跳至正文
返回文库全部文档

用霍克斯过程对比特币区块与价格跳跃建模

文章 arXiv papers · 作者: Rui Luo et al.
阅读原文

总结

本文使用多元霍克斯过程对比特币区块到达和价格跳跃建模。霍克斯过程是一种点过程框架，将事件表示为能够激发后续事件的过程。研究使用公开的区块链数据，并通过极大似然法估计模型参数。该设定旨在捕捉事件流内部的自激效应，以及区块挖矿与比特币价格波动之间的交叉激发效应。

报告结果显示，比特币价格波动会提高区块挖矿速率，而比特币投资收益呈现均值回归。分位数—分位数图显示，霍克斯模型对区块链数据的拟合优于泊松模型。这些发现描述了统计关系和模型拟合；简短介绍没有提供参数估计、数据集范围、预测表现，也没有证据表明这些结果能够支持盈利的交易策略。

核心观点

  • 研究使用多元霍克斯过程描述比特币区块到达和价格跳跃。
  • 模型参数通过公开区块链数据的极大似然法估计。
  • 该框架捕捉事件流中的自激效应和交叉激发效应。
  • 报告的分析发现，比特币价格波动会提高区块挖矿速率。
  • 据报告，比特币投资收益呈均值回归；分位数—分位数图显示霍克斯模型拟合优于泊松模型。

标签

加密资产链上数据统计学均值回归
全文
# Hawkes Process Modeling of Block Arrivals in Bitcoin Blockchain


# Hawkes Process Modeling of Block Arrivals in Bitcoin Blockchain









The paper constructs a multi-variate Hawkes process model of Bitcoin block arrivals and price jumps. Hawkes processes are selfexciting point processes that can capture the self- and cross-excitation effects of block mining and Bitcoin price volatility. We use publicly available blockchain datasets to estimate the model parameters via maximum likelihood estimation. The results show that Bitcoin price volatility boost block mining rate and Bitcoin investment return demonstrates mean reversion. Quantile-Quantile plots show that the proposed Hawkes process model is a better fit to the blockchain datasets than a Poisson process model.

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。