网络安全检测|网络安全服务|网络安全扫描-香港墨客投资移动版

期刊链接：https://www.mdpi.com/journal/jrfm

微信链接：

本期我们从Journal of Risk and Financial Management (JRFM) 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。

1. Spillover Risks on Cryptocurrency Markets: A Look from VAR-SVAR Granger Causality and Student’s-t Copulas

加密货币市场的溢出风险：自回归因果关系和Student’s-t Copulas分析

Toan Luu Duc Huynh

Doi link: doi.org/10.3390/jrfm12020052

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。

2. A Survey on Efficiency and Profitable Trading Opportunities in Cryptocurrency Markets

关于加密货币市场的效率和盈利交易机会的调查

Nikolaos A. Kyriazis

Doi link: doi.org/10.3390/jrfm12020067

图片来源：Pixabay

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。

3. Sentiment-Induced Bubbles in the Cryptocurrency Market

加密货币市场上情绪引发的泡沫

Cathy Yi-Hsuan Chen * and Christian M. Hafner

Doi link: doi.org/10.3390/jrfm12020053

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。

4. Next-Day Bitcoin Price Forecast

比特币次日价格预测

Ziaul Haque Munim *, Mohammad Hassan Shakil and Ilan Alon

Doi link: doi.org/10.3390/jrfm12020103

静态预测方法说明

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。

5. Statistical Arbitrage in Cryptocurrency Markets

加密货币市场的统计套利

Thomas Günter Fischer *, Christopher Krauss and Alexander Deinert

Doi link: doi.org/10.3390/jrfm12010031

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。

6. Trend Prediction Classification for High Frequency Bitcoin Time Series with Deep Learning

基于深度学习的高频比特币时间序列趋势预测分类

Takuya Shintate and Lukáš Pichl *

Doi link: doi.org/10.3390/jrfm12010017

表4：向前推进优化的可视化。