Bitcoin versus S&P 500 Index: Return and Risk Analysis
Notice bibliographique
Résumé
The S&P 500 Index is considered the most popular trading instrument in financial markets. With the rise of cryptocurrencies over the past few years, Bitcoin has grown in popularity and adoption. This study analyzes the daily return distribution of Bitcoin and the S&P 500 Index and assesses their tail probabilities using two financial risk measures. As a methodology, we use Bitcoin and S&P 500 Index daily return data to fit the seven-parameter General Tempered Stable (GTS) distribution using the advanced fast fractional Fourier transform (FRFT) scheme developed by combining the fast fractional Fourier transform algorithm and the 12-point composite Newton–Cotes rule. The findings show that peakedness is the main characteristic of the S&P 500 Index return distribution, whereas heavy-tailedness is the main characteristic of Bitcoin return distribution. The GTS distribution shows that 80.05% of S&P 500 returns are within −1.06% and 1.23% against only 40.32% of Bitcoin returns. At a risk level (α), the severity of the loss (AVaRα(X)) on the left side of the distribution is larger than the severity of the profit (AVaR1−α(X)) on the right side of the distribution. Compared to the S&P 500 Index, Bitcoin has 39.73% more prevalence to produce high daily returns (more than 1.23% or less than −1.06%). The severity analysis shows that, at α risk level, the average value-at-risk (AVaR(X)) of Bitcoin returns at one significant figure is four times larger than that of the S&P 500 Index returns at the same risk.
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 | 0,003 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».