Моделирование доходности криптовалют альфа-стабильными распределениями

Сводка

В исследовании оцениваются альфа-стабильные распределения как модели доходности Bitcoin, Ethereum и Ripple, которые вместе составляли большую часть рынка криптовалют в рассматриваемых данных. Авторы проверяют, способно ли это гибкое распределение с тяжёлыми хвостами описать лептокуртическое поведение доходности криптовалют — особенность, которую простые гауссовские модели могут не учитывать.

В статье сравниваются три подхода к оценке параметров: максимальное правдоподобие, связанное с DuMouchel, оценка на основе квантилей, связанная с McCulloch, и метод характеристик выборки, связанный с Koutrouvelis. Сообщается, что метод максимального правдоподобия лучше двух альтернатив описывает рассматриваемые данные доходности, а альфа-стабильная модель улавливает их тяжёлые хвосты. В распределении четыре свободных параметра; авторы характеризуют его как экономное. Данные ограничены изученными активами и выборкой; в аннотации не указаны даты, подробные статистики соответствия, прогнозные тесты или свидетельства улучшения портфельных решений либо торговых результатов благодаря этому распределению.

Ключевые идеи

• Альфа-стабильные распределения оцениваются как модели доходности криптовалют с тяжёлыми хвостами.
• В эмпирическом исследовании рассматриваются доходности Bitcoin, Ethereum и Ripple.
• Авторы сообщают, что метод максимального правдоподобия лучше описывает изученные данные, чем методы на основе квантилей и характеристик выборки.
• Модель улавливает лептокуртическое поведение доходности криптовалют, описанное в исследовании.
• Хорошее соответствие данных модели само по себе не доказывает улучшения прогнозов или прибыльности торговли.

Теги

# 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.

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.