از دید مدل‌های گاوسی ساده‌تر پنهان بماند.
مقاله سه رویکرد برآورد پارامتر را مقایسه می‌کند: درست‌نمایی بیشینه مرتبط با DuMouchel، برآورد مبتنی بر چندک مرتبط با McCulloch و روش مبتنی بر مشخصه‌های نمونه مرتبط با Koutrouvelis. گزارش می‌دهد که درست‌نمایی بیشینه داده‌های بازده بررسی‌شده را بهتر از دو روش دیگر برازش می‌کند و مدل آلفا-پایدار دنباله‌های سنگین آن‌ها را ثبت می‌کند. این توزیع چهار پارامتر آزاد دارد که نویسندگان آن را مدلی مقتصد با چهار پارامتر توصیف می‌کنند. شواهد به دارایی‌ها و نمونه بررسی‌شده محدود است؛ چکیده تاریخ‌ها، آمارهای دقیق برازش، آزمون‌های پیش‌بینی یا شواهدی مبنی بر بهبود تصمیم‌های سبد یا عملکرد معاملاتی ارائه نمی‌دهد.
ایده‌های کلیدی
- توزیع‌های آلفا-پایدار به‌عنوان مدل‌هایی برای بازده رمزارز با دنباله‌های سنگین ارزیابی می‌شوند.
- پژوهش تجربی بازده بیت‌کوین، اتریوم و ریپل را بررسی می‌کند.
- نویسندگان گزارش می‌دهند که برآورد درست‌نمایی بیشینه، داده‌های بررسی‌شده را بهتر از روش‌های مبتنی بر چندک و مشخصه‌های نمونه برازش می‌کند.
- مدل، رفتار دارای کشیدگی بالا را که در بازده رمزارز گزارش شده ثبت می‌کند.
- برازش خوب به‌تنهایی بهبود پیش‌بینی یا سودآوری معاملات را ثابت نمی‌کند.
برچسب‌ها
متن کامل
# 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.
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.