Data-Driven and Neuro-Volatility Fuzzy Forecasts for Cryptocurrencies
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».