日本神户大学Shigeyuki Hamori教授推荐-JRFM“金融科技与创新”论文精选 MDPI 编辑荐读

Journal of Risk and Financial Management) 期刊挑选了几篇来自“金融科技与创新”专题的优秀论文。这些文章的主题包括了加密货币的分析、机器学习技术的应用和高频数据的使用等等,其研究对象和分析方法与现今前沿的学术研究密切相关,欢迎大家阅读和引用。

向量自回归因果关系,符号*,**和***分别表示10%,5%和1%水平的显着性。

作者通过使用向量自回归 (VAR) 模型、结构性向量自回归 (SVAR) 和Students-t Copulas函数,研究了加密货币市场的溢出效应。基于VAR和SVAR模型的实证结果表明,以太坊是加密市场中比较独立的货币,而比特币则很容易受到市场影响,其可能是加密货币市场的溢出效应的接受者。另外,基于Students-t Copulas函数的结果表明,所有货币在极值上都具有联合分布的趋势,在极端情况下,所有加密货币都会趋向负极变化。

作者调查了加密货币定价行为的可预测性。本文是对现有的关于加密货币市场能否超越普通市场,从而导致投资者非正常获利的第一次彻底而又综合的调查。他们的调查报告称,大多数学术论文都证明了比特币和其他重要数字货币的低效率,由此导致了投机交易的可行性。

上图为加密货币指数CRIX (上面板) 和情绪指数 (下面板)。下图为阴影部分对应估算的泡沫期。

本文作者提出了一种新的基于StockTwits情绪的投机泡沫检验方法,并将StockTwits情绪作为平稳过渡自回归中的过渡变量,应用于加密货币指数 (CRIX)。研究结果表明,波动性与情绪指数呈负相关,说明坏情绪或消息会增加波动性,这与传统金融市场中通常称为杠杆效应 (Leverage Effect) 的特征是一致的。换句话说,杠杆效应明显是由情绪指数驱动的。

本文比较了自回归综合移动平均 (ARIMA) 模型和神经网络自回归 (NNAR) 模型之间的比特币价格预测性能。报告称,ARIMA模型在测试样本的均方根误差 (RMSE)、平均绝对百分比误差 (MAPE) 和平均绝对缩放误差 (MASE) 方面优于NNAR模型。Diebold-Mariano检验结果也表明,ARIMA的预测结果比NNAR的预测更准确。这些结果表明ARIMA模型在预测比特币价格方面优于NNAR模型。

表3:开发随机森林模型 (RF) 在投资排名前3位和排名后3位的比特币 (BTC) 和一般市场 (MKT) 时的财务业绩,即在交易期开始时对所有的比特币进行同等投资。

作者利用机器学习技术,分析了统计套利策略如何在加密货币空间数据中发挥作用。通过使用随机森林技术 (Random Forest),他们发现加密货币市场可能不遵循市场效率的次强形式。

本文作者使用结构化框架来分析限制订单数据,以识别成熟金融市场和主要加密货币交易市场之间的异同。他们发现在这些方面二者有很多相似点:平均限价指令对称、流动性分散、低频率收益无自相关、股票水平收益负自相关、波动率聚类、收益非正态性、大宗交易时机等。同时,他们也发现同成熟金融市场相比,加密货币交易市场有这些特点:限价指令账簿相对较简单、流动性成本相对较高、当天交易模式较弱、小交易频繁、限价单价格分布广泛等。

本文作者分析了比特币的高频收益及其实际波动性。虽然没有发现任何可以预测一天以上收益的证据,但他们发现了预测6小时以内样本频率的可能。该结果还表明了以下几个点:实际波动率的可预测性随着时间的推移而增加;杠杆成分有助于预测未来的波动水平;可预见性取决于预测范围。

作者使用了几种机器学习技术,其中包括逻辑回归 (Logistic Regression)、决策树 (Decision Trees)、神经网络 (Neural Networks)、梯度增强 (Gradient Boosting) 和支持向量机 (Support Vector Machines) 等,来研究财务和非财务比率对小企业的生存是否重要的问题。他们发现几种财务比率(资产经营盈利能力、流动资产周转率、资本比率、短期负债权益覆盖率、固定资产权益覆盖率、财务净盈余在负债总额中所占比例)和两种非金融因素 (活动部门和就业部门) 是预测小型企业失败的重要依据。

Journal of Risk and Financial Management(ISSN 1911-8074) 是一个国际型开放获取期刊。期刊主题涵盖风险、金融经济学、数学金融、金融市场、银行与金融、金融科技与创新、可持续金融、企业金融、旅游经济学与金融管理、应用经济学与金融等,目前期刊已被ESCI (Web of Science) 数据库收录。JRFM采取单盲同行评审,一审周期约为18.2天,文章从接收到发表仅需3.9天。

特别声明:本文转载仅仅是出于传播信息的需要,并不意味着代表本网站观点或证实其内容的真实性;如其他媒体、网站或个人从本网站转载使用,须保留本网站注明的“来源”,并自负版权等法律责任;作者如果不希望被转载或者联系转载稿费等事宜,请与我们接洽。

走近国家教育部先进涂料工程研究中心——对话复旦大学武利民教授 MDPI 人物专访

走近中国科学院理论物理研究所——对话Symmetry编委邹冰松研究员 MDPI 人物专访

新一代光学永久记录方法:5D光数据存储 MDPI Micromachines

对话北京科技大学金属材料重点实验室科研领头人张勇博士 MDPI Metals

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注