Байесовские скрытые марковские модели режимов доходности криптовалют

Сводка

В исследовании многорежимные скрытые марковские модели используются для прогнозирования и объяснения доходности биткоина, эфира и Ripple. Сравниваются типы моделей, включая неоднородную скрытую марковскую модель; также рассматриваются финансовые, экономические и специфичные для криптовалют предикторы. Среди моделей, рассмотренных для всех трёх активов, неоднородная модель с четырьмя состояниями показывает наилучшую точность прогноза на один шаг вперёд.

Авторы связывают преимущество перед случайным блужданием с одним режимом со скрытыми состояниями, отражающими периоды с разным поведением доходности. Для биткоина состояния соответствуют бычьему, медвежьему и спокойному рынкам; для эфира и Ripple они разделяют периоды по характеристикам прибыли и риска. Анализ также показывает, что связи с предикторами могут различаться между скрытыми состояниями и быть линейными или нелинейными. Это эмпирические результаты для выбранных криптовалют, моделей и выборки; в описании нет дат выборки или подробных показателей качества, поэтому оно не доказывает применимость результатов к другим активам или будущим периодам.

Ключевые идеи

• Многорежимные скрытые марковские модели представляют доходность криптовалют как меняющуюся между скрытыми режимами.
• Среди протестированных моделей неоднородная модель с четырьмя состояниями лучше всего прогнозирует на один шаг вперёд.
• Скрытые состояния отражают различные характеристики доходности биткоина, эфира и Ripple.
• Влияние предикторов может меняться в зависимости от состояния и быть линейным или нелинейным.
• Представленные данные относятся к изученным активам и моделям.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.