A Comprehensive Statistical Analysis of the Six Major Crypto-Currencies from August 2015 through June 2020
Notice bibliographique
Résumé
After more than a decade of existence, crypto-currencies may now be considered an important class of assets presenting some unique appealing characteristics but also sharing some features with real financial assets. This paper provides a comprehensive statistical analysis of the six most important crypto-currencies from the period 2015–2020. Using daily data we (1) showed that the returns present many of the stylized facts often observed for stock assets, (2) modeled the returns underlying distribution using a semi-parametric mixture model based on the extreme value theory, (3) showed that the returns are weakly autocorrelated and confirmed the presence of long memory as well as short memory in the GARCH volatility, (4) used an econometric approach to compute risk measures, such as the value-at-risk, the expected shortfall, and drawups, (5) found that the crypto-coins’ price trajectories do not contain speculative bubbles and that they move together maintaining the long run equilibrium, and (6) using static and dynamic D-vine pair-copula models, assessed the true dependence structure among the crypto-assets, obtaining robust copula based bivariate dynamic measures of association. The analyses indicate that the strength of dependence among the crypto-currencies has increased over the recent years in the cointegrated crypto-market. The conclusions reached will help investors to manage risk while identifying opportunities for alternative diversified and profitable investments. To complete the analysis we provide a brief discussion on the effects of the COVID-19 pandemic on the crypto-market by including the first semester of 2020 data.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».