英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料
关于比特币回报的决定因素：LASSO方法
Theodore Panagiotidis ，Thanasis Stengos ，Orestis Vravosinos
一个希腊马其顿大学，加拿大圭夫大学，西班牙巴塞罗那经济学研究生院
关键词：比特币、加密货币、汇率、回报、LASSO
摘要：我们考察了2010-2017年间21种比特币回报的潜在驱动的重要性（每天观察2533种）。在一个LASSO框架中，我们测试了一系列因素的影响，比如股市回报率，汇率，黄金和石油的回报，FED率和ECB率，以及互联网在交替周期内对比特币回报的取向。调查密度和黄金回报危机是比特币回报最重要的变量。
- 介绍
自从Nakamoto推出比特币以来，它已经成为投资者和调查者关注的重点。消费者群体，数字货币市场的交易频率，以及接受比特币支付的企业和组织的数量都在迅速扩大。除了作为交换媒介的用处，比特币还具有一些作为资产的有利特征，如对冲，多样化和避险以及提供相关文献的评论的能力。
本研究的目的是确定比特币回报的协变量。我们几乎检查文献中提出的所有潜在驱动因素：股票市场指数，汇率，黄金和石油，央行利率，互联网趋势以及使用最小绝对收缩和选择操作框架（LASSO）的比特币收益的政策不确定性。LASSO回归的优点是我们考虑所有潜在的驱动因素，但只选择了一部分协变量。本文的其余部分安排如下：第2节介绍所使用的数据和方法，第3节讨论结果，最后一节总结。
- 理念
所使用的数据是每日（7天工作周），涵盖2010年6月17日至2017年6月23日期间（2533次观察）。所有自变量及其来源的清单见附录（表3 ）。维基百科的趋势数据是使用包检索“ wikipediatrend ”，他们直到2016年1月21日才能获取。最近的数据来自tools.wm LLED FL abs.org。强调由于积极和负面事件在利息方面的不同，发现在谷歌和维基百科的趋势上巨大的不同在于比特币的价格是否高于或低于趋势。我们遵循后者的直觉并分析分析中使用的所有互联网趋势变量如下：
以上 - 趋势互联网反馈t = 互联网趋势D t ·
下面 - 趋势互联网反馈t = 互联网趋势t ·（1 - D）
其中D是一个虚拟变量取值为1，当互联网趋势变量高于其7天简单移动平均线时为0，低于此时为0。不是每日频率或5天周频率的变量值已经线性插值。除了央行利率以外所有的变量都被用在一阶对数上，因此他们是静止的并且他们的系数相同。继Forbes和Rigobon后，我们通过对除央行利率外所有变量运用起伏的平均两个小时考虑了证券市场开门的时间的不同。
我们分别考虑完整样本及其三个子阶段：（1）2010 年7月24日- 2013 年10月1日，（2）2013 年10月2日- 2017 年1月3日和（3）2017 年1月4日- 2017 年6月23日。这三个时期的选择由(1)激发，比特币市场已经经历的不同阶段（我们通过考虑大多数加密货币的事件来鉴别他们）。（2）的ADF断点单位根检验（打破拦截和趋势）。 附录中的图1 和图2 显示了coindesk比特币价格指数（BPI）和ADF断点单位根检验t-统计量。所述的网络连接第一个时期对应于2013年末比特币繁荣之前相对不太动荡的时代以及Gox先生对贸易和申请破产保护的怀疑。第二个是崩溃和逐渐恢复的时期，而第三个对应于最近所谓的泡沫。
我们使用两个R包来估计三个时期中每一个的LASSO模型和整个样本：“glmnet”和“lars”。LASSO是一种选择程序，可执行变量选择和正则化，以提高预测准确性和可解释性。它把最小平方法和一个连续系列的完全系数的价值组合在一起。通过这种方式，它提供系数缩减（甚至设置一些接近于零）。从而，在线性回归自动化模型选择中，不像其他的模型选择标准，所得到的优化问题可被有效地解决。因为它是凸的（Hastie等，2009; 2015 ）。LASSO估算器是：
其中，y 是因变量的第i个观察，beta;0是截距，XIJ是第j个解释变量相应beta; Ĵ 的变量。是L1范数和用户指定的调整参数。
LASSO问题可以等效地用拉格朗日形式写成：
通常的做法是允许lambda; 变化，并通过交叉验证选择它的值。变量是标准化的，因此每个变量具有零均值和单位方差，否则估计将取决于测量单位。有关LASSO的更多信息，请参阅Tibshirani（1996年，2011年）; Hastie等人。（2009） 和Hastie等。（2015年）。
表1 总结了本文采用的方法。
使用的方法摘要。注意：Efron等人提出了最小角度回归（LARS）。（2004年）。Glmnet是一个包网络连接的TS经由最大似然广义线性模型（更多在这里看到：http://web.stanford.edu/~hastie/glmnet/glmnet_alpha.html ）。两个包采用双FF erent算法来实现套索; lars使用LARS算法，而glmnet使用坐标下降优化。
|
方法 |
详情- SPECI 科幻阳离子 |
|
glmnet LASSO |
比特币分布：高斯分布; 等观察权重为1; 调整参数的值数= 100; 没有拦截; 坐标下降的收敛阈值= 10 -7 ; 算法：协方差（保存所有计算出的内积） |
|
lars LASSO |
比特币分布：高斯分布; 没有拦截; 用于调整参数的10倍交叉验证 |
系数每个时期的独立变量的客户和总样本注：ECB DFR在第3期没有变化，因此，没有包含在模型中。
结果
表2 给出了每个模型的独立变量的系数排名基于系数的绝对值在样品总数的LASSO模型。图3 以图形方式显示了 LASSO结果。系数的幅度是在垂直轴上，并在水平的L1范数来测量。显科幻一个系数的着性是重新在随着一个移动到在其测量L1范数，横轴的右侧。在采用总样本的情况下，网络连接从0发散RST协变量的Google（图3 和表2 提供了相同的结果）。
在这两种方法LASSO（glmnet和Lars），Google 和黄金脱颖而出，成为具有最大的正安科系数。最大的负面系数连接到Google-中国的不确定性指数（CEPU）。第三期间揭示了一个较高的负系数欧洲不确定性（EEPU）和较高的正系数（在的情况下，分别 0.056和0.15 LASSO）石油和日经。
所有的不确定性指数一FF ECT比特币以下顺序（更负负返回 网络RST）：CEPU，EEPU和USEPU。所有的汇率FF ECT比特币以下顺序正返回（更积极的 网络连接RST）：日元/美元，人民币/美元，美元/欧元和英镑/美元）。正也是电子FF 的ECT利率与欧洲央行比美联储更明显。捕获信息需求（或搜索强度）的变量具有预测的标志：对于Google 和Wiki 为正，对于Google-和Wiki-为负。图片是混合股市：正面是电子FF DJ，SSEC和纳斯达克的ECT和消极的是SP350，NIKKEI和VXD的。黄金和石油勘探FF结果发现是积极的。
结论
本文认为21变量能够在FF ECT比特币的回报。套索回归允许在分析中进行变量选择和正则化。搜索强度（Google），黄金回报和政策不确定性被认为是最重要的。总体电子FF ECT对比特币的回报是：（i）由不确定性阴性，（ii）从汇率阳性，（iii）由利率阳性;（四）积极为黄金和石油，（五）预计一个从信息需求和（vi）从股票市场混合。在最近一段时期，欧洲经济政策的不确定性，NIKKEI指数和负面谷歌趋势反馈出现了比特币的决定因素。
附录
使用的变量，（7天工作周）样本：2010 年6 月17日- 2017 年6月23日（2533观察）。
图1. Coindesk比特币价格指数
图2. ADF断点单位根测试t-统计。
图3 glmnet LASSO COE FFI cient路径。
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[20529]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
