The End of Mean-Variance? Tsallis Entropy Revolutionises Portfolio Optimisation in 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
Has the mean-variance framework become obsolete? In this paper, we replace traditional variance–covariance methods of portfolio optimisation with relative Tsallis entropy and mutual information measures. Its goal is to enhance risk management and diversification in complicated finance ecosystems. We utilize the S&P 500 and Bitwise 10 cryptocurrency indices’ daily returns (2019–2024 data) and conduct our analysis to the year 2020 under extreme shocks. Many models were trained with different configurations, like mean-variance (MV), mean-entropy (ME), and mean-mutual information (MI) traders and their corresponding variants, using Sharpe’s ratio, Jensen’s alpha, and entropy value of risk (EVAR). The findings indicate that entropic models outperform conventional models in terms of diversification and, especially, extreme risk management. Because the appropriate normalization conditions often fail to be satisfied, we can informally see that after a recalibration of the effective frontier, we obtain from EVAR an accumulated resilience aspect to these rare events while also observing the great potential of entropy-based models to replicate non-linear dependencies between assets. The results show that models combining entropy and mutual information optimise the gain–loss ratio (GLR), providing stable diversification and improved risk management, while maximising returns in complex and volatile market environments.
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 | 0,001 | 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 découle