Negli ultimi anni, il mercato delle criptovalute ha conosciuto una forte crescita, diventando oggetto di interesse da parte di investitori e ricercatori. Attualmente esistono più di 8000 criptovalute sul mercato, tra le quali la più nota e diffusa è Bitcoin (BTC). Grazie al successo ottenuto dall'introduzione del Bitcoin, il mercato delle criptovalute si è rapidamente ampliato includendo nuove valute digitali. Nella classifica delle prime 100, in termini di capitalizzazione del mercato, oltre al Bitcoin troviamo Ethereum(ETH) , Litecoin(LTC) ed infine Ripple(XRP). Diversi ricercatori hanno cercato di comprendere meglio gli andamenti delle serie temporali delle criptovalute adottando diversi metodi di approccio come, per esempio, l'utilizzo di tecniche di multifrattalità per analizzare il mercato di Bitcoin. Il presente lavoro si basa sull'articolo “Extracting Rules via Markov Chains for Cryptocurrencies Returns Forecasting” (Nascimento et al. 2023), il quale rappresenta il primo studio che utilizza Catene di Markov di ordine dal primo al decimo per estrarre regole da utilizzare per prevedere i rendimenti logaritmici giornalieri delle criptovalute. Le Catene di Markov, infatti, rappresentano uno strumento molto efficace per lo studio dei processi stocastici in cui il valore futuro dipende dallo stato attuale oppure da una sequenza finita di stati precedenti. A partire da tale studio, si è deciso poi di fare una estensione del modello di previsione proposto dall'articolo, al fine di valutare se scelte differenti di discretizzazione dei dati e di struttura del modello possano portare a dei risultati previsivi migliori. In particolare, l'estensione viene condotta in due direzioni: da un lato, modifichiamo la discretizzazione della serie dei rendimenti logaritmici giornalieri introducendo una categorizzazione basata sui percentili; dall'altro, utilizziamo un modello di previsione basato su Catene di Markov bivariate al fine di tener conto della dipendenza dal Bitcoin delle altre criptovalute.

Applicazione delle Catene di Markov per la previsione dei rendimenti logaritmici delle criptovalute

SILVESTRO, GIULIA
2024/2025

Abstract

Negli ultimi anni, il mercato delle criptovalute ha conosciuto una forte crescita, diventando oggetto di interesse da parte di investitori e ricercatori. Attualmente esistono più di 8000 criptovalute sul mercato, tra le quali la più nota e diffusa è Bitcoin (BTC). Grazie al successo ottenuto dall'introduzione del Bitcoin, il mercato delle criptovalute si è rapidamente ampliato includendo nuove valute digitali. Nella classifica delle prime 100, in termini di capitalizzazione del mercato, oltre al Bitcoin troviamo Ethereum(ETH) , Litecoin(LTC) ed infine Ripple(XRP). Diversi ricercatori hanno cercato di comprendere meglio gli andamenti delle serie temporali delle criptovalute adottando diversi metodi di approccio come, per esempio, l'utilizzo di tecniche di multifrattalità per analizzare il mercato di Bitcoin. Il presente lavoro si basa sull'articolo “Extracting Rules via Markov Chains for Cryptocurrencies Returns Forecasting” (Nascimento et al. 2023), il quale rappresenta il primo studio che utilizza Catene di Markov di ordine dal primo al decimo per estrarre regole da utilizzare per prevedere i rendimenti logaritmici giornalieri delle criptovalute. Le Catene di Markov, infatti, rappresentano uno strumento molto efficace per lo studio dei processi stocastici in cui il valore futuro dipende dallo stato attuale oppure da una sequenza finita di stati precedenti. A partire da tale studio, si è deciso poi di fare una estensione del modello di previsione proposto dall'articolo, al fine di valutare se scelte differenti di discretizzazione dei dati e di struttura del modello possano portare a dei risultati previsivi migliori. In particolare, l'estensione viene condotta in due direzioni: da un lato, modifichiamo la discretizzazione della serie dei rendimenti logaritmici giornalieri introducendo una categorizzazione basata sui percentili; dall'altro, utilizziamo un modello di previsione basato su Catene di Markov bivariate al fine di tener conto della dipendenza dal Bitcoin delle altre criptovalute.
2024
Markov chains model to forecast cryptocurrencies logarithmic returns
Catene di Markov
Criptovalute
Previsioni
File in questo prodotto:
File Dimensione Formato  
Silvestro_Giulia.pdf

Accesso riservato

Dimensione 3.42 MB
Formato Adobe PDF
3.42 MB Adobe PDF

The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12608/102026