Explaining cryptocurrency returns: A prospect theory perspective

Chen, Rongxin; Lepori, Gabriele M.; Tai, Chung-Ching; Sung, Ming‐Chien

doi:10.1016/j.intfin.2022.101599

Cited by 13 publications

(9 citation statements)

References 65 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The estimates based on the conditional mean estimation reinforce the findings from portfolio analysis, indicating an inverse relationship between PTV and CC returns. This aligns with previous studies by Barberis et al (2016), Chen et al (2022), and Wang et al (2021) that have observed a similar mean relationship between returns and PTV. However, it is essential to acknowledge that CC data exhibit non-linearities, skewness and excess kurtosis, which limit the insights derived solely from estimations based on the conditional mean.…”

Section: Regression Analysissupporting

confidence: 92%

“…In the subsequent sections of the paper, I employ the panel fixed effect model to explore the dependence and to gain insights into the relationship. Following the approach of Chen et al . (2022), my interpretation is as follows: over time, as the PTV of a CC increases (decreases) relative to the average PTV of active CCs in the cross-section, its subsequent return falls (rises) relative to the average returns of all CCs in the cross-section.…”

Section: Empirical Analysismentioning

confidence: 99%

“…Against this backdrop, CC markets provide a fertile ground fittingly apt to test the PT model (Chen et al ., 2022). This is so because CCs lack fundamental economic value (Cheah and Fry, 2015; Mnif et al ., 2022); therefore, investor behavior is a defining component of the CC market.…”

Section: Introductionmentioning

confidence: 99%

See 2 more Smart Citations

Behavioral biases of cryptocurrency investors: a prospect theory model to explain cryptocurrency returns

Yadav

2024

RBF

View full text Add to dashboard Cite

PurposeThe study aims to test prospect theory (PT) predictions in the cryptocurrency (CC) market. It proposes a new asset pricing model that explores the potential of prospect theory value (PTV) as a significant predictor of CC returns.Design/methodology/approachThe study comprehensively analyses a large sample set of 1,629 CCs, representing more than 95% of the CC market. The study uses a portfolio analysis approach, employing univariate and bivariate sorting techniques with equal-weighted and value-weighted portfolios. The study also employs ordinary least squares (OLS) regression, panel data methods and quantile regression (QR) to estimate the models.FindingsThis study demonstrates an average inverse relationship between PTV and CC returns. However, this relationship exhibits asymmetry across different quantiles, indicating that investor reactions vary based on market conditions. Moreover, PTV provides more robust predictions for smaller CCs characterized by high volatility and illiquidity. Notably, the findings highlight the dominant role of the probability weighting (PW) component in PT for predicting CC behaviors, suggesting a preference for lottery-like characteristics among CC investors.Originality/valueThe study is one of the early studies on CC price dynamics from the PT perspective. The study is the first to apply a QR approach to analyze the cross-section of CCs using a PT-based asset pricing model. The results shed light on CC investors' decision-making processes and risk perception, offering valuable insights to regulators, policymakers and market participants. From a practical perspective, a trading strategy centered around the PTV effect can be implemented.

show abstract

Section: Regression Analysissupporting

confidence: 92%

Section: Empirical Analysismentioning

confidence: 99%

See 1 more Smart Citation

Behavioral biases of cryptocurrency investors: a prospect theory model to explain cryptocurrency returns

Yadav

2024

RBF

View full text Add to dashboard Cite

show abstract

“…En el ocaso de la teoría financiera neoclásica, Kahneman, en su crítica a la Teoría de la Utilidad Esperada, en contraste con los modelos neoclásicos de valoración de activos, desarrolla a finales de los años 70 un modelo alternativo "La Teoría de la Perspectiva" [165]. Este enfoque basado en el análisis de decisiones de alternativas de inversión bajo riesgo describe muchos de los problemas de elección en los que las preferencias violan los supuestos de la teoría de la utilidad [166]. En la misma línea, Gigerenzer [167,168] encontró que el razonamiento rápido centrado en la elección, en condiciones de incertidumbre, es el desencadenante del uso de la heurística para la toma de decisiones financieras [169].…”

Section: Irracionalidad Del Mercadounclassified

“…[535] con el algoritmo de enseñanza y aprendizaje (TLBO) optimizan los hiperparametros de una red neuronal convolucional hibrida con memoria a corto plazo (HPT-HCLSTM) para predecir el precio de las acciones y reducir el error de predicción. [166] introduce un método de optimización de parámetros para SVM a fin de mejorar el rendimiento de la predicción de precios de futuros de EUA (European allowance). [536] desarrollan una CNN y un algoritmo selector de características para optimizar los parámetros de una arquitectura híbrida de redes neuronales profundas CNN y memoria a largo plazo LSTM y logran una precisión del 98.31% en datos bursátiles de la Bolsa de Ghana (GSE).…”

Section: Definición De Hiperparámetrosunclassified

Modelo de análisis multivariante aplicado a la predicción de la tendencia del tipo de cambio euro-dólar

Argotty Erazo

View full text Add to dashboard Cite

Predecir los precios y las tendencias de los instrumentos financieros para mejorar la efectividad de las decisiones de inversión es un reto clave para la industria financiera y los agentes implicados. Aunque se han utilizado muchas técnicas eficaces de inteligencia artificial en el análisis de las series de tiempo, el problema de predecir la dirección del movimiento de los tipos de cambio en el mercado Forex aún requiere soluciones parsimoniosas, descifrables y precisas. Desde la perspectiva del análisis técnico, esta investigación presenta una metodología novedosa para clasificar la dirección de la tendencia de los tipos de cambio. La metodología utiliza puntos de inflexión y datos de mercado que miden la acción de los precios, junto con las diferencias multidimensionales entre tendencias, para construir una función lineal discriminante (LDA).La metodología propuesta consta de cinco fases: preparación de datos, selección de características, detección de estructuras subyacentes, formulación de una función discriminante lineal y evaluación del desempeño del modelo con datos dentro y fuera de la muestra. Los experimentos se realizaron con datos de mercado del tipo de cambio euro-dólar en marcos de tiempo de 15 minutos y 1 semana, y una colección de puntos de inflexión del mercado (ET) definidos por un modelo de negociación algorítmico. El período de muestra va desde enero de 1999 hasta abril de 2023.En contraste con algunos trabajos notables publicados en la literatura científica como la Memoria a Corto Plazo (LSTM), el Aprendizaje Profundo por Refuerzo (DRL), el Análisis Wavelet (WA), el Análisis de Sentimiento de Contenido Textual, las Máquinas de Vectores de Soporte (SVM) y los Algoritmos Genéticos (GA), la metodología propuesta logró una precisión de clasificación del 98.77% con datos fuera de muestra. Estos resultados respaldan la construcción de métodos de clasificación interpretables, generalizables, precisos y parsimoniosos, lo que sugiere mejoras significativas en el rendimiento financiero y la reducción del riesgo en las estrategias de negociación. Además, esta metodología es aplicable en la selección de variables y se adapta fácilmente a otros activos financieros.

show abstract

Cryptocurrencies and Lucky Factors: The value of technical and fundamental analysis

et al. 2023

View full text Add to dashboard Cite

This study explores the effectiveness of technical and fundamental analysis in predicting and trading the returns of 12 cryptocurrencies, namely Bitcoin, Ethereum, Ripple, Dash, Cardano, Avalanche, Binance Coin, Dogecoin, Polkadot, Litecoin, Terra and Solana. A universe of 7846 technical rules, five log moving average‐based ratios and 59 fundamental factors are used to test predictability and profitability through the Lucky Factors methodology and Superior Predictive Ability test. We observe predictability for a small set of technical and fundamental rules, while only the short‐term log moving average‐based ratio and Hashrate Index demonstrate genuine in‐sample and out‐of‐sample profitability. Our findings question the value of both technical and fundamental analysis on cryptocurrencies.

show abstract

Explaining cryptocurrency returns: A prospect theory perspective

Cited by 13 publications

References 65 publications

Behavioral biases of cryptocurrency investors: a prospect theory model to explain cryptocurrency returns

Behavioral biases of cryptocurrency investors: a prospect theory model to explain cryptocurrency returns

Modelo de análisis multivariante aplicado a la predicción de la tendencia del tipo de cambio euro-dólar

Cryptocurrencies and Lucky Factors: The value of technical and fundamental analysis

Contact Info

Product

Resources

About