A Horserace of Volatility Models for Cryptocurrency: Evidence from Bitcoin Spot and Option Markets
我们使用比特币现货价格序列测试各种波动率模型。我们的模型包括HIST、EMA、GISTRY和EGISTRY模型。我们的样本内拟合和样本外预测结果都表明，GARCH和EGARCH模型比其他模型表现得更好。此外，EGBTC模型的非对称项为正且不显著，这表明比特币价格缺乏对过去回报的非对称波动性反应。最后，我们利用期权的隐含波动率与GARCH波动率预测之间的波动率差，制定了一个期权交易策略。我们发现，一个简单的波动率价差交易策略与德尔塔对冲可以产生强大的利润。
2020-10-04 q-fin.ST
Rough volatility of Bitcoin
最近的研究发现，资产收益率的对数波动率表现出粗糙性。这项研究调查了比特币波动的粗糙度或反持续性。利用多重分形去趋势波动分析，得到了对数波动增量的广义赫斯特指数，发现广义赫斯特指数小于$1/2$，说明对数波动增量是粗糙的。此外，我们还发现广义赫斯特指数不是常数。这表明对数波动率具有多重分形性质。利用对数波动率增量的混洗时间序列，我们推断多重分形的部分来源于分布特性。
2019-04-28 q-fin.ST
Is Bitcoin really a currency? A viewpoint of a stochastic volatility model
本研究使用非对称随机波动率模型，研究了2013年1月1日至2019年8月31日期间比特币的收益率和波动率的周内和假日效应;在此背景下，我们还讨论了比特币作为金融资产的特征。估计的结果有三个方面。首先，研究结果显示，星期六和星期日的波动性比一周其他时间的波动性有一个小的星期效应。第二，虽然在活跃的交易国家，即日本，中国，德国和美国的假日效应进行了研究，但只有在美国观察到了对收益率的正的节后效应和对波动性的弱的正的节前效应。最后，未观察到不对称效应。将比特币与股票、货币和黄金等几种资产进行比较，可以看出比特币在股票、货币和黄金之间的定位与周效应和假日效应有关，它对联邦基金和交易媒介特性的反应，以及缺乏不对称效应。
2021-11-10 q-fin.ST
Power-Law Return-Volatility Cross Correlations of Bitcoin
本文研究了比特币的收益-波动不对称性。我们发现，收益率和波动率（平方收益率）之间的交叉相关性在日常水平上大多是微不足道的。在高频区域，我们发现收益率与未来波动率呈幂律的负相关关系，这表明其相关性为\revision{long ranged}。我们还计算了收益率和绝对收益率的幂之间的互相关，我们发现\revision{the cross correlations}的强度取决于幂的值。
2021-02-10 q-fin.ST
Time-varying volatility in Bitcoin market and information flow at minute-level frequency
本文通过广义自回归条件异方差（GARCH）族统计模型分析了比特币市场上分钟价格收益率的时间序列。在金融学中已经提出了几个数学模型来模拟价格回报的动态，每个模型都引入了不同的视角来研究这个问题，但没有一个是没有缺点的。我们结合了一种方法，使用历史价值的回报和他们的波动率-Gesthem家族的模型，与所谓的“混合分布假说”，它指出，价格回报的动态是由有关市场的信息流。使用比特币相关推文的时间序列和交易量作为外部信息，我们测试了几个GARCH模型变体在分钟级别的比特币价格时间序列上的波动率预测的改进。统计检验表明，最简单的GARCH（1，1）的反应最好的外部信号的添加模型的波动过程的样本外数据。
2021-01-28 q-fin.ST
Bitcoin Forecasting with Classical Time Series Models on Prices and Volatility
本文比较ARIMA、SARIMA、GARCH和EGARCH在比特币价格与波动率预测中的表现，发现ARIMA最适合短期价格动态，EGARCH最适合波动率建模，证明经典时间序列模型对比特币短期预测仍有价值。
2025-11-09 q-fin.ST
Fear and Volatility in Digital Assets
我们表明，比特币在5分钟时间范围内的隐含波动率可以从价格、波动势头和其他数据（包括情绪和参与度）中适度预测。滞后的比特币指数价格和波动性走势与谷歌趋势一起对该模型做出了贡献，市场往往在几个小时后做出反应。本文中使用的代码和数据集可以在https://github.com/Globe-Research/bitfear上找到。
2020-10-29 q-fin.ST
The Role of Binance in Bitcoin Volatility Transmission
我们分析了比特币市场的高频波动动态和溢出效应，重点关注两个对：比特币兑美元（主要的法币-加密货币对）和比特币兑Tether（主要的加密货币对）。我们发现，币安上的限制保证金永久合约显然是波动性的主要来源，它不断向所有其他工具传递强劲的流量，而只接收很少的波动性。此外，我们发现：（i）在美国交易时段，交易员在更新预期时会更加关注当前的市场状况，并且对当前的市场状况做出更大的反应;（ii）当传统的西方股票市场开放时，加密市场表现出更高的互联性。我们的研究结果强调，监管机构不仅应该考虑提供比特币法定交易的现货交易所，还应该考虑大多数不受监管的交易所（最重要的是币安）提供的限制保证金衍生品产品。
2021-08-06 q-fin.ST q-fin.TR
Estimating the volatility of Bitcoin using GARCH models
在本文中，三个GARCH型模型（sGARCH，iGARCH，和tGARCH）的学生t分布，广义误差分布（GED），正态逆高斯（NIG）分布的应用进行了检查。新的发展允许对比特币收益序列中的波动率聚集效应、尖峰和偏态分布进行建模。与这两种分布相比，正态逆高斯分布充分地捕捉了所有Gestival型模型中的厚尾和偏态。tGestival模型是最好的模型，因为它描述了比特币市场中冲击的不对称发生。也就是说，投资者对同样数量的好消息和坏消息的反应是不同的。从实证结果可以看出，tGARCH-NIG是估计比特币收益率序列波动性的最佳模型。一般来说，在Gestival类型模型中使用NIG分布是最佳的，因为大多数加密货币的时间序列都是尖峰的。
2019-10-04 econ.EM q-fin.ST
Recent scaling properties of Bitcoin price returns
虽然在比特币市场上观察到了相关的程式化事实，但我们发现了累积收益分布的标度行为的一个独特属性。对于各种资产，累积收益率分布的尾部指标$μ$表现出$μ\approx 3$，这被称为“逆三次定律”。另一方面，比特币的回报率被称为$μ\approx 2$，这被称为“平方反比定律“。“我们使用最近的比特币数据研究了缩放特性，发现尾部指数变为$μ\approx 3$，这与逆立方定律一致。这表明比特币市场的一些属性可能会随着时间的推移而变化。我们还研究了绝对收益的自相关性，发现它是由一个幂律与两个标度指数。通过分析以已实现波动率标准化的绝对收益率，验证了比特币收益率时间序列与具有时变波动率的正态随机变量的一致性。
2020-09-15 q-fin.ST
Inferring short-term volatility indicators from Bitcoin blockchain
在本文中，我们研究了使用从比特币每日交易图中获得的特征来推断极端比特币价格波动时期的预警指标（EWI）的可能性。我们使用比特币区块链推断了2012年至2017年期间交易图的低维表示，并演示了如何使用这些表示来预测极端价格波动事件。我们的EWI是通过非负分解获得的，它包含的预测信息比通过奇异值分解或比特币总交易量的标量值获得的信息更多。
2018-09-19 cs.CE cs.SI physics.soc-ph
Scale matters: The daily, weekly and monthly volatility and predictability of Bitcoin, Gold, and the S&P 500
比特币作为一种金融资产的出现伴随着高波动性的名声。本文旨在对这种声誉进行细微的调整，并澄清我们对比特币波动性的理解。使用2014年9月至2021年1月的每日、每周和每月收盘价和日志回报数据，我们发现比特币是两种波动性概念存在分歧的资产的一个典型例子。我们发现，从历史上看，比特币与黄金和标准普尔500指数相比，具有高波动性（高标准差）和高可预测性（低近似熵）。此外，利用极值理论的工具，我们分析了矩的收敛性，以及三种资产的收盘价和对数收益率的平均超额函数。我们发现，当另外两种资产（黄金和标准普尔500指数）的收盘价呈现薄尾分布时，比特币的收盘价符合广义帕累托分布。然而，所有三种资产的回报都是重尾的，二阶矩（方差，标准差）不收敛。在比特币的情况下，较低的采样频率（每月与每周，每周与每日）大大降低了对数回报的峰度，并增加了经验矩向其真实值的收敛。黄金和S&P 500的影响相反。这些特性表明，比特币的波动性本质上是一种日内和周内的现象，在每周的时间尺度上强烈衰减，使其成为投资者和投机者有吸引力的价值储存，但其高标准差排除了其使用货币。
2021-02-28 cs.IT math.IT q-fin.ST
Modelling and Predicting the Conditional Variance of Bitcoin Daily Returns: Comparsion of Markov Switching GARCH and SV Models
本文比较了MS-GARCH与SARV等模型对比特币日收益率条件方差的样本外预测表现，发现SARV模型整体优于MS-GARCH，为风险管理提供了指导。
2024-01-10 q-fin.RM q-fin.ST
Pathwise Roughness of Bitcoin Realized Volatility: Stability Across Time, Sampling, and Volatility Measures
University of Bordeaux（波尔多大学）
研究比特币实现波动率的路径粗糙度，通过构建不同频率路径并用特定估计器评估，发现其通常有低粗糙度估计，但该估计在时间和测量设计上非不变，涉及观察到的波动率，未直接识别潜在现货波动率粗糙度。
2026-07-24 q-fin.MF q-fin.ST
Skewed non-Gaussian GARCH models for cryptocurrencies volatility modelling
最近，加密货币吸引了投资者、从业者和研究人员越来越多的兴趣。然而，很少有研究关注它们的可预测性。在本文中，我们提出了一个新的和全面的研究加密货币市场，评估预测性能的三个最重要的加密货币（比特币，以太坊和莱特币）的市价总值。在这个目标下，我们考虑了非高斯高斯GARCH波动率模型，它形成了一类通常用于金融预测的随机递归系统。结果表明，当考虑比特币/美元和莱特币/美元汇率时，在偏广义误差分布下实现了最好的规范和预测精度，而当考虑以太坊/美元汇率时，在偏广义误差分布下获得了最好的性能。所获得的调查结果状态的有效性-在预测性能方面-放松的正态性假设，并考虑偏态分布。
2020-04-22 q-fin.ST
The inefficiency of Bitcoin revisited: a dynamic approach
这封信重新审视了比特币市场的信息效率。特别是，我们使用赫斯特指数分析了2011年至2017年比特币回报率和波动率的长记忆随时间变化的行为。我们的结果是双重的。首先，R/S方法更倾向于检测长记忆，而DFA方法可以更精确地区分信息效率随时间的变化。第二，日收益率在研究期间的前半段表现出持续的行为，而自2014年以来，其行为更具信息效率。最后，价格波动性，衡量为对数之间的差异，在一天的最高和最低的价格表现出长记忆在所有的时期。这反映了产生价格和波动性的不同的基本动态过程。
2017-09-23 q-fin.CP q-fin.GN q-fin.RM
Joint multifractality in the cross-correlations between grains \& oilseeds indices and external uncertainties
本文利用MF-X-DMA方法研究谷物与油籽指数及其子指数同经济政策不确定性、地缘政治风险和VIX之间的多重分形互相关，发现玉米对不确定性高度敏感，且地缘政治风险与谷物价格关联最强。
2024-09-18 q-fin.ST
Model of continuous random cascade processes in financial markets
本文将波动率的连续级联模型表述为一个随机微分方程。引入两个独立的布朗运动作为触发波动级联的随机源。一种是与波动性相乘，另一种是与波动性相加。假设后者对系统的扰动作用，则通过应用于实际股票价格时间序列来估计模型参数。利用参数估计值对由随机微分方程导出的福克-普朗克方程进行了数值计算。结果再现了经验波动率的概率密度函数、时间序列的多重分形性以及其他经验事实。
2020-10-23 q-fin.ST
Ask "Who", Not "What": Bitcoin Volatility Forecasting with Twitter Data
ETH Zurich（苏黎世联邦理工学院）
了解交易价格的变化（波动性）及其对外生信息的反应，是金融学中一个很好的研究课题。在这项研究中，我们专注于使用从Twitter获得的公共社交媒体数据的深度学习表示，为相对较新的加密货币资产类别（特别是比特币）找到稳定和准确的波动预测因子。在我们的实验中，我们从超过3000万条与比特币相关的推文中提取了语义信息和用户统计数据，以及144天内15分钟的频率价格数据。利用这些数据，我们构建了几个深度学习架构，这些架构利用了收集到的信息的不同组合。对于每个模型，我们进行了消融研究，以评估不同组件和特征集对预测准确性的影响。我们发现了以下假设的统计证据：（i）时间卷积网络的表现明显优于经典的自回归模型和文献中其他基于深度学习的架构，（ii）推文作者元信息，即使与推文本身分离，也是比语义内容和推文数量统计更好的波动性预测指标。我们展示了如何从社交媒体收集的不同信息集可以在不同的架构中使用，以及它们如何影响预测结果。作为额外的贡献，我们将我们的数据集公开，以供未来研究。
2022-12-06 cs.LG cs.SI q-fin.ST
An Empirical Method to Measure Stochasticity and Multifractality in Nonlinear Time Series
本文用一种经验算法研究了非线性时间序列的随机性和多重分形性。可以定义一个参数来定量测量时间序列与维纳过程的偏差，从而可以比较不同时间序列的随机性。利用该算法可以构造所研究的时间序列的局部波动率，并利用该局部波动率分析时间序列的多重分形结构。作为一个例子，我们使用这种方法来分析金融时间序列从不同的股票市场。结果表明，虽然发达市场的演变非常像一个伊藤过程，新兴市场是远远没有效率。讨论了发达市场和新兴市场在多重分形结构和杠杆效应方面的差异。这里使用的算法可以以类似的方式应用于研究其他复杂系统的时间序列。
2014-01-07 physics.soc-ph q-fin.ST
Examining the Effect of Monetary Policy and Monetary Policy Uncertainty on Cryptocurrencies Market
本研究采用MSM-VAR方法分析2010-2023年数据，发现货币政策不确定性在高低波动机制下均对比特币收益产生负面影响，并探讨了比特币对FOMC决策的敏感性。
2023-10-25 q-fin.GN q-fin.ST
Scale invariant multiplier and multifractality of absolute returns in stock markets
利用金融时间序列的一分钟高频数据，研究了绝对收益率乘数的统计特性。当$s$大于某个交叉尺度时，乘数分布与盒子大小$s$无关，为金融数据中尺度不变性的存在提供了直接证据.以$a=2$为底的乘数很好地近似于正态分布，并且最可能的乘数尺度关于底$a$为幂律。我们揭示了波动率乘数具有多重分形性质，它与乘数的构造，即$s$和$a$的值无关。
2007-02-06 physics.soc-ph q-fin.ST
Chaos and Order in the Bitcoin Market
比特币价格近年来飙升，也出现了快速衰减的阶段。在本文中，我们讨论了这个新的加密货币市场在多大程度上可以被视为经典或半有效市场的问题。用于估计多重分形属性的新颖而强大的工具被用来表明比特币价格呈现出非常有趣的多尺度相关结构。这种结构可以用收益率方差随时间增量的幂律行为来描述，它可以用两个参数来表征，波动率和赫斯特指数。然而，这些幂律参数随时间变化。引入了广义赫斯特指数的新概念，它允许我们检查底层信号的多重分形特征是否被很好地捕获。此外，还展示了如何使用幂律参数的监测来识别比特币价格的政权转移。提出了一种基于局部幂律参数拟合优度的区域切换识别方法。它会自动检测与比特币市场中一些已知事件相关的日期。此外，一个非常令人惊讶的结果是，尽管近年来比特币价格的疯狂上涨及其多重分形和非平稳特性，但当观察其整个存在期间时，该价格既具有局部幂律行为，又具有非常有序的相关结构。
2019-04-04 q-fin.ST
Impact of the COVID-19 pandemic on the financial market efficiency of price returns, absolute returns, and volatility increment: Evidence from stock and cryptocurrency markets
该研究分析股票与加密货币市场的收益率、绝对收益率和波动率增量，发现COVID-19对市场有效性的影响因市场和指标而异，并提示按疫情分段分析可能产生误导。
2025-04-26 q-fin.ST
Exploring asymmetric multifractal cross-correlations of price-volatility and asymmetric volatility dynamics in cryptocurrency markets
价格与波动之间的非对称关系是金融市场时间序列的一个显著特征。本文探讨了加密货币市场中的价格波动关系，并研究了上升趋势（牛市）和下降趋势（熊市）制度之间存在的非对称波动效应。传统的GARCH类模型表明，在加密货币市场中，波动对回报的不对称反应与其他传统金融资产不同。我们从分形分析的角度来解决这个问题，它可以涵盖非线性相互作用和自相似性在经济物理学领域广泛认可的属性。使用MF-ADCCA方法研究了2016年6月1日至2020年12月28日期间比特币（BTC），以太坊（ETH），瑞波币（XRP）和莱特币（LTC）价格与波动率之间的非对称交叉相关性，并通过非对称DCCA系数进行量化。该方法考虑到非线性和非对称多重分形标度特性，提供了新的见解，在调查中的动态方式的关系。我们发现，对于成熟的BTC和ETH来说，下跌趋势市场的交叉相关性比上涨趋势市场更强。相比之下，对于XRP和LTC，在上升趋势市场中交叉相关性更强的地方存在反向反应。
2021-06-23 q-fin.ST
Do Prediction Markets Forecast Cryptocurrency Volatility? Evidence from Kalshi Macro Contracts
Viterbi School of Engineering（维特比工程学院）；University of Southern California（南加州大学）
本文研究了Kalshi宏观预测市场中的概率变化如何通过两个渠道预测加密货币波动，发现货币政策和通胀渠道在样本内外均表现出稳定的预测能力。
2026-04-01 q-fin.RM q-fin.ST
Multifractality in the stock market: price increments versus waiting times
通过对德意志交易所的高频逐点交易数据在价格域和时间域上进行多重分形去趋势波动分析，研究了对数价格增量时间序列和交易区间时间序列的多重分形性质.我们发现，这两个数量揭示多尺度，这一结果在不同的股票。相应动态的多重分形特征的起源是价格增量和交易间时间间隔的长期相关性以及波动的非高斯分布。由于交易到交易的价格增量并不强烈依赖于或几乎独立于交易间的等待时间，两者都可以是所观察到的固定延迟收益率和波动率的多重分形行为的来源。所提出的结果还允许一个评估的资产收益率的多重分形模型的适用性的情况下，滴答滴答的数据。
2004-08-12 cond-mat.other q-fin.ST
On Bitcoin Price Prediction
本文结合理论、实证、机器学习与时间序列建模评估Bitcoin价格可预测性，发现市场总体趋于有效但特定信息不对称与行为异常偶尔带来难以系统利用的套利机会，为投资者与监管者提供启示。
2025-04-26 q-fin.ST stat.OT
Multifractality and its sources in the digital currency market
本研究应用新方法解析数字货币市场（BTC、ETH、DEX、NFT）的多重分形性来源，发现时间相关性是主要来源，厚尾起次要作用，验证了方法的有效性。
2025-10-15 cs.CE physics.data-an q-fin.ST
Dynamics of Bid-ask Spread Return and Volatility of the Chinese Stock Market
买卖价差是衡量金融市场流动性的重要指标。本文研究了中国股票市场四种流通股的价差收益率和价差波动率的动态变化规律，包括记忆效应和多重分形性质。通过对自相关函数和去趋势波动分析（DFA）的研究，发现价差收益率缺乏长期记忆性，而价差波动率具有长期时间相关性。此外，通过应用多重分形去趋势波动分析（MF-DFA），利差收益率被观察到具有很强的多重分形，这是类似于各种金融量的动态。与利差收益率相关的是，利差波动率具有弱的多重分形性质。
2011-10-20 physics.soc-ph q-fin.ST q-fin.TR
Beyond Trading Data: The Hidden Influence of Public Awareness and Interest on Cryptocurrency Volatility
University of Koblenz（科布伦茨大学）；Soochow University（苏州大学）；Fraunhofer Institute for Software and Systems Engineering（弗劳恩霍夫软件与系统工程研究所）
本文提出多模态AdaBoost-LSTM集成模型CoMForE，融合交易数据、推文情绪、搜索兴趣和哈希率，预测比特币-美元汇率波动，较现有方法提升19.29%，证明多模态信息对加密货币波动性预测的重要性。
2024-10-22 cs.LG q-fin.ST
Analysis of inter-transaction time fluctuations in the cryptocurrency market
我们分析代表在一些不同加密货币交易平台上交易的主要加密货币的逐点数据。我们关注的是交易间时间、单位时间内的交易数量、交易量和波动性等数量。我们发现，交易间的时间显示长程幂律自相关。这些导致多重分形表示的右侧不对称性的奇异谱$f(α)$表明，增加市场活动的时期的特点是更丰富的多重分形相比，平静的市场时期。我们还表明，无论是拉伸指数分布，也不是幂律尾分布能够普遍模型的累积分布函数的数量在这项工作中考虑。对于每一个量，有些数据集可以用前者建模，有些数据集可以用后者建模，而在其他情况下两者都失败了。一个有趣但难以解释的现象是，来自不同交易平台的并行数据集可能显示出不同的统计特性。
2022-09-01 q-fin.ST
Bitcoin market route to maturity? Evidence from return fluctuations, temporal correlations and multiscaling effects
基于自2012年以来记录的1分钟价格变化，从收益率分布、波动自相关、赫斯特指数和多尺度效应等方面，对快速崛起的比特币（BTC）市场的波动特性进行了评估。研究结果相比，成熟的世界市场的程式化的事实。虽然早期交易受到系统特定违规行为的影响，但发现在2018年4月之前的几个月里，所有这些统计指标都接近标志成熟度的特征。这可以被视为一个迹象，表明比特币市场，可能还有其他加密货币，具有即将成为一个常规市场的具体潜力，替代外汇（外汇）。由于自交易开始以来就可以获得高频价格数据，比特币为了解市场成熟轨迹的统计特征提供了一个独特的窗口。
2018-07-19 cs.CE econ.EM q-fin.ST
Multifractal Behavior of the Korean Stock-market Index KOSPI
我们研究多重分形在韩国股票市场指数KOSPI。广义$q$阶高度-高度关联函数具有多尺度特性。有两个缩放制度的交叉时间约$t_c =40$分钟。我们认为原始数据集和修改后的数据集通过删除每日跳跃，这是由于收盘指数和开盘指数之间的差异。为了澄清多重分形的起源，我们还通过与高斯函数的卷积来平滑数据。卷积后，我们观察到，多重分形消失在短时间的标度制度$t<t_c$，但仍然在长时间的标度制度$t>t_c$，无论是否每天的跳跃被删除。我们认为，在短期标度制度的多重分形是由股票指数的局部波动。但在长时间标度下的多重分形现象似乎是由于股票市场的内在交易特性，如羊群行为、市场外信息、波动的长记忆性和非线性动力学。
2005-09-07 cond-mat.other nlin.CD physics.soc-ph
PreBit -- A multimodal model with Twitter FinBERT embeddings for extreme price movement prediction of Bitcoin
Singapore University of Technology and Design（新加坡科技设计大学）
本文提出PreBit多模态模型，融合Twitter FinBERT嵌入、K线数据、技术指标与相关资产价格，用于预测比特币极端价格波动，并通过回测验证其可构建低风险盈利交易策略。
2023-10-21 cs.CL cs.LG q-fin.CP
On a multi-timescale statistical feedback model for volatility fluctuations
我们研究，分析和数值，ARCH类，多尺度模型的波动性，它假设的波动性是由观察到的过去的价格变化在不同的时间尺度。随着幂律分布的时间范围，我们得到了一个模型，捕捉金融时间序列的最程式化的事实：学生般的分布与幂律尾部的收益率，长期记忆的波动性，缓慢收敛的高斯分布的收益率分布，多重分形和异常波动性松弛冲击后。在最近的多重分形模型是严格的时间反转不变的差异，该模型还再现了金融时间序列的时间不对称性：过去的大规模波动影响未来的小规模波动。为了定量地再现所有的经验观察，必须选择参数，使我们的模型接近不稳定性，这意味着（a）反馈效应是重要的，并大大增加了波动性，（b）由于相关性的长期性质，模型本质上很难校准。通过将模型预测与大量不同的经验观察结果的一致性，可以确定参数值的合理范围。该模型可以很容易地推广到考虑跳跃，偏度和多资产相关性。
2005-07-10 cond-mat.stat-mech physics.data-an physics.soc-ph
Stylized Facts of High-Frequency Bitcoin Time Series
本文分析2019-2022年高频比特币数据，发现收益率呈异常扩散、重尾和多重分形特征，且市场效率随时间提升。
2025-06-22 q-fin.ST stat.AP
Bitcoin Price Prediction: An ARIMA Approach
比特币被认为是世界上最有价值的货币。除了非常有价值之外，它的价值也经历了急剧的增长，从2010年的1美元左右增加到2017年的18000美元左右。然后，近年来，它在包括经济学和计算机科学在内的各种领域引起了相当大的关注。前者主要研究其对市场的影响，确定其价格波动的原因，并预测其未来的价格。后者主要关注其漏洞，可扩展性和其他技术-加密-经济问题。在这里，我们旨在通过分析3年时间段内的价格时间序列，揭示传统自回归综合移动平均（ARIMA）模型在预测比特币未来价值方面的有用性。一方面，我们的实证研究表明，这种简单的计划是有效的，在子期间的时间序列的行为几乎没有变化，特别是当它被用于短期预测，如1天。另一方面，当我们试图将ARIMA模型训练到3年的时间段时，在此期间比特币价格经历了不同的行为，或者当我们试图将其用于长期预测时，我们观察到它引入了很大的预测误差。特别是，ARIMA模型无法捕捉价格的剧烈波动，例如2017年底的波动。然后，它需要提取更多的特征，并与价格一起使用，以更准确地预测价格。我们使用ARIMA模型进一步研究了比特币价格预测，该模型在大型数据集上进行了训练，并使用长度为$w$的比特币价格的有限测试窗口作为输入。我们的研究揭示了预测准确性，选择（$p,q,d$）和窗口大小$w$的相互作用。
2019-04-04 cs.SI q-fin.ST
Signatures of crypto-currency market decoupling from the Forex
基于Kraken的高频记录，Kraken是一个加密货币交易所和专业交易平台，旨在将比特币和其他加密货币纳入主流，研究了2016年7月1日至2018年12月31日期间涉及比特币（BTC），以太坊（ETH），欧元（EUR）和美元（USD）的多尺度互相关。结果表明，与加密货币市场相关的汇率波动的多尺度特征接近外汇市场。这尤其适用于BTC/ETH汇率，其赫斯特指数在2018年底开始接近0.5，这是成熟世界市场的特征。此外，BTC/ETH直接汇率已经发展出多重分形，这通过广泛的奇异谱表现出来。一个特别重要的结果是，用于检测BTC/ETH和EUR/USD汇率动态之间的交叉相关性的措施没有显示出任何明显的关系。这可能被视为加密货币市场已经开始与外汇脱钩的迹象。
2019-07-18 econ.EM q-fin.ST
Comparative analysis of stationarity for Bitcoin and the S&P500
本文基于Wiener–Khinchin定理比较S&P500与比特币日内收益的平稳性，发现分段、去趋势及归一化窗口对两类资产的局部平稳性具有不同影响。
2024-08-06 cond-mat.stat-mech q-fin.ST
Effective multifractal features and l-variability diagrams of high-frequency price fluctuations time series
在这篇手稿中，我们提出了一个全面的研究的多重分形特性的高频价格波动和瞬时波动的股票组成的道琼斯工业平均指数。分析包括量化的依赖性和非高斯性的金融量的多重分形特征。我们的结果指出了依赖性和非高斯性对时间序列多重分形性的等价影响。此外，我们还分析了价格波动的l图。在后一种情况下，我们表明，这些地图的分形维数基本上是独立的价格波动之间的滞后，我们假设。
2007-11-16 physics.data-an q-fin.ST
Direct determination approach for the multifractal detrending moving average analysis
在规范的框架下，我们提出了一种替代方法的多重分形分析的基础上的去趋势移动平均法（MF-DMA）。我们定义了一个正则测度，使得多重分形质量指数$τ(q)$与配分函数有关，并且可以直接确定多重分形谱$f(α)$.基于一维$p$ -模型、二维$p$ -模型和分数布朗运动生成的多重分形和单分形测度，比较了直接确定方法和传统MF-DMA方法的性能.我们发现，这两种方法有相当的性能，揭开分形和多重分形的性质。换句话说，在不损失精度的情况下，可以使用新方法以较少的计算成本直接确定多重分形谱$f(α)$。我们还应用新的MF-DMA方法的波动时间序列的股票价格，并确认多重分形的存在。
2019-02-09 q-fin.ST
Probabilistic Forecasting Cryptocurrencies Volatility: From Point to Quantile Forecasts
Faculty of Electrical Engineering Częstochowa University of Technology（电气工程学院切斯托楚瓦技术大学）；Faculty of Economic Sciences（经济科学学院）；Nicolaus Copernicus University in Toruń（托伦尼科拉乌斯·哥白尼大学）；Prague University of Economics（布拉格经济大学）
本文首次系统提出并评估基于多基础模型点预测的加密货币方差概率预测方法，发现QRS方法结合对数已实现波动率的线性模型表现最优，并验证了概率堆叠框架的稳健性。
2025-08-21 cs.AI cs.LG q-fin.ST
Null-Validated Topological Signatures of Financial Market Dynamics
University of Michigan（密歇根大学）
本文提出了一种基于零验证拓扑方法，用于量化金融市场复杂性，通过持续性景观范数揭示市场动态特征。
2026-08-04 math.DS math.ST q-fin.ST
