加密货币中的社群检测及其潜在应用于投资组合多样化
摘要：加密货币回报的交叉相关性进行了分析 通过比较交叉相关矩阵C的特征值和特征向量组分与随机矩阵理论（RMT）的假设，首先分析了一年间146种加密货币的数据，时间从2019年1月1日到2019年12月31日。结果显示C偏离了这些假设，表明C包含了不同加密货币之间相关性的真实信息。接下来，应用Louvain社区检测方法作为聚类机制，检测到了15个社区分组。最后，对每个聚类的标准化回报进行主成分分析（PCA）以创建加密货币投资组合。与同一年的市场排名相比，该方法选择了一个包含多个高价值币的投资组合。为了评估初始结果的连续性，该方法还应用于T = 125天的三个时间段的前50种加密货币的较小数据集，得出了相似的结果。本文的结果表明，这些方法可能对构建优化表现的加密货币投资组合有用。
作者：J. Gavin, M. Crane
论文ID：2108.09763
分类：Computational Finance
分类简称：q-fin.CP
提交时间：2021-08-24