Modèles de Markov cachés bayésiens pour les régimes de rendement des cryptomonnaies

Résumé

L’étude utilise des modèles de Markov cachés à plusieurs états pour prévoir et expliquer les rendements du Bitcoin, de l’Ether et du Ripple. Elle compare plusieurs types de modèles, dont une spécification de Markov caché non homogène, et examine des variables explicatives financières, économiques et propres aux cryptomonnaies. Parmi les modèles étudiés, le modèle non homogène à quatre états offre les meilleures performances prédictives à un pas pour les trois actifs.

Les auteurs attribuent les gains par rapport à une marche aléatoire à régime unique aux états latents, qui capturent des périodes aux comportements de rendement différents. Pour le Bitcoin, les états présentés distinguent les phases haussières, baissières et calmes ; pour l’Ether et le Ripple, ils séparent les périodes selon leurs caractéristiques de rendement et de risque. L’analyse constate également que les liens entre les variables explicatives peuvent différer selon les états cachés et être linéaires ou non linéaires. Ces résultats empiriques concernent les cryptomonnaies, les modèles et l’échantillon retenus ; la description ne précise ni les dates de l’échantillon ni les mesures détaillées de performance et ne permet donc pas d’établir que les résultats se généralisent à d’autres actifs ou à des périodes futures.

Idées clés

• Les modèles de Markov cachés à plusieurs états représentent les rendements des cryptomonnaies comme évoluant selon des régimes latents.
• Parmi les modèles testés, un modèle non homogène à quatre états présente les meilleures performances de prévision à un pas.
• Les états latents reflètent les différences de caractéristiques de rendement du Bitcoin, de l’Ether et du Ripple.
• Les effets des variables explicatives peuvent varier selon l’état et être linéaires ou non linéaires.
• Les éléments présentés concernent spécifiquement les actifs et les modèles étudiés.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.