Comparison of Fuzzy Risk Forecast Intervals for Cryptocurrencies
Notice bibliographique
Résumé
Data-driven volatility models and neuro-volatility models have the potential to revolutionize the area of Computational Finance. Volatility measures the variation of a time series data, and thus it is also a driving factor for the risk forecasting of returns from investment in cryptocurrencies. A cryptocurrency is a decentralized medium of exchange that relies on cryptographic primitives to facilitate the trustless transfer of value between different parties. Instead of being physical money, cryptocurrency payments exist purely as digital entries on an online ledger called blockchain that describe specific transactions.Many commonly used risk forecasting models do not take into account the uncertainty associated with the volatility of an underlying asset to obtain the risk forecasts. Some tools from the fuzzy set theory can be incorporated into the forecasting models to account for this uncertainty. Interest in the use of hybrid models for fuzzy volatility forecasts is growing. However, a major drawback is that the fuzzy coefficient hybrid models used in fuzzy volatility forecasts are not data-driven. This paper uses fuzzy set theory with data-driven volatility and data-driven neuro-volatility forecasts to study the fuzzy risk forecasts. The study focuses on long-term volatility forecasts with daily price data while briefly exploring forecasting models with high-frequency (hourly) data as an avenue for future research. Simple yet effective models incorporating fuzziness to obtain fuzzy risk volatility forecasts and fuzzy VaR forecasts are presented. The key underlying idea, unlike the existing risk forecasting, is the use of a hybrid nonlinear adaptive fuzzy model for volatility.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,005 | 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 ».