کرپٹو کرنسی خطرے کے تجزیے کے لیے ایکسپٹائل پوشیدہ مارکوف رجریشن

خلاصہ

یہ مقالہ خطرہ مینجمنٹ کے تناظر میں کرپٹو کرنسی منافع کا مطالعہ کرنے کے لیے خطی ایکسپٹائل پوشیدہ مارکوف ماڈل پیش کرتا ہے۔ ایکسپٹائلز تجزیے کو منافع کی تقسیم کے غیر متوازن حصوں پر توجہ دینے دیتے ہیں، جبکہ ماڈل کے عددی سر ایک غیر مشاہدہ شدہ مجرد مارکوف چین کے مطابق وقت کے ساتھ بدلتے ہیں۔ تخمینے کے لیے ماڈل غیر متناسب نارمل تقسیم اور اس کے پیرامیٹرز کے لیے تازہ کاری فارمولوں والا توقع-زیادہ سے زیادہ طریقۂ کار استعمال کرتا ہے۔

مصنفین کئی تجرباتی ترتیبات میں تخروپن شدہ ڈیٹا اور بڑے عالمی مارکیٹ انڈیکسز کے ساتھ روزانہ بٹ کوائن منافع استعمال کرکے طریقے کا جائزہ لیتے ہیں۔ دستاویز طریقہ اور جائزے کا ڈیزائن بیان کرتی ہے، مگر مخصوص تجرباتی نتائج یا کارکردگی کا موازنہ نہیں دیتی۔ اس کا دائرہ کار اس لیے طریقۂ کار تک محدود ہے: خلاصہ یہ ثابت نہیں کرتا کہ ماڈل پیش گوئیوں یا خطرے کے فیصلوں کو بہتر بناتا ہے، اور نہ یہ بتاتا ہے کہ نتائج مختلف کرپٹو کرنسیوں یا مارکیٹ حالات میں کیسے بدلتے ہیں۔

اہم خیالات

• ماڈل کرپٹو کرنسی منافع کی غیر متوازن خصوصیات پر توجہ دینے کے لیے ایکسپٹائل رجریشن استعمال کرتا ہے۔
• پوشیدہ مارکوف حالتیں رجریشن کے عددی سر کو وقت کے ساتھ بدلنے دیتی ہیں۔
• غیر متناسب نارمل تقسیم زیادہ سے زیادہ لائیکلی ہوڈ تخمینے کی معاونت کرتی ہے۔
• توقع-زیادہ سے زیادہ الگورتھم پیرامیٹرز کی تازہ کاری فراہم کرتا ہے۔
• جائزے میں تخروپن شدہ ڈیٹا اور بڑے مارکیٹ انڈیکسز کے حوالے سے بٹ کوائن منافع شامل ہیں۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔