Inner Multifractal Dynamics in the Jumps of Cryptocurrency and Forex Markets
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
Jump dynamics in financial markets exhibit significant complexity, often resulting in increased probabilities of subsequent jumps, akin to earthquake aftershocks. This study aims to understand these complexities within a multifractal framework. To do this, we employed the high-frequency intraday data from six major cryptocurrencies (Bitcoin, Ethereum, Litecoin, Dashcoin, EOS, and Ripple) and six major forex markets (Euro, British pound, Canadian dollar, Australian dollar, Swiss franc, and Japanese yen) between 4 August 2019 and 4 October 2023, at 5 min intervals. We began by extracting daily jumps from realized volatility using a MinRV-based approach and then applying Multifractal Detrended Fluctuation Analysis (MFDFA) to those jumps to explore their multifractal characteristics. The results of the MFDFA—especially the fluctuation function, the varying Hurst exponent, and the Renyi exponent—confirm that all of these jump series exhibit significant multifractal properties. However, the range of the Hurst exponent values indicates that Dashcoin has the highest and Litecoin has the lowest multifractal strength. Moreover, all of the jump series show significant persistent behavior and a positive autocorrelation, indicating a higher probability of a positive/negative jump being followed by another positive/negative jump. Additionally, the findings of rolling-window MFDFA with a window length of 250 days reveal persistent behavior most of the time. These findings are useful for market participants, investors, and policymakers in developing portfolio diversification strategies and making important investment decisions, and they could enhance market efficiency and stability.
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 | 0,000 | 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) | 0,001 | 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