Can Including Cryptocurrencies with Stocks in Portfolios Enhance Returns in Small Economies? An Analysis of Fiji’s Stock Market
Notice bibliographique
Résumé
The market for digital assets, and more specifically cryptocurrencies, is growing, although their adoption in small island countries remains absent. This paper explores the potential benefits of integrating cryptocurrencies into portfolios alongside stocks, with a focus on Fiji’s stock market. This is the first study on a small market like Fiji, which emphasizes the role of cryptocurrencies in portfolio management. We analyze the outcomes (returns and risks) of combining cryptocurrencies with stocks using 12 different techniques. We use monthly stock returns data of 18 companies listed on the South Pacific Stock Exchange from Aug-2019 to Jun-2025 (71 months) and nine cryptocurrencies from Sept-2019 to Jun-2025 (70 months). Our main analysis shows that only one cryptocurrency, albeit with a small exposure, consistently appears in the stock-cryptocurrency portfolios in the 12 methods. Using the return-to-risk ratio across methods as a guide, we find that the stocks-cryptocurrencies portfolio based on EQW, MinVar, MaxSharpe, MinSemVar, MaxDiv, MaxDeCorr, MaxRMD, and MaxASR offers better outcomes than the stock-only portfolios. Using high returns as a guide, we find that six out of 12 methods (EQW, MaxSharpe, MaxSort, MaxCEQ, MaxOmega, and MaxUDVol) support the stocks-cryptocurrencies portfolios. Portfolios satisfying both conditions (high return-risk ratio and high return) are supported by the EQW and MaxSharpe portfolios. The consistency of assets in both stock and stock−cryptocurrency portfolios is further confirmed by 24-month out-of-sample forecasts and Monte Carlo simulations, although the latter supports small exposures in two out of the nine cryptocurrencies. Based on the results, we conclude that a small exposure to certain cryptocurrencies can strengthen diversification and improve potential returns.
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 ».