Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 2024

Powiadomienia systemowe

Sesja wygasła!

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: heavy-tailed distribution

Sortuj według:

Ogranicz wyniki do:

Tail and memory behaviour of the cryptocurrency prices and stock market indices

Kończal Julia, Wronka Michał

Mathematica Applicanda

2024

Vol. 52, no. 1

85--117

Cryptocurrency markets are characterised by high volatility, high returns and immaturity relative to equity markets. In this paper, we aim to gain insight into the statistical differences between the markets. To this end, we analyse Bitcoin (BTC) and Ethereum (ETH) prices, Dow Jones Industrial Average (DJIA) index and Hang Seng Index (HSI). We concentrate here on the comparison of two important characteristics of the data, namely the distribution and memory. We find that the normal inverse distribution can stand for a universal distribution, double Weibull is very well fitted to BTC and ETH, and Student's t to BTC and HSI. Memory analysis performed with the use of various statistics indicates that the log-returns of DJIA show the strongest dependence (but not the long memory). Moreover, analysis of the heteroskedatic effect shows that the implied volatility of HSI can be very well described by the generalised autoregressive conditional heteroskedasticy (GARCH) model. We note that the procedure for testing the tail and memory behaviour introduced here can be applied to other datasets.

Rynki kryptowalut cechują się dużą zmiennością, wysokimi stopami zwrotu oraz mniejszym stopniem rozwoju infrastrukturalnego i instytucjonalnego w porównaniu do tradycyjnych rynków kapitałowych. W tym artykule, naszym celem jest ujęcie statystycznych różnic między tymi rynkami. Aby to osiągnąć, analizujemy logarytmiczne stopy zwrotu Bitcoina (BTC), Ethereum (ETH), indeksu Dow Jones Industrial Average (DJIA) oraz indeksu Hang Seng (HSI). Koncentrujemy się na porównaniu dwóch istotnych cech danych, mianowicie rozkładu prawdopodobieństwa oraz pamięci. Uważamy, że odwrócony rozkład normalny może stanowić uniwersalny rozkład, opisujący badane dane. Podwójny rozkład Weibulla jest bardzo dobrze dopasowany do logarytmicznych stóp zwrotu BTC i ETH, a rozkład t-Studenta do BTC i HSI. Analiza pamięci przeprowadzona z wykorzystaniem różnych narzędzi statystycznych sugeruje, że logarytmiczne stopy zwrotu indeksu DJIA cechują się najsilniejszą zależnością (lecz nie wykazują cechy długiej pamięci). Dodatkowo, analiza heterdoskedastyczności logarytmicznych stóp zwrotu pokazuje, że implikowana zmienność logarytmicznych stóp zwrotu indeksu HSI przy pieniądzu (ang. At-The-Money) może być bardzo dobrze zreplikowana za pomocą filtracji modelu GARCH. Zauważamy, że metody analizy wykorzystane do badania ogonów oraz pamięci mogą zostać wykorzystane dla innych klas aktywów.