Regressão expectílica oculta de Markov para análise de risco em criptomoedas

Resumo

O artigo apresenta um modelo oculto de Markov com regressão expectílica linear para estudar os retornos de criptomoedas em um contexto de gestão de risco. Os expectis permitem que a análise se concentre em partes assimétricas da distribuição de retornos, enquanto os coeficientes do modelo mudam ao longo do tempo de acordo com uma cadeia de Markov discreta não observada. O modelo usa uma distribuição normal assimétrica para estimação e um procedimento de Expectation-Maximization com fórmulas de atualização para seus parâmetros.

Os autores avaliam a abordagem usando dados simulados em várias configurações experimentais e retornos diários do Bitcoin junto com os principais índices de mercado mundiais. O documento descreve o método e o desenho da avaliação, mas não relata resultados empíricos específicos nem comparações de desempenho. Seu escopo é, portanto, metodológico: o resumo não demonstra que o modelo melhora previsões ou decisões de risco, nem especifica como os resultados variam entre criptomoedas ou condições de mercado.

Ideias principais

• O modelo usa regressão expectílica para se concentrar em características assimétricas dos retornos de criptomoedas.
• Estados latentes de Markov permitem que os coeficientes da regressão evoluam ao longo do tempo.
• Uma distribuição normal assimétrica dá suporte à estimação por máxima verossimilhança.
• Um algoritmo Expectation-Maximization fornece atualizações dos parâmetros.
• A avaliação abrange dados simulados e retornos do Bitcoin em relação aos principais índices de mercado.

Tags

# 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.

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.