Data-Driven and Neuro-Volatility Fuzzy Forecasts for Cryptocurrencies
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 forecasting problems in Computational Finance involve modelling the vagueness and imprecision inherent to the financial markets. Fuzzy set theory has a unique ability to quantitatively and qualitatively model and analyze such problems. Volatility forecasting plays an important role in financial risk management and in option pricing. Recently, there has been a growing interest in data-driven volatility models and neurovolatility models for risk forecasting of stocks and index funds. However, even these state-of-the-art models do not take into account the fuzzy volatility in their risk forecasts.Cryptocurrencies are a novel financial asset class based on the Blockchain technology. Cryptocurrencies have gained popularity among retail investors as a financial asset with high risks and high returns. The extremely volatile nature of cryptocurrencies (compared to traditional assets) makes forecasting their volatility more challenging. A simple algorithmic trading approach, Simple Moving Average (SMA) crossover strategy, is used to calculate the Algo returns. This paper provides fuzzy forecasts of the volatility of Algo returns using the data-driven Exponentially Weighted Moving Average (DD-EWMA) and neuro models for six major cryptocurrencies. We also compute and compare fuzzy volatility forecasts of four major tech stocks and Chicago Board Options Exchange’s (CBOE) volatility index (VIX) using DD-EWMA and neuro models. Our experimental results show that the data-driven models produce better forecasts for cryptocurrencies as compared to the neuro models, while for the regular stocks and indexes, no such definitive conclusion could be drawn.
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 | 0,010 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,005 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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