On the Market Efficiency and Liquidity of High-Frequency Cryptocurrencies in a Bull and Bear Market
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The market for cryptocurrencies has experienced extremely turbulent conditions in recent times, and we can clearly identify strong bull and bear market phenomena over the past year. In this paper, we utilise algorithms for detecting turnings points to identify both bull and bear phases in high-frequency markets for the three largest cryptocurrencies of Bitcoin, Ethereum, and Litecoin. We also examine the market efficiency and liquidity of the selected cryptocurrencies during these periods using high-frequency data. Our findings show that the hourly returns of the three cryptocurrencies during a bull market indicate market efficiency when using the detrended-fluctuation-analysis (DFA) method to analyse the Hurst exponent with a rolling window. However, when conditions turn and there is a bear-market period, we see signs of a more inefficient market. Furthermore, our results indicated differences between the cryptocurrencies in terms of their liquidity during the two market states. Moving from a bull to a bear market, Ethereum and Litecoin appear to become more illiquid, as opposed to Bitcoin, which appears to become more liquid. The motivation to study the high-frequency cryptocurrency market came from the increasing availability of higher-frequency cryptocurrency-pricing data. However, it also comes from a movement towards higher-frequency trading of cryptocurrency. In addition, the efficiency of cryptocurrency markets relates not only to whether prices are predictable and arbitrage opportunities exist, but, more widely, to topics such as testing the profitability of trading strategies and determining the maturity of cryptocurrency markets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle