Modelagem de retornos de criptomoedas com distribuições alfa-estáveis

Resumo

Este estudo avalia distribuições alfa-estáveis como modelos para os retornos de Bitcoin, Ethereum e Ripple, que juntos representavam a maior parte do mercado de criptomoedas nos dados considerados. O foco é saber se essa distribuição flexível de caudas pesadas consegue capturar a leptocurtose observada nos retornos de criptomoedas, característica que modelos gaussianos mais simples podem não captar.

O artigo compara três abordagens de estimação de parâmetros: máxima verossimilhança associada a DuMouchel, estimação baseada em quantis associada a McCulloch e um método baseado em características amostrais associado a Koutrouvelis. Relata que a máxima verossimilhança se ajusta melhor aos dados de retornos examinados do que as duas alternativas e que o modelo alfa-estável captura suas caudas pesadas. A distribuição usa quatro parâmetros livres, que os autores descrevem como parcimoniosa. As evidências limitam-se aos ativos e à amostra examinados; o resumo não informa datas, estatísticas detalhadas de ajuste, testes de previsão nem evidências de que a distribuição melhore decisões de carteira ou desempenho de trading.

Ideias principais

• Distribuições alfa-estáveis são avaliadas como modelos para retornos de criptomoedas com caudas pesadas.
• O estudo empírico examina retornos de Bitcoin, Ethereum e Ripple.
• Os autores relatam que a máxima verossimilhança se ajusta melhor aos dados examinados do que métodos baseados em quantis e em características amostrais.
• O modelo captura o comportamento leptocúrtico relatado nos retornos de criptomoedas.
• A qualidade do ajuste, por si só, não demonstra melhores previsões nem lucratividade no trading.

Tags

# An $α$-Stable Approach to Modelling Highly Speculative Assets and Cryptocurrencies


# An $α$-Stable Approach to Modelling Highly Speculative Assets and Cryptocurrencies









We investigate the behaviour of cryptocurrencies using data for bitcoin, ethereum and ripple which account for over 70% of the cryptocurrency market. We demonstrate that $α$-stable distribution is an appropriately sufficient model for highly speculative cryptocurrencies which outperforms other heavy tailed distributions that are used in financial econometrics. We find that the maximum likelihood method proposed by DuMouchel (1971) produces estimates that fit the cryptocurrency return data much better than the quantile based approach of McCulloch (1986) and sample characteristic method by Koutrouvelis (1980). The empirical results show that the leptokurtic feature presented in cryptocurrency return data can be captured by an $α$-stable distribution. The findings highlight that $α$-stable distribution is not only parsimonious with its four free parameters but also a creative model that is close to reality. This paper covers early reports and literature on cryptocurrencies and stable distributions.

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.