Information dynamics of price and liquidity around the 2017 Bitcoin markets crash
我们研究了2017-2018年泡沫期间最大的比特币交易市场之间的信息动态。通过分析高频市场微观结构观测与不同的信息理论措施的动力系统,我们发现跨市场的信息共享的时间变化。特别是,我们研究的可预测性,记忆和同步耦合的时变成分,测量的转移熵,主动信息存储,和多信息。通过比较这些实证研究结果与几个模型,我们认为,一些结果可能涉及到市场内和市场间的制度变迁,以及不同的市场观测之间的信息流动方向的变化。
2021-11-17 cs.IT cs.SI math.IT
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
Mechanism of information transmission from a spot rate market to crypto-asset markets
我们应用SVAR-LiNGAM来说明现货汇率与三种加密资产汇率(比特币,以太坊和瑞波币)之间的因果关系。值得注意的是,因果顺序,欧元_美元现货汇率->比特币->以太坊->瑞波,是通过这种方法获得的。所有的瞬时效应都是非常积极的。此外,值得注意的是,比特币可以在一天的时间间隔内对欧元_美元即期汇率产生积极影响。
2022-11-29 q-fin.ST
Some stylized facts of the Bitcoin market
近年来,出现了一种新型的可交易资产,通常被称为加密货币。其中,传播最广的是比特币。鉴于其新颖性,本文研究了比特币市场的一些统计特性。这项研究比较了比特币和标准货币的动态,并重点分析了不同时间尺度下的回报。我们使用来自一个比特币平台的交易数据,在2011年至2017年的回报时间序列中测试了长记忆的存在。我们计算的赫斯特指数的去趋势波动分析方法的装置,使用滑动窗口,以衡量长期的依赖性。我们发现,赫斯特指数在比特币存在的最初几年发生了显著变化,最近趋于稳定。此外,多尺度分析显示了类似的行为的赫斯特指数,这意味着一个自相似的过程。
2017-08-12 q-fin.GN q-fin.ST
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
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
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
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
The Efficient Market Hypothesis for Bitcoin in the context of neural networks
Zurich University of Applied Sciences(苏黎世应用科学大学)
这项研究使用前馈神经网络来检验比特币有效市场假设的弱形式。由于近年来加密货币的日益普及,出现了一个问题,即比特币是否可以利用市场效率低下的问题。我们在这里提到的几项研究在比特币的背景下使用统计测试或机器学习方法讨论了这个话题,主要依赖于比特币本身的数据。关于市场有效性的结果因研究而异。然而,在这项研究中,重点是在神经网络中应用各种与资产相关的输入特征。其目的是调查在添加股票指数(S&P 500,Russell 2000),货币(EURUSD),10年期美国国债收益率以及黄金和白银生产商指数(XAU)时,除了使用比特币回报作为输入特征外,预测准确性是否会提高。正如预期的那样,结果表明,更多的特征导致更高的训练性能,从一个特征的54.6%预测准确率到六个特征的61%。在测试集上,我们观察到,使用我们的神经网络方法,添加额外的资产类别,预测准确性没有增加。一个功能集能够部分优于买入并持有策略,但一旦添加另一个功能,性能就会再次下降。这导致我们得出部分结论,即比特币的弱市场效率无法使用神经网络和给定的资产类别作为输入来检测。因此,基于这项研究,我们发现证据表明,在样本期间,比特币市场在有效市场假设的意义上是有效的。我们鼓励在这一领域进行进一步的研究,因为这在很大程度上取决于所选择的样本周期、输入特征、模型架构和超参数。
2022-06-25 cs.LG q-fin.ST q-fin.TR
Dynamical properties of volume at the spread in the Bitcoin/USD market
本研究探讨了Bitcoin/USD市场买卖价差中成交量的动态特性,发现成交量变化具有均值回归现象,买卖订单均衡存在强烈不对称性,并伴有聚集效应。
2023-05-19 q-fin.ST
What are the main drivers of the Bitcoin price? Evidence from wavelet coherence analysis
比特币已经成为金融市场的一个迷人现象。由于没有任何中央政府发行货币,它一直与争议有关,因为它的普及和公众利益达到了很高的水平。在这里,我们通过研究比特币价格的潜在驱动因素,从基本面到投机和技术来源,以及中国市场的潜在影响,为讨论做出贡献。利用连续小波框架的时间和频率域的关系的演变进行检查,使我们评论的发展的相互联系的时间,但我们也可以区分短期和长期的连接。
2014-06-02 physics.data-an q-fin.CP 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
On the Complexity and Behaviour of Cryptocurrencies Compared to Other Markets
我们发现,比特币的行为与股票和贵金属市场(如黄金和白银)有着有趣的相似之处。我们报告说,虽然第二大加密货币Litecoin密切关注比特币的行为,但它并没有显示比特币的所有报告属性。协议之间明显不同的复杂性措施已被发现,它表明,统计,信息理论,算法和分形的措施有不同的,但有趣的能力,聚类家庭的市场类型。该报告特别有趣,因为一些复杂性指标的范围和新颖使用来表征价格行为,因为IRS将比特币指定为投资财产而不是货币,以及加拿大政府宣布自己的电子货币MintChip。
2014-11-07 cs.IT math.IT q-fin.ST
Advance Detection Of Bull And Bear Phases In Cryptocurrency Markets
University At Buffalo(布法罗大学)
本文利用预测算法预测比特币近期表现,进而计算50日和200日移动平均线,以提前识别加密货币市场的牛熊阶段。
2024-11-18 cs.AI q-fin.ST
Scaling properties of extreme price fluctuations in Bitcoin markets
幂律行为的检测和标度指数的研究揭示了许多现实世界现象的复杂性特征。金融市场的复杂性一直是具有挑战性的问题,并提供有趣的发现,如股票价格波动分布尾部的逆立方定律。基于区块链技术的新型数字资产的兴起,我们研究了加密货币价格波动的分布。我们考虑比特币在不同时间间隔和多个数字交易所的回报,以研究尾部是否存在普遍的标度行为,并确定标度指数是否支持有限二阶矩的存在。我们提供了经验证据,在多个时间间隔和不同的交易所的回报率分布的缓慢衰减的尾巴,对应于一个幂律。我们估计了标度指数,并发现了2 < α < 2.5的渐近幂律行为,这表明比特币的回报率除了波动性更大之外,还表现出比股票更重的尾部,已知股票的尾部约为3。我们的研究结果也意味着存在一个有限的二阶矩,从而提供了一个基本的基础上使用标准的金融理论和协方差为基础的技术在风险管理和投资组合优化方案。
2018-03-22 q-fin.ST
Are Bitcoins price predictable? Evidence from machine learning techniques using technical indicators
未来比特币价格的不确定性使得很难准确预测比特币的价格。因此,准确预测比特币的价格对于加密货币市场的投资者和市场参与者的决策过程非常重要。使用2012年1月1日至2019年8月16日的历史数据,使用机器学习技术(通过惩罚最大似然的广义线性模型,随机森林,线性核的支持向量回归和堆叠集成)来预测比特币的价格。预测模型采用关键和高维技术指标作为预测因子。这些技术的性能进行了评估,使用平均绝对百分比误差(MAPE),均方根误差(RMSE),平均绝对误差(MAE),和决定系数(R平方)。性能指标显示,具有两个基本学习者(随机森林和通过惩罚最大似然的广义线性模型)的堆叠集成模型和具有线性核作为元学习者的支持向量回归是预测比特币价格的最佳模型。叠加集合模型的MAPE、RMSE、MAE和R平方值分别为0.0191%、15.5331 USD、124.5508 USD和0.9967。这些值显示了使用堆叠集合模型预测比特币价格的高度可靠性。准确预测比特币的未来价格将为加密货币市场的投资者和市场参与者带来可观的回报。
2019-09-03 econ.EM q-fin.ST stat.AP
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
Bitcoin versus S&P 500 Index: Return and Risk Analysis
本文通过拟合七参数GTS分布并采用FRFT方案,对比比特币与标普500指数日收益率的分布特征与尾部风险,发现比特币具有重尾性且极端损失严重程度显著高于标普500指数。
2023-10-03 q-fin.ST
Fragmentation, Price Formation, and Cross-Impact in Bitcoin Markets
鉴于比特币交易格局的高度碎片化所导致的微观效率低下,我们利用由来自流动性最强的比特币市场的订单和交易数据组成的粒度数据集,以了解低于1秒的时间尺度下的价格形成过程。为了实现这一目标,我们构建了一组功能,封装相关的微观结构信息在短的回顾窗口。随后,这些特征首先被用来生成一个领先者-落后者网络,该网络量化了市场如何相互影响,然后被用来训练线性模型,该模型能够解释$500$ ms未来回报率(取决于哪个市场是预测目标)中10%到37%的总变化。然后将结果与考虑到交易现实,如交易成本的各种PnL计算结果进行比较。PnL计算基于我们与每个模型相关联的自然$\textit{taker}$策略(意味着它们采用市价订单)。我们的研究结果强调了市场的收费制度在决定其成为领先者或落后者的倾向,以及我们的接受者策略的盈利能力方面的作用。进一步进行分析,我们还推导出自然的$\textit{maker}$策略(即,一个只使用被动限价订单),由于与回测庄家策略相关的困难,我们在真实世界的实时交易实验中进行了测试,在该实验中,我们的名义交易量超过了150万美元。为我们的模型提供了额外的信心,并扩展了它们所基于的功能,结果表明,与天真的基准策略相比,我们也在真实资本的实时交易环境中部署了一个显着的改进,以便进行比较。
2021-08-22 q-fin.GN q-fin.ST q-fin.TR
On the Evolution of Cryptocurrency Market Efficiency
本研究基于Lo(2004)的适应性市场假说(AMH)来考察加密货币市场(比特币和以太坊)的效率是否会随着时间的推移而演变。特别是,我们测量的程度市场有效性使用广义最小二乘为基础的时变模型,不依赖于样本量,不像以前的研究,使用传统的方法。实证结果表明:(1)市场的市场有效性程度随时间而变化;(2)在大多数时期,比特币的市场有效性水平高于以太坊;(3)市场流动性高的市场正在形成。我们的结论是,这些结果支持最成熟的加密货币市场的AMH。
2020-07-07 q-fin.GN q-fin.ST
Pump and Dumps in the Bitcoin Era: Real Time Detection of Cryptocurrency Market Manipulations
Sapienza University of Rome(罗马第一大学)
本文深入分析加密货币市场中社区组织的拉高出货操纵行为,并通过案例研究提出一种实时检测欺诈的方法,其性能优于现有技术,以帮助投资者规避风险。
2024-09-02 cs.CR cs.CY cs.LG
A Peek into the Unobservable: Hidden States and Bayesian Inference for the Bitcoin and Ether Price Series
传统的金融模型无法解释加密货币的经济和货币属性,因为后者具有双重性质:一方面作为金融资产使用,另一方面与底层区块链结构紧密相连。为了通过统一的方法来检查这两个组件,我们应用了一个最近开发的非齐次隐马尔可夫(NHHM)模型,该模型具有一组扩展的金融和区块链特定协变量,用于比特币(BTC)和以太币(ETH)价格数据。基于可观察的系列,NHHM模型为加密货币市场的底层微观结构提供了一个新的视角,并提供了对投资者、交易员和矿工行为等不可观察参数的洞察。该算法识别了比特币生态系统中固有不同活动的两个交替时期(隐藏状态)-基本面与不知情或噪声交易者-并揭示了短期/长期动态和两种状态的金融特征的差异,例如显著的解释变量,极端事件和变化的序列自相关。在一个有点意想不到的结果中,比特币和以太坊市场被发现受到明显不同的指标的影响,尽管它们之间存在明显的相关性。目前的方法支持早期的发现,即加密货币与任何传统的金融资产不同,并通过更全面的视角迈出了理解加密货币市场的第一步。
2021-07-18 econ.EM q-fin.ST
Feature-Rich Long-term Bitcoin Trading Assistant
K. J. Somaiya College of Engineering(K·J·索马伊亚工程学院)
长期以来,预测、研究和分析金融指数一直是金融界的主要兴趣。最近,深度学习社区对利用强化学习的兴趣越来越大,强化学习在许多领域已经超过了以前的许多基准。我们的方法为强化学习代理提供了一个功能丰富的环境。目的是为用户提供长期利润,因此,我们考虑了最可靠的技术指标。我们还开发了一个自定义指标,可以为用户提供更好的比特币市场洞察力。比特币市场遵循交易者的情绪和情绪,因此我们交易环境的另一个要素是Twitter上市场的整体每日情绪得分。该药剂的测试期为685天,其中也包括Covid-19的波动期。它能够提供可靠的建议,平均利润约为69%。最后,代理还能够通过网站向用户建议最佳操作。网站上的用户还可以访问指标的可视化,以帮助加强他们的决策。
2022-09-14 cs.LG q-fin.ST
Comparative Analysis of Machine Learning, Hybrid, and Deep Learning Forecasting Models Evidence from European Financial Markets and Bitcoins
本研究对比ARIMA、混合ETS-ANN、kNN等多类预测模型在欧洲金融市场与比特币市场的表现,发现混合ETS-ANN模型整体表现最优,是颇具前景的金融时间序列预测方法,可为投资决策提供参考。
2023-07-17 econ.EM q-fin.RM q-fin.ST
Comparing Bitcoin and Ethereum tail behavior via Q-Q analysis of cryptocurrency returns
本文利用GTS分布参数和Q-Q图对比比特币与以太坊日收益尾部行为,发现两者均呈重尾分布,但以太坊极端值频率更高,尾部风险更突出。
2025-06-26 math.PR q-fin.ST
Deep Hedging Under Realistic Market Frictions: A Regime-Conditional Empirical Study of Dynamic Option Hedging on Bitcoin Options
Visvesvaraya National Institute of Technology, Nagpur(印度理工学院那格浦尔分校)
本研究基于Deribit五年BTC期权数据,对比经典对冲方法与深度对冲模型,发现经典的Whalley-Wilmott方法在交易成本上优于深度对冲,且结果依赖市场机制,深度对冲未击败经典基准。
2026-09-01 q-fin.CP q-fin.ST
Relevant Stylized Facts About Bitcoin: Fluctuations, First Return Probability, and Natural Phenomena
比特币是一种数字金融资产,没有中央权威。这使得它在许多方面与传统的金融资产不同。例如,令牌的总数是有限的,并且它没有明确的使用价值。尽管如此,人们对它是否遵循传统金融资产中的程式化事实知之甚少。在这里,我们测试了比特币的一组这些程式化的事实,并得出结论,它的统计行为与大多数其他资产一样。例如,它表现出聚合高斯性和波动缩放。此外,我们通过与自然发生的地震进行类比,证明比特币同时遵守大森定律和古腾堡-里克特定律。最后,我们证明了自旋系统的全局持续性,呈现出类似于股票市场的指数幂律行为。
2019-05-03 q-fin.ST
Cryptocurrencies Are Becoming Part of the World Global Financial Market
在这项研究中,以两种最具流动性和最高资本化的加密货币为代表的加密货币市场之间的交叉相关性:一方面是比特币和以太坊,另一方面是代表传统金融市场的工具:股票指数,外汇,商品,在2020年1月至2022年10月期间进行测量。我们的目的是解决加密货币市场是否仍然保留其相对于传统金融市场的自主权,或者它已经与传统金融市场保持一致,以牺牲其独立性。我们的动机是,一些以前的相关研究给出了混合的结果。通过计算基于滚动窗口中高频10 s数据的$q$依赖的去趋势交叉相关系数,考察了不同时间尺度、不同波动幅度和不同市场周期的相关性。有强烈迹象表明,自2020年3月Covid-19恐慌以来,比特币和以太坊价格变化的动态不再是独立的。相反,它与传统金融市场的动态有关,这在2022年尤为明显,当时在市场熊市阶段观察到比特币和以太坊与美国科技股的耦合。值得强调的是,加密货币已经开始以与传统工具类似的方式对消费者价格指数等经济数据做出反应。这种迄今为止独立的自由度的自发耦合可以被解释为一种相变,类似于复杂系统的典型集体现象。我们的研究结果表明,加密货币不能被视为金融投资的避风港。
2023-02-18 q-fin.ST stat.AP
The leverage effect and other stylized facts displayed by Bitcoin returns
本文基于2013-2020年BTC-USD日内数据研究比特币收益的典型事实,发现其统计特性与个股或指数相似,但在自相关和杠杆效应上与法币汇率存在明显差异,并识别出两种不同的市场状态。
2021-01-31 q-fin.ST q-fin.TR
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
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
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