क्रिप्टो जोखिम विश्लेषण के लिए एक्सपेक्टाइल हिडन मार्कोव रिग्रेशन
सारांश
यह शोध पत्र जोखिम प्रबंधन के संदर्भ में क्रिप्टोकरेंसी रिटर्न का अध्ययन करने के लिए रैखिक एक्सपेक्टाइल हिडन मार्कोव मॉडल प्रस्तुत करता है। एक्सपेक्टाइल से विश्लेषण रिटर्न वितरण के असममित हिस्सों पर ध्यान दे सकता है, जबकि मॉडल के गुणांक समय के साथ एक अप्रेक्षित असतत मार्कोव श्रृंखला के अनुसार बदलते हैं। अनुमान के लिए मॉडल असममित सामान्य वितरण का उपयोग करता है और इसके पैरामीटरों के अपडेट सूत्रों के साथ एक्सपेक्टेशन-मैक्सिमाइज़ेशन प्रक्रिया अपनाता है।
लेखक कई प्रयोगात्मक परिस्थितियों में सिम्युलेटेड डेटा और प्रमुख वैश्विक बाज़ार सूचकांकों के साथ दैनिक बिटकॉइन रिटर्न का उपयोग करके इस तरीके का आकलन करते हैं। दस्तावेज़ विधि और मूल्यांकन की रूपरेखा बताता है, लेकिन विशिष्ट अनुभवजन्य निष्कर्ष या प्रदर्शन की तुलनाएँ नहीं देता। इसलिए इसका दायरा पद्धतिगत है: सारांश यह स्थापित नहीं करता कि मॉडल पूर्वानुमान या जोखिम संबंधी निर्णय बेहतर करता है, और न ही बताता है कि क्रिप्टोकरेंसी या बाज़ार स्थितियों के अनुसार नतीजे कैसे बदलते हैं।
मुख्य विचार
- मॉडल क्रिप्टोकरेंसी रिटर्न की असममित विशेषताओं पर ध्यान देने के लिए एक्सपेक्टाइल रिग्रेशन का उपयोग करता है।
- अप्रेक्षित मार्कोव अवस्थाएँ रिग्रेशन गुणांकों को समय के साथ बदलने देती हैं।
- असममित सामान्य वितरण अधिकतम संभाव्यता अनुमान को आधार देता है।
- एक्सपेक्टेशन-मैक्सिमाइज़ेशन एल्गोरिदम पैरामीटर अपडेट देता है।
- मूल्यांकन में सिम्युलेटेड डेटा और प्रमुख बाज़ार सूचकांकों के संदर्भ में बिटकॉइन रिटर्न शामिल हैं।
टैग
पूरा पाठ
# 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.
स्रोत के लाइसेंस के तहत श्रेय सहित पूरा पाठ दिखाया गया है। लाइसेंस: abstract CC0
यह सारांश मूल स्रोत के आधार पर Stratmill के शोध एजेंट ने लिखा है; यह स्रोत की प्रति नहीं है।