加密资产因子模型

@第{条Kakushadze2018CryptoassetFM，title={加密资产因子模型}，作者＝{Zurab Kakushadze}，journal={ERN:其他计量经济学：计量经济学与统计方法-专题（主题）}，年份={2018年}，url={https://api.semanticscholar.org/CorpusID:127980040}}
实证分析确定了似乎对每日加密资产回报有重大贡献的主导因素，并表明，加密资产可能会进行横截面统计套利交易，但需进行有效执行和做空。
[PDF]语义阅读器
6引文
背景引文
三

询问这篇论文
贝塔
人工智能驱动

我们的系统试图限制本文中找到的信息。结果质量可能有所不同。了解更多信息关于我们如何产生这些答案。

6引文

动量还是反转：加密货币的第三个适当因素是什么？

加密货币交易：综合调查

本文全面综述了加密货币交易研究，涵盖了146篇关于加密货币交易各个方面的研究论文（例如，加密货币交易系统、泡沫和极端条件、波动性和回报预测、加密资产组合构建和加密资产、技术交易等）。

基于支持向量机的加密货币价格预测与交易策略

这项工作开发了一种策略，用于将1小时前的类预测转化为交易决策，以及一个在现实环境中模拟交易的回溯测试器，并发现支持向量机产生了最有利可图的交易策略。

CBITS：加密BERT公司交易系统

本研究通过关注两个分数的有效性，回答了“在BTC交易系统中，LM是否可以通过有效地应用自然语言处理任务的情绪分数和图表分数来获利？”的问题，这两个分数对交易系统的利润有显著影响。

投资者对加密代币监管的反应

得出的结论是，加密代币投资者平均预计监管成本会很高，但对于信息环境更好的代币和与社交媒体追随者接触更多的加密代币发行人来说，监管成本会更低。

加密货币谱简析

本文试图深入研究与加密货币相关的全球操作，作为一种普遍现象的一部分，并揭示与网络犯罪的一些交叉点。

52参考文献

机器学习加密货币市场

研究表明，由最先进的机器学习算法辅助的简单交易策略优于标准基准，有助于预测加密货币市场的短期演变。

基于用户评论和回复的加密货币交易波动预测

本文通过分析在线加密货币社区中的用户评论，使用简单有效的方法预测加密货币价格和交易数量的波动。

热门因素或创新潜力：加密货币的回报是什么？

研究结果表明，加密货币的行为与传统货币或商品不同，这与大多数先前的研究所假设的不同，并描述了一个比以前的研究所暗示的更加成熟、投机性更少的行业。

告诫买主：比特币能促进投资组合多元化吗？

比特币是一种不受监管的数字货币，最初于2008年推出，没有法定货币地位。基于分散的对等网络来确认交易并生成有限的…

加密货币：一个新的投资机会？

结果表明，加密货币和传统资产之间的回报相关性很低，将CRIX回报添加到传统资产组合中可以提高风险回报表现。

比特币市场的一些典型事实

基于推特情感分析的加密货币算法交易

本文证明了与加密货币相关的推特数据是否可以通过监督机器学习技术来开发有利的加密货币交易策略，并概述了几个机器学习管道，目的是识别加密货币市场的动向。

比特币价格的驱动因素

本文使用了一种名为经验模式分解（EMD）的新技术，通过该技术，复杂的数据集可以被分解为少数独立的、具体隐含的内在模式，这些模式允许良好的希尔伯特变换。

定制与标准化风险模型

这项工作讨论了何时以及为什么定制多因素风险模型是有保证的，并给出了计算一些风险因素的源代码，并讨论了定制风险模型构建的各个方面。

基于大典型少数人博弈的比特币市场波动性分析

大典典少数人游戏（GCMG，一个高度简化的金融市场模型）被用作比特币市场的模型，以表明“矿工”的收入缺乏（类似于债券持有人获得的收益）可能是基准货币比特币价格高度波动的结构性原因。
...