The Detection of Asset Price Bubbles in the Cryptocurrency Markets with an Application to Risk Management and the Measurement of Model Risk
Notice bibliographique
Résumé
This study presents an analysis of the impact of asset price bubbles on the markets for cryptocurrencies and con-siders the standard risk management measure Value-at-Risk (“VaR”). We apply the theory of local martingales, present a styled model of asset price bubbles in continuous time and perform a simulation experiment featuring one- and two-dimensional Stochastic Differential Equation (“SDE”) systems for asset value through a Constant Elasticity of Variance (“CEV”) process that can detect bubble behavior. In an empirical analysis across several widely traded cryptocurrencies, we find that the estimated parameters of one-dimensional SDE systems do not show evidence of bubble behavior. However, if we estimate a two-dimensional system jointly with an equity market index, we do detect a bubble, and comparing bubble to non-bubble economies it is shown that asset price bubbles result in materially inflated VaR measures. The implication of this finding for portfolio and risk management is that rather than acting as a diversifying asset class, cryptocurrencies may not only be highly correlated with other assets but have anti-diversification properties that materially inflate the downside risks in portfolios combining these asset types. We also measure the model risk arising from mispecifying the process driving cryptocurrencies by ignoring the relationship to another representative risk asset through applying the principle of relative entropy, where we find that across all cryptocurrencies studied that the distributions of a distance measure between the simulated distributions of VaR are almost all highly skewed to the right and very heavy-tailed. We find that in the majority of cases that the model risk “multipliers” range in about two to five across cryptocurrencies, estimates which could be applied to establish a model risk reserve as part of an economic capital calculation for risk management of cryptocurrencies.
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 | 0,002 | 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 ».