Modelos de Markov ocultos bayesianos para regimes de retorno de criptomoedas

Resumo

O estudo usa modelos de Markov ocultos com múltiplos estados para prever e explicar os retornos de Bitcoin, Ether e Ripple. Compara tipos de modelo, incluindo uma especificação de Markov oculto não homogênea, e examina preditores financeiros, econômicos e específicos de criptomoedas. Entre os modelos considerados para os três ativos, o modelo não homogêneo com quatro estados apresenta o melhor desempenho preditivo para um passo à frente.

Os autores atribuem os ganhos em relação a um passeio aleatório de regime único aos estados latentes, que capturam períodos com comportamentos diferentes dos retornos. Para Bitcoin, os estados relatados distinguem condições de alta, de baixa e estáveis; para Ether e Ripple, separam períodos por características de lucro e risco. A análise também constata que as relações entre os preditores podem variar entre estados ocultos e ser lineares ou não lineares. Essas são conclusões empíricas para as criptomoedas, os modelos e a amostra selecionados; a descrição não informa as datas da amostra nem medidas detalhadas de desempenho, portanto não estabelece que os resultados se generalizem para outros ativos ou períodos futuros.

Ideias principais

• Modelos de Markov ocultos com múltiplos estados representam os retornos de criptomoedas como variáveis entre regimes latentes.
• Um modelo não homogêneo de quatro estados apresenta o melhor desempenho de previsão para um passo à frente entre os modelos testados.
• Os estados latentes refletem diferentes características de retorno de Bitcoin, Ether e Ripple.
• Os efeitos dos preditores podem variar conforme o estado e ser lineares ou não lineares.
• As evidências relatadas são específicas aos ativos e modelos examinados.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.