跳至正文
返回文库全部文档

用于加密货币风险分析的期望分位数隐马尔可夫回归

文章 arXiv papers · 作者: Beatrice Foroni et al.
阅读原文

总结

该论文提出一种线性期望分位数隐马尔可夫模型，用于在风险管理场景中研究加密货币收益。期望分位数使分析能够聚焦收益分布的不对称部分，而模型系数则根据未观测的离散马尔可夫链随时间变化。该模型使用非对称正态分布进行估计，并采用带参数更新公式的期望最大化程序。

作者使用多种实验设置下的模拟数据，以及比特币日收益和全球主要市场指数，评估该方法。该文介绍了方法和评估设计，但未报告具体的实证发现或性能比较。因此，其范围主要限于方法论：摘要并未证实该模型能改善预测或风险决策，也未说明结果如何随加密货币种类或市场状况而变化。

核心观点

  • 该模型使用期望分位数回归，聚焦加密货币收益的不对称特征。
  • 潜在马尔可夫状态使回归系数能够随时间演变。
  • 非对称正态分布用于支持最大似然估计。
  • 期望最大化算法用于更新参数。
  • 评估涵盖模拟数据，以及与主要市场指数相关的比特币收益。

标签

加密资产统计学风险管理机器学习
全文
# 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.

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。