跳至正文
返回文库全部文档

用于加密货币收益状态的贝叶斯隐马尔可夫模型

文章 arXiv papers · 作者: Constandina Koki et al.
阅读原文

总结

本研究使用多状态隐马尔可夫模型预测并解释比特币、以太币和瑞波币的收益。研究比较了不同模型类型，包括非齐次隐马尔可夫模型，并考察金融、经济和加密货币特有的预测变量。在针对全部三种资产的模型中，四状态非齐次模型的一步预测表现最好。

作者将其相较于单状态随机游走的优势归因于潜在状态能够捕捉收益行为不同的时期。对于比特币，报告中的状态区分牛市、熊市和平静情形；对于以太币和瑞波币，则按盈利和风险特征区分时期。分析还发现，预测变量之间的关系可能随隐状态而异，且可能呈线性或非线性。这些是针对所选加密货币、模型和样本的实证发现；描述未提供样本日期或详细绩效指标，因此无法证明结果可推广到其他资产或未来时期。

核心观点

  • 多状态隐马尔可夫模型将加密货币收益表示为随潜在状态变化。
  • 在受测模型中，四状态非齐次模型的一步预测表现最好。
  • 潜在状态反映了比特币、以太币和瑞波币不同的收益特征。
  • 预测变量的影响可能因状态而异，并可能呈线性或非线性。
  • 报告的证据仅适用于所研究的资产和模型。

标签

加密资产机器学习统计学波动率
全文
# Exploring the Predictability of Cryptocurrencies via Bayesian Hidden Markov Models


# Exploring the Predictability of Cryptocurrencies via Bayesian Hidden Markov Models









In this paper, we consider a variety of multi-state Hidden Markov models for predicting and explaining the Bitcoin, Ether and Ripple returns in the presence of state (regime) dynamics. In addition, we examine the effects of several financial, economic and cryptocurrency specific predictors on the cryptocurrency return series. Our results indicate that the Non-Homogeneous Hidden Markov (NHHM) model with four states has the best one-step-ahead forecasting performance among all competing models for all three series. The dominance of the predictive densities over the single regime random walk model relies on the fact that the states capture alternating periods with distinct return characteristics. In particular, the four state NHHM model distinguishes bull, bear and calm regimes for the Bitcoin series, and periods with different profit and risk magnitudes for the Ether and Ripple series. Also, conditionally on the hidden states, it identifies predictors with different linear and non-linear effects on the cryptocurrency returns. These empirical findings provide important insight for portfolio management and policy implementation.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。