الفا اسٹیبل تقسیم سے کرپٹو منافع کی ماڈلنگ

خلاصہ

یہ مطالعہ بٹ کوائن، ایتھریم اور رپل کے منافع کے ماڈل کے طور پر الفا اسٹیبل تقسیموں کا جائزہ لیتا ہے؛ زیرِ غور ڈیٹا میں یہ مل کر کرپٹو کرنسی مارکیٹ کے بیشتر حصے کی نمائندگی کرتے تھے۔ توجہ اس بات پر ہے کہ آیا یہ لچک دار، بھاری دُم والی تقسیم کرپٹو منافع میں مشاہدہ شدہ لیپٹوکرٹوسس کو گرفت میں لے سکتی ہے، جسے سادہ گاؤسی ماڈل نظر انداز کر سکتے ہیں۔

مقالہ پیرامیٹر کے تخمینے کے تین طریقوں کا موازنہ کرتا ہے: ڈوموشیل سے منسوب زیادہ سے زیادہ امکان، میک کلوچ سے منسوب کوانٹائل پر مبنی تخمینہ، اور کوٹروولیس سے منسوب نمونے کی خصوصیات کا طریقہ۔ اس کے مطابق زیادہ سے زیادہ امکان زیرِ مطالعہ منافع کے ڈیٹا پر دونوں متبادل طریقوں سے بہتر فٹ ہوتا ہے اور الفا اسٹیبل ماڈل ان کی بھاری دُموں کو گرفت میں لیتا ہے۔ تقسیم میں چار آزاد پیرامیٹر ہیں، جنہیں مصنفین کفایتی قرار دیتے ہیں۔ شہادت زیرِ مطالعہ اثاثوں اور نمونے تک محدود ہے؛ خلاصۂ مقالہ تاریخیں، فٹ کے تفصیلی اعدادوشمار، پیش گوئی کے ٹیسٹ، یا پورٹ فولیو فیصلوں اور تجارتی کارکردگی میں بہتری کا ثبوت نہیں دیتا۔

اہم خیالات

• الفا اسٹیبل تقسیموں کو بھاری دُم والے کرپٹو منافع کے ماڈل کے طور پر جانچا گیا ہے۔
• تجرباتی مطالعہ بٹ کوائن، ایتھریم اور رپل کے منافع کا جائزہ لیتا ہے۔
• مصنفین کے مطابق زیادہ سے زیادہ امکان زیرِ مطالعہ ڈیٹا پر کوانٹائل اور نمونہ خصوصیات کے طریقوں سے بہتر فٹ ہوتا ہے۔
• ماڈل کرپٹو منافع میں رپورٹ شدہ لیپٹوکرٹک رویے کو گرفت میں لیتا ہے۔
• صرف بہتر فٹ ہونا پیش گوئی یا تجارتی منافع میں بہتری ثابت نہیں کرتا۔

ٹیگز

# 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.

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۔