コンテンツへスキップ
ライブラリの全資料

暗号資産リスク分析のエクスペクタイル隠れマルコフ回帰

記事 arXiv papers · 著者: Beatrice Foroni et al.
原文を読む

サマリー

この論文は、リスク管理の観点から暗号資産のリターンを分析する線形エクスペクタイル隠れマルコフモデルを提示しています。エクスペクタイルにより、リターン分布の非対称な部分に焦点を当てられます。また、モデル係数は観測されない離散マルコフ連鎖に従って時間とともに変化します。モデルは推定に非対称正規分布を用い、パラメータの更新式を備えた期待値最大化手順を採用します。

著者らは、複数の実験設定におけるシミュレーションデータと、主要な世界市場指数と並べたビットコインの日次リターンを用いて、この手法を評価しています。文書では手法と評価設計を説明していますが、具体的な実証結果や性能比較は報告していません。したがって、対象は方法論に限られます。要旨からは、このモデルが予測やリスク判断を改善するとは確認できず、暗号資産や市場環境によって結果がどう異なるかも示されていません。

主なアイデア

  • このモデルはエクスペクタイル回帰を用いて、暗号資産リターンの非対称な特徴に焦点を当てます。
  • 潜在マルコフ状態により、回帰係数が時間とともに変化します。
  • 非対称正規分布を用いて最尤推定を行います。
  • 期待値最大化アルゴリズムにより、パラメータを更新します。
  • 評価では、シミュレーションデータと、主要市場指数に関連付けたビットコインリターンを扱います。

タグ

暗号資産統計リスク管理機械学習
全文
# 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.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。