Hồi quy expectile Markov ẩn phân tích rủi ro tiền mã hóa

Tóm tắt

Bài viết trình bày mô hình Markov ẩn expectile tuyến tính để nghiên cứu lợi suất tiền mã hóa trong bối cảnh quản lý rủi ro. Expectile cho phép phân tích tập trung vào các phần bất đối xứng của phân phối lợi suất, trong khi các hệ số mô hình thay đổi theo thời gian dựa trên một chuỗi Markov rời rạc không quan sát được. Mô hình dùng phân phối chuẩn bất đối xứng để ước lượng và quy trình Kỳ vọng-Tối đa hóa cùng các công thức cập nhật tham số.

Các tác giả đánh giá cách tiếp cận bằng dữ liệu mô phỏng trong một số thiết lập thực nghiệm, cùng với lợi suất Bitcoin hằng ngày và các chỉ số thị trường lớn trên thế giới. Tài liệu mô tả phương pháp và thiết kế đánh giá nhưng không báo cáo phát hiện thực nghiệm cụ thể hay so sánh hiệu suất. Vì vậy, phạm vi của nghiên cứu mang tính phương pháp luận: phần tóm tắt không chứng minh mô hình cải thiện dự báo hay quyết định rủi ro, cũng không nêu kết quả thay đổi ra sao giữa các loại tiền mã hóa hoặc điều kiện thị trường.

Ý chính

• Mô hình dùng hồi quy expectile để tập trung vào các đặc điểm bất đối xứng của lợi suất tiền mã hóa.
• Các trạng thái Markov tiềm ẩn cho phép hệ số hồi quy biến đổi theo thời gian.
• Phân phối chuẩn bất đối xứng hỗ trợ ước lượng hợp lý cực đại.
• Thuật toán Kỳ vọng-Tối đa hóa cung cấp các bước cập nhật tham số.
• Đánh giá bao gồm dữ liệu mô phỏng và lợi suất Bitcoin liên hệ với các chỉ số thị trường lớn.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.