Régression de Markov caché par expectiles pour l’analyse du risque des cryptomonnaies

Résumé

L’article présente un modèle linéaire de Markov caché par expectiles pour étudier les rendements des cryptomonnaies dans un cadre de gestion du risque. Les expectiles permettent de se concentrer sur les parties asymétriques de la distribution des rendements, tandis que les coefficients du modèle évoluent dans le temps selon une chaîne de Markov discrète inobservée. Le modèle utilise une loi normale asymétrique pour l’estimation et un algorithme espérance-maximisation (EM), avec des formules de mise à jour des paramètres.

Les auteurs évaluent l’approche à l’aide de données simulées selon plusieurs configurations expérimentales et des rendements quotidiens du Bitcoin, comparés à ceux de grands indices des marchés mondiaux. Le document décrit la méthode et le protocole d’évaluation, mais ne présente aucun résultat empirique précis ni comparaison de performances. Sa portée est donc méthodologique : le résumé ne démontre pas que le modèle améliore les prévisions ou les décisions de risque, et ne précise pas non plus la variation des résultats selon les cryptomonnaies ou les conditions de marché.

Idées clés

• Le modèle utilise la régression par expectiles pour se concentrer sur les caractéristiques asymétriques des rendements des cryptomonnaies.
• Des états de Markov latents permettent aux coefficients de régression d’évoluer dans le temps.
• Une loi normale asymétrique permet l’estimation par maximum de vraisemblance.
• Un algorithme espérance-maximisation (EM) fournit les mises à jour des paramètres.
• L’évaluation couvre des données simulées et les rendements du Bitcoin par rapport aux principaux indices de marché.

Étiquettes

# 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.

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.