全部版块 我的主页
论坛 经济学人 二区 外文文献专区
851 19
2022-06-01
英文标题:
《Statistical properties and multifractality of Bitcoin》
---
作者:
Tetsuya Takaishi
---
最新提交年份:
2018
---
英文摘要:
  Using 1-min returns of Bitcoin prices, we investigate statistical properties and multifractality of a Bitcoin time series. We find that the 1-min return distribution is fat-tailed, and kurtosis largely deviates from the Gaussian expectation. Although for large sampling periods, kurtosis is anticipated to approach the Gaussian expectation, we find that convergence to that is very slow. Skewness is found to be negative at time scales shorter than one day and becomes consistent with zero at time scales longer than about one week. We also investigate daily volatility-asymmetry by using GARCH, GJR, and RGARCH models, and find no evidence of it. On exploring multifractality using multifractal detrended fluctuation analysis, we find that the Bitcoin time series exhibits multifractality. The sources of multifractality are investigated, confirming that both temporal correlation and the fat-tailed distribution contribute to it. The influence of \"Brexit\" on June 23, 2016 to GBP--USD exchange rate and Bitcoin is examined in multifractal properties. We find that, while Brexit influenced the GBP--USD exchange rate, Bitcoin was robust to Brexit.
---
中文摘要:
利用比特币价格的1分钟收益率,我们研究了比特币时间序列的统计特性和多重分形。我们发现,1分钟的收益分布是厚尾分布,峰度很大程度上偏离了高斯期望。虽然对于大采样周期,峰度预计将接近高斯期望,但我们发现收敛速度非常慢。偏度在短于一天的时间尺度上为负,在长于一周的时间尺度上与零一致。我们还使用GARCH、GJR和RGARCH模型研究了日波动率不对称性,但没有发现任何证据。通过多重分形去趋势波动分析探索多重分形,我们发现比特币时间序列表现出多重分形。研究了多重分形的来源,证实了时间相关性和厚尾分布都有助于多重分形。2016年6月23日“脱欧”对英镑兑美元汇率和比特币的影响在多重分形性质中进行了检验。我们发现,虽然英国脱欧影响了英镑兑美元的汇率,但比特币对英国脱欧的影响是强劲的。
---
分类信息:

一级分类:Quantitative Finance        数量金融学
二级分类:Statistical Finance        统计金融
分类描述:Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--

---
PDF下载:
-->
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

全部回复
2022-6-1 04:30:06
比特币Tetsuya Takaishi的统计特性和多重分形*广岛经济大学,日本广岛731-0192摘要利用比特币价格的1分钟收益率,我们研究了比特币时间序列的统计特性和多重分形。我们发现,1分钟回报分布是厚尾分布,峰度很大程度上偏离了高斯期望。虽然对于较大的采样周期,峰度预计将接近高斯期望,但我们发现收敛速度非常慢。偏斜度在短于一天的时间尺度上为负,在长于一周的时间尺度上与零一致。我们还使用GARCH、GJR和RGARCH模型研究了波动率不对称性,但没有发现任何证据。在使用多重分形去趋势函数分析探索多重分形时,我们发现比特币时间序列表现出多重分形。研究了多重分形的来源,证实了时间相关性和厚尾分布都有助于多重分形。2016年6月23日“脱欧”对英镑兑美元汇率和比特币的影响在多重分形属性中进行了检验。我们发现,虽然英国脱欧影响了英镑兑美元汇率,但比特币对英国脱欧表现强劲。关键词:比特币、多重分形、广义赫斯特指数、波动性对称性1。简介2008年,尚不确定的SatoshiNakamoto在一篇论文中首次提出比特币作为加密货币。他的提议很快被接受,2009年初,比特币软件“比特币核心”发布,并创建了块链的第一块“起源块”。自那以后,比特币系统一直保持着良好的稳定性,没有出现任何关键问题。比特币网络是一种对等网络,允许在线支付,无需任何中央机构。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-1 04:30:09
比特币中使用的区块链是维护分散系统的关键技术;它不仅可以用于加密货币,还可以用于其他金融领域。近年来,区块链技术的重要性已被广泛认可为一个核心*对应的authorEmail地址:tt-taka@hue.ac.jp(Tetsuya Takaishi)2018年5月29日提交给Elsevier的预印本FinTech的技术,并进行了广泛的研究,以实现金融机构的新分布式平台[2,3]。比特币的价格特性也受到了关注,导致了对各种相关问题的分析,例如使用经济模型进行时间序列分析,如GARCH型模型[4,5];比特币价格的统计特性[6,7];比特币的效率[8,9];比特币的对冲能力【10、11】;比特币投机泡沫[12];比特币与搜索查询之间的关系谷歌趋势和维基百科[13];等等比特币时间序列的赫斯特指数也使用去趋势函数分析(DFA)[14]获得,并被发现具有时间依赖性,2014年后接近0.5[6]。在本文中,我们重点研究比特币的多重分形特性,这是当前文献中尚未解决的问题。为了探索比特币的多重分形特性,我们使用多重分形去趋势函数分析(MF-DFA)[15]和1分钟返回数据计算了广义赫斯特指数。DFA是DFA的一种扩展方法,它可以研究非平稳时间序列的多重分形特性,并已成功应用于各种金融市场,如股票[16、17、18、19、20、21、22、23]、商品[16、24、25、26、27]、油轮[28]、衍生品[29]、外汇汇率[30、31、32、33、34]和电力市场[35]。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-1 04:30:11
多重分形分析的一个特别有趣的应用是测量时间序列的多重分形程度,这可能与金融市场的效率程度有关[36、37、38、39]。然而,有效市场假说(EMH)[40]是否适用于实际市场仍在争论中。多重分形测度可以让我们对有效市场假说有一个新的认识。除了多重分形分析外,我们还研究了高频比特币时间序列的一些特性,如(绝对)收益的自相关、峰度、偏度和波动持续性。对于其他金融资产,已对这些属性进行了广泛调查,并观察到一些典型事实,如“厚尾回报分布”、“波动性聚类”和“绝对回报的长期记忆”[41]。我们调查这些程式化事实是否适用于比特币时间序列。本文的其余部分组织如下。第2节描述了数据,并给出了统计特性的结果。在第3节中,我们介绍了MF–DFA,在第4节中,我们介绍了其结果。在第5节中,我们使用多重分形分析将比特币与英镑兑美元汇率进行比较。最后,我们在第6.2节中总结了我们的研究。数据及其统计特性本研究中使用的比特币数据基于2014年1月1日至2016年12月31日CoinsDesk【42】创建的1分钟比特币价格指数(BPI)。BPI于2013年9月推出,使用符合Cointdesk要求的多个比特币交易所的简单平均值生产。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-1 04:30:14
虽然Cointdesk在2013年9月之前提供了以Mt.Gox价格为BPI的BPI,但我们在本研究中并未使用该数据,以避免价格属性可能发生的变化,尤其是高频数据-20-10 0 10 20标准化回流1E-050.00010.0010.010.11图1:1分钟回流分布。设P(t),t=1,2。。。,N是BPI的时间序列,收益r(t)由对数价格差给出,r(t)=logP(t)- logP(t- t) ,其中t是采样周期。图1显示了在t=1min,其中收益标准化为零平均值,单位方差。收益分布明显呈现出厚尾趋势。请注意,每日比特币收益率也呈现出厚尾趋势[7]。图2(a)–(c)分别显示了2014年、2015年和2016年期间的收益自相关函数(ACF)。收益的ACF随着时间间隔(min)的增加而迅速降低,并在5分钟左右趋于零,这意味着收益的自相关范围非常短。然后,ACF反调为零,并在5分钟至10分钟左右变为负值。DAX指数的高频返回出现了ACF超调为零的类似行为【43】。然而,在1分钟的时滞下,我们还观察到2014年的负相关,这可能表明2014年的时间序列属性不同于其他年份。这可能与参考文献[6]中观察到的赫斯特指数在2014年发生变化有关。图2(d)显示了全样本(2014-2016年)的ACF回报率,并且在1分钟的时间间隔内也观察到负自相关。图3显示了2014-2016年期间绝对回报的ACF。2014年、2015年和2016年的结果与2014-2016年的结果非常相似。因此,我们仅代表2014-2016年的结果。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-1 04:30:17
可以看出,ACF遵循幂律函数,表明比特币在绝对收益中具有长记忆特性。将数据设置为幂律函数后~ t型-u,我们获得u≈ 0.16.对于较大的采样周期,我们可能期望收益分布接近高斯分布。然而,高斯分布的收敛速度非常慢,如图4所示,这表明峰度是采样周期的函数t、 图4表明,采样周期至少为0501015202530时滞-0.3-0.2-0.100.10.2ACF2014(a)051015202530时滞00.10.20.30.4ACF2015(b)051015202530时滞00.10.20.30.4ACF2016(c)051015202530时滞0.2-0.100.2ACF2014-2016(d)图2:收益的ACF:(a)2014,(b)2015,(c)2016,(d)2014-2016.1 10 100 1000 10000时间滞后0.010.11ACF图3:2014-2016年数据的绝对回报ACF。0 200 400600800 1000 1200 1400 T050100150200峰度050001000015000200000T0246810214161820峭度值一周两周图4:峭度值与t、 050100150200t-2.5-2-1.5-1-0.500.51倾斜度0 2000 400060008000 10000 1200014000t-2-1.5-1-0.500.51偏度图5:偏度作为t、 需要几个星期才能接近高斯分布。图5显示了回报的偏度作为t、 如图5(左)所示,我们观察到在较小的t短于一天。另一方面,总体而言t超过大约一周,如图5(右)所示,在1-sigma误差范围内,斜率在统计学上与零一致。对于DailReturns,我们得到的偏度为-0.779(31)。比特币价格在短于一天的时间尺度上的负偏态与之前的结果一致[44,6]。为了研究波动率的持续性和不对称性,我们使用几种波动率模型进行了波动率推断。通常可以观察到,各种资产的波动性是集群的,并且是持久的。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

点击查看更多内容…
相关推荐
栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群