Exploring the Asymmetric Multifractal Dynamics of DeFi Markets
Notice bibliographique
Résumé
The rapid growth of decentralized finance (DeFi) has revolutionized the global financial landscape, providing decentralized alternatives to traditional financial services. This study investigates the asymmetric multifractal behavior of nine DeFi markets—AAVE, Pancake Swap (CAKE), Compound (COMP), Curve Finance (CRV), Maker DAO (MKR), Synthetix (SNX), Sushi Swap (SUSHI), UniSwap (UNis), and Yearn Finance (YFI)—using Asymmetrical Multifractal Detrended Fluctuation Analysis (A-MFDA). The use of generalized Hurst exponents, Rényi exponents, and singularity spectrum functions revealed that DeFi markets exhibit multifractal behaviors. The analysis uncovered clear differences between uptrend and downtrend fluctuation functions, highlighting asymmetric multifractal behavior. The asymmetry intensity was analyzed through excess differences in uptrend and downtrend generalized Hurst exponents. AAVE, COMP, SNX, UNis, SUSHI, and MKR exhibit negative asymmetry, with stronger correlations during negative trends. CAKE shifts from positive to negative asymmetry, showing sensitivity to both trends. CRV is more volatile in negative trends, while YFI consistently displays positive asymmetry across market fluctuations. The results also reveal that long-term correlations and heavy-tailed distributions contribute to the multifractality of DeFi assets. This study highlights the need for dynamic risk management in DeFi markets, urging investors to adopt adaptive strategies for volatile assets and prepare for sudden price fluctuations to safeguard investments.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».