Экспектильная скрытая марковская регрессия для анализа риска криптовалют

Сводка

В статье представлена линейная экспектильная скрытая марковская модель для изучения доходности криптовалют в контексте управления рисками. Экспектили позволяют сосредоточить анализ на асимметричных частях распределения доходности, а коэффициенты модели меняются со временем в соответствии с ненаблюдаемой дискретной марковской цепью. Для оценивания модель использует асимметричное нормальное распределение и алгоритм максимизации ожидания с формулами обновления параметров.

Авторы оценивают подход на симулированных данных в нескольких экспериментальных постановках и на дневной доходности биткоина наряду с основными мировыми рыночными индексами. В документе описаны метод и схема оценки, но не приведены конкретные эмпирические результаты или сравнения эффективности. Таким образом, работа носит методологический характер: аннотация не подтверждает, что модель улучшает прогнозы или решения по рискам, и не указывает, как результаты меняются в зависимости от криптовалюты или рыночных условий.

Ключевые идеи

• Модель использует экспектильную регрессию для анализа асимметричных особенностей доходности криптовалют.
• Латентные состояния марковской цепи позволяют коэффициентам регрессии меняться со временем.
• Асимметричное нормальное распределение используется для оценки максимального правдоподобия.
• Алгоритм ожидания и максимизации обновляет параметры.
• Оценка охватывает симулированные данные и доходность биткоина в связи с основными рыночными индексами.

Теги

# 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.

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.