Contrasting Cryptocurrencies with Other Assets: Full Distributions and the COVID Impact
Notice bibliographique
Résumé
We investigate any similarity and dependence based on the full distributions of cryptocurrency assets, stock indices and industry groups. We characterize full distributions with entropies to account for higher moments and non-Gaussianity of returns. Divergence and distance between distributions are measured by metric entropies, and are rigorously tested for statistical significance. We assess the stationarity and normality of assets, as well as the basic statistics of cryptocurrencies and traditional asset indices, before and after the COVID-19 pandemic outbreak. These assessments are not subjected to possible misspecifications of conditional time series models which are also examined for their own interests. We find that the NASDAQ daily return has the most similar density and co-dependence with Bitcoin daily return, generally, but after the COVID-19 outbreak in early 2020, even S&P500 daily return distribution is statistically closely dependent on, and indifferent from Bitcoin daily return. All asset distances have declined by 75% or more after the COVID-19 outbreak. We also find that the highest similarity before the COVID-19 outbreak is between Bitcoin and Coal, Steel and Mining industries, and after the COVID-19 outbreak is between Bitcoin and Business Supplies, Utilities, Tobacco Products and Restaurants, Hotels, Motels industries, compared to several others. This study shed light on examining distribution similarity and co-dependence between cryptocurrencies and other asset classes.
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) | 0,000 | 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 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 ».