Toda-Yamamoto vs Differenced Granger: Does the BTC Lead-Lag Survive?

क्रिप्टो पर लगभग हर प्रकाशित ग्रेंजर-कार्य-कारण परिणाम की गणना लॉग-रिटर्न पर की जाती है। वह विकल्प मुफ़्त नहीं है. अंतर करने से श्रृंखला स्थिर हो जाती है, जिसकी मानक एफ-परीक्षण को आवश्यकता होती है, लेकिन यह स्तर के संबंध को भी खारिज कर देता है - और यदि दो सिक्कों को एक साथ जोड़ा जाता है, तो अलग-अलग वीएआर को गलत तरीके से निर्दिष्ट किया जाता है और परीक्षण आपके द्वारा पूछे गए प्रश्न से थोड़ा अलग प्रश्न का उत्तर दे रहा है।

टोडा और यामामोटो (1995) एक रास्ता पेश करते हैं: अतिरिक्त अंतराल वाले स्तरों पर VAR को फिट करें, केवल मूल वाले का परीक्षण करें, और एक वैध प्राप्त करें $\chi^2$ इकाई जड़ों या सहएकीकरण की परवाह किए बिना। यह अर्थमिति में अच्छी तरह से जाना जाता है और लगभग कभी भी क्रिप्टो लीड-लैग पर लागू नहीं होता है।

तो यह आलेख एक काम करता है: दोनों परीक्षणों को एक ही जोड़ी पर, एक ही विंडो पर चलाएं, और रिपोर्ट करें कि क्या वे असहमत हैं। फिर ईमानदार अनुवर्ती लागू करें - परिणामी मैट्रिक्स पर एक सहसंबद्ध-पारिवारिक बहु-परीक्षण सुधार, और एक रोलिंग पी-वैल्यू यह देखने के लिए कि क्या "महत्वपूर्ण" अंतराल व्यापार करने के लिए पर्याप्त स्थिर है या बस सीमा पार झिलमिलाहट करता है।

नीचे दिया गया सिद्धांत केवल उतना ही है जितना तुलना को सुपाठ्य बनाने के लिए आवश्यक है। ब्लॉग में पहले से ही इकाई जड़ें, सह-एकीकरण, डेटा लोडिंग, आकार और लागत शामिल है; वे लिंक हैं, अनुभाग नहीं।

ग्रेंजर कार्य-कारण वास्तव में क्या दावा करता है

ग्रेंजर कार्य-कारण भविष्यवाणी पूर्वता है, तंत्र नहीं: $X$ ग्रेंजर-कारण $Y$ यदि अतीत $X$ के पूर्वानुमान त्रुटि विचरण को कम करता है $Y$ क्या अतीत से परे $Y$ पहले से ही समझाता है.

$X$ ग्रेंजर-कारण $Y$ अगर $\sigma^2(Y_t \mid Y_{t-1}, \ldots, Y_{t-p}) > \sigma^2(Y_t \mid Y_{t-1}, \ldots, Y_{t-p}, X_{t-1}, \ldots, X_{t-p})$

एक सामान्य छिपे हुए कारक द्वारा संचालित दो श्रृंखलाएं ग्रेंजर कार्य-कारण को दिखा सकती हैं, जिनके बीच कोई सीधा संबंध नहीं है। क्रिप्टो में वह चेतावनी अकादमिक नहीं है - बीटीसी पूरे altcoin परिसर में एक प्रमुख कारक है, इसलिए लगभग कोई भी ऑल्ट-टू-ऑल्ट "कारण-कारण" एक ही बीटीसी झटके के लिए अलग-अलग प्रतिक्रिया गति की एक उम्मीदवार कलाकृति है।

VAR ढाँचा

परीक्षण एक वेक्टर ऑटोरिग्रेशन के अंदर रहता है। दो वेरिएबल के लिए $p$ अंतराल:

मैट्रिक्स रूप में, एक VAR(p) के साथ $k$ चर:

चाहे परीक्षण $X$ ग्रेंजर-कारण $Y$ संयुक्त प्रतिबंध का परीक्षण कर रहा है $H_0: \beta_1 = \cdots = \beta_p = 0$ पहले समीकरण में. मानक मार्ग वर्गों के प्रतिबंधित बनाम अप्रतिबंधित अवशिष्ट योग पर एक एफ-परीक्षण है,

स्पर्शोन्मुख रूप से समकक्ष वाल्ड फॉर्म के साथ $W = T \cdot (RSS_r - RSS_u)/RSS_u \xrightarrow{d} \chi^2(p)$. इसके बाद जो कुछ भी आता है वह एक प्रश्न है किस गुणांक पर प्रतिबंध लागू किया गया है, और किस डेटा पर VAR लगाया गया था।

अंतराल चयन

$p$ अधिकांश लेखन में स्वीकार की गई बातों से कहीं अधिक मायने रखता है: बहुत कम अंतराल गतिशीलता को भूल जाते हैं, बहुत अधिक स्वतंत्रता की डिग्री को नष्ट कर देते हैं और शक्ति को नष्ट कर देते हैं।

उचित खोज सीमाएँ: दूसरे डेटा पर 1-60, मिनट डेटा पर 1-30, प्रति घंटे 1-48। बीआईसी यहां सही डिफ़ॉल्ट है - यह अधिक उदार मानदंड है, और तरल क्रिप्टो जोड़े में लीड-लैग एक छोटी-मेमोरी घटना है। नीचे दिया गया प्रत्येक परिणाम बीआईसी-चयनित की रिपोर्ट करता है $p$ ब्रह्मांड भर में एक अंतराल को ठीक करने के बजाय प्रति जोड़ी, क्योंकि एक निश्चित अंतराल चुपचाप अंतराल-चयन विकल्प को एक महत्व के दावे में बदल देता है।

विभेदित परीक्षण गलत डिफ़ॉल्ट क्यों है

क्रिप्टो मूल्य श्रृंखला I(1) हैं। सामान्य फिक्स - लॉग-रिटर्न लें - सह-एकीकरण स्तर की कीमत पर स्थिरता खरीदता है, और यदि जोड़ी लंबे समय तक चलने वाले संतुलन को साझा करती है तो अलग-अलग वीएआर को गलत तरीके से निर्दिष्ट किया जाता है। उस वाक्य के पीछे यूनिट-रूट और सह-एकीकरण मशीनरी (एडीएफ, एंगल-ग्रेंजर अपने मोंटे-कार्लो महत्वपूर्ण मूल्यों के साथ, वीएआर प्रणाली पर जोहान्सन) पहले से ही [सांख्यिकीय मध्यस्थता और जोड़े व्यापार] में शामिल है।/en/blog/post/statistical-arbitrage-pairs-trading-crypto); इसे यहीं मान लें. मुद्दा केवल इतना है कि सामान्य उपाय - अंतर, फिर परीक्षण - परिणामों के साथ एक मॉडलिंग निर्णय है, और टोडा-यामामोटो इसे करने से बचने का तरीका है।

टोडा-यामामोटो प्रक्रिया

एक VAR के साथ फ़िट करें $p + d_{max}$ पिछड़ जाता है, कहाँ $p$ इष्टतम अंतराल क्रम है और $d_{max}$ श्रृंखला का अधिकतम एकीकरण क्रम है, तो परीक्षण प्रतिबंध केवल पहले पर $p$ अंतराल. अतिरिक्त $d_{max}$ लैग गैर-स्थिरता को अवशोषित करते हैं; पहले पर वाल्ड आँकड़ा $p$ गुणांक एक मानक का पालन करता है $\chi^2(p)$ इस पर ध्यान दिए बिना कि श्रृंखला I(0), I(1), या सह-एकीकृत है।

1. निर्धारित करें $d_{max}$ - प्रत्येक श्रृंखला पर एडीएफ और केपीएसएस। क्रिप्टो कीमतों के लिए $d_{max} = 1$ लगभग हमेशा।
2. चुनें $p$ - स्तरों पर VAR फ़िट करें, BIC द्वारा चुनें।
3. संवर्धित VAR का अनुमान लगाएं($p + d_{max}$) स्तरों पर, कोई अंतर नहीं।
4. वाल्ड-टेस्ट सबसे पहले $p$ केवल पिछड़ जाता है, अनदेखा कर रहा है $d_{max}$ अतिरिक्त. परिणाम है $\chi^2(p)$.

भुगतान: कोई सह-एकीकरण पूर्व-परीक्षण नहीं, कोई अंतर नहीं, और सही परीक्षण आकार - शून्य के तहत अस्वीकृति दर नाममात्र के करीब रहती है, चाहे एकीकरण गुण कुछ भी हों। लागत यह है कि चरण 4 क्या नहीं है test_causality डिफ़ॉल्ट रूप से होता है, यहीं पर अधिकांश कार्यान्वयन चुपचाप गलत हो जाते हैं।

कार्यान्वयन

मान लें कि आपने पहले से ही डेटाफ़्रेम में मिनट बार को संरेखित कर लिया है - सीसीएक्सटी फ़ेच-एंड-इंडेक्स बॉयलरप्लेट [एचएमएम के साथ शासन का पता लगाने] में है (/en/blog/post/regime-detection-hmm-adaptive-trading), और चरण 1 के लिए आप जिस एडीएफ रैपर का उपयोग करेंगे वह [सांख्यिकीय मध्यस्थता और जोड़े व्यापार] में है (/en/blog/post/statistical-arbitrage-pairs-trading-crypto).

इनमें से किसी के चलने से पहले एक संस्करण नोट: grangercausalitytests(..., verbose=False) पदावनत कर दिया गया और फिर statsmodels 0.15 में हटा दिया गया। तर्क छोड़ें (फ़ंक्शन अब डिफ़ॉल्ट रूप से प्रिंट नहीं होता) या पिन करें statsmodels<0.15. नीचे दिया गया कोड आधुनिक हस्ताक्षर मानता है।

टोडा-यामामोटो, सही ढंग से किया गया

प्रतिबंध हाथ से बनाया जाना है। VARResults.test_causality फिट किए गए मॉडल में उत्पन्न करने वाले चर के सभी लैग्स का परीक्षण - एक संवर्धित VAR( पर)$p+1$) जिसमें शामिल है $d_{max}$ प्रतिबंध में अंतराल, जो बिल्कुल वही है जो टोडा-यामामोटो नहीं करने के लिए कहता है। फिक्स स्पष्ट है $R$ पूर्ण गुणांक सहप्रसरण के विरुद्ध मैट्रिक्स:

import numpy as np
from scipy.stats import chi2
from statsmodels.tsa.api import VAR


def toda_yamamoto_test(data, target, predictor, max_lag=15, d_max=1,
                       significance=0.05):
    """
    Toda-Yamamoto Granger causality on levels (no differencing).

    Fits VAR(p + d_max) and applies a Wald test to the predictor's
    coefficients at lags 1..p ONLY, leaving the d_max augmenting lags
    unrestricted. Statistic is chi2(p).
    """
    pair = data[[target, predictor]].dropna()
    n_vars = pair.shape[1]
    target_idx = list(pair.columns).index(target)
    pred_idx = list(pair.columns).index(predictor)

    model = VAR(pair)
    p = model.select_order(maxlags=max_lag).bic or 1
    res = model.fit(p + d_max)

    beta = res.params.values.ravel(order="F")
    cov = res.cov_params()
    cov = cov.values if hasattr(cov, "values") else np.asarray(cov)

    n_per_eq = res.params.shape[0]
    idx = [target_idx * n_per_eq + 1 + lag * n_vars + pred_idx
           for lag in range(p)]                      # first p lags only

    R = np.zeros((p, beta.size))
    R[np.arange(p), idx] = 1.0

    Rb = R @ beta
    V = R @ cov @ R.T
    wald = float(Rb @ np.linalg.solve(V, Rb))        # no pinv: V must be PD
    p_value = float(chi2.sf(wald, df=p))

    return {
        "target": target, "predictor": predictor,
        "p": p, "augmented_lag": p + d_max, "d_max": d_max,
        "wald_stat": wald, "p_value": p_value,
        "significant": p_value < significance,
    }

दो विवरण जो गलत होना आसान है और यदि आप ऐसा करते हैं तो परीक्षण अमान्य हो जाएगा। सबसे पहले, सूचकांक अंकगणित को इस बात से मेल खाना चाहिए कि स्टैटमॉडल कैसे समतल होते हैं params - एक फिटेड मॉडल पर सत्यापित करें beta[target_idx * n_per_eq + 1] के बराबर होती है res.params.iloc[1, target_idx] किसी भी पी-वैल्यू पर भरोसा करने से पहले। दूसरा, उपयोग करें np.linalg.solve, नहीं pinv: अगर $V$ एकवचन है, प्रतिबंध खराब है और एक विश्वसनीय दिखने वाली संख्या लौटाने के बजाय रन को जोर से विफल होना चाहिए। यहां एक छद्म-उलटा यह है कि कैसे टूटे हुए वाल्ड परीक्षण कोड समीक्षा से बचे रहते हैं।

तुलना के लिए मानक भिन्न ग्रेंजर

तुलना की आधार रेखा - लॉग-रिटर्न, समान जोड़े, समान बीआईसी अंतराल:

from statsmodels.tsa.stattools import grangercausalitytests


def differenced_granger(data, target, predictor, p):
    """Standard Granger test on log-returns at a fixed lag p."""
    pair = data[[target, predictor]].dropna()   # returns, not levels
    out = grangercausalitytests(pair, maxlag=[p])   # statsmodels >= 0.15
    f_stat, p_value = out[p][0]["ssr_ftest"][:2]
    return {"target": target, "predictor": predictor, "lag": p,
            "f_stat": f_stat, "p_value": p_value}

टिप्पणी maxlag=[p] इसके बजाय maxlag=p: एक इंट पास करना 1 से प्रत्येक अंतराल पर चलता है $p$ और आपको सर्वोत्तम रिपोर्ट करने के लिए प्रेरित करता है, जो कि आपके द्वारा पहले से चलाए जा रहे मल्टीपल टेस्ट के शीर्ष पर एक अनलॉग्ड मल्टीपल टेस्ट है।

तुलना

प्रत्येक जोड़ी के लिए, समान बीआईसी-चयनित स्तरों पर रिटर्न और टोडा-यामामोटो पर भिन्न परीक्षण चलाएं $p$, और सारणीबद्ध करें जहां दोनों असहमत हैं। असहमति दिलचस्प कोशिका है: एक जोड़ी जो मतभेदों पर महत्वपूर्ण है लेकिन स्तरों पर नहीं, एक सह-एकीकरण संबंध को अलग करने का एक उम्मीदवार कलाकृति है; इसका उल्टा सुझाव देता है कि स्तर संबंध ऐसी जानकारी रखता है जिसे रिटर्न परीक्षण नहीं देख सकता है।

कार्य-कारण मैट्रिक्स पर एकाधिक तुलनाएँ

पूर्ण $n \times n$ मैट्रिक्स वह जगह है जहां यह खतरनाक हो जाता है। एक 20-परिसंपत्ति, 10-लैग स्वीप 3,800 परिकल्पना परीक्षण है, और बोनफेरोनी इस सहसंबद्ध परिवार के लिए गलत सुधार है - परीक्षण डेटा साझा करते हैं, बीटीसी कारक साझा करते हैं, और कहीं भी स्वतंत्र नहीं होते हैं, इसलिए बोनफेरोनी एक साथ समग्र रूप से बहुत रूढ़िवादी है और भ्रामक है कि कौन सी कोशिकाएं जीवित रहती हैं। [डिफ्लेटेड शार्प आर्टिकल] से प्रभावी-एन मशीनरी का उपयोग करें/en/blog/post/deflated-sharpe-multiple-testing), जो बिल्कुल इसी स्थिति के लिए बनाया गया है: सहसंबद्ध परीक्षण परिवार को क्लस्टर करें, कच्चे परीक्षणों के बजाय स्वतंत्र परीक्षणों की गणना करें, और उसके विरुद्ध सीमा तय करें।

def granger_matrix(data, max_lag=15, d_max=1):
    """Toda-Yamamoto p-value matrix. Entry (i, j): does col_j cause col_i?"""
    cols = list(data.columns)
    out = pd.DataFrame(np.nan, index=cols, columns=cols, dtype=float)
    for target in cols:
        for predictor in cols:
            if target == predictor:
                continue
            r = toda_yamamoto_test(data, target, predictor,
                                   max_lag=max_lag, d_max=d_max)
            out.loc[target, predictor] = r["p_value"]
    return out

जो संख्या मायने रखती है वह यह नहीं है कि कितनी कोशिकाएँ 0.05 से नीचे हैं - यह है कि कितनी प्रभावी-एन सही सीमा तक जीवित रहती हैं।

जीवित मैट्रिक्स को संरचनात्मक रूप से पढ़ें, सेल दर सेल नहीं: पंक्तियाँ जहां एक संपत्ति कई अन्य का कारण बनती है, एक सूचना पदानुक्रम की पुष्टि करती है; किसी भी चीज़ से उत्पन्न स्तंभ किसी खोज के बजाय विशिष्ट, टोकन-विशिष्ट गतिशीलता का सुझाव देता है।

ईमानदार परीक्षण: रोलिंग स्थिरता

एक एकल इन-सैंपल पी-वैल्यू ट्रेडिंग के लिए बेकार है। प्रासंगिक प्रश्न यह है कि क्या महत्व बना रहता है। क्रिप्टो में क्रॉस-एसेट संबंध शासन-निर्भर हैं - सहसंबंध संरचना शांति और घबराहट के बीच तेजी से भिन्न होती है, और शासन स्वयं अनुमान योग्य है (एचएमएम शासन का पता लगाना) - तो एक विंडो पर अनुमानित लीड-लैग उस विंडो के बारे में एक बयान है।

def rolling_granger(data, target, predictor, window=500, lag=5, step=50):
    """Rolling-window p-value: when is the lead-lag active vs dormant?"""
    rows = []
    for start in range(0, len(data) - window, step):
        chunk = data.iloc[start:start + window][[target, predictor]].dropna()
        if len(chunk) < window * 0.8:
            continue
        try:
            out = grangercausalitytests(chunk, maxlag=[lag])
            f_stat, p_value = out[lag][0]["ssr_ftest"][:2]
        except Exception:
            f_stat, p_value = np.nan, np.nan
        rows.append({"timestamp": data.index[start + window - 1],
                     "f_stat": f_stat, "p_value": p_value})
    return pd.DataFrame(rows).set_index("timestamp")

इस श्रृंखला से दो चीज़ों की रिपोर्ट करें: 0.05 से नीचे विंडोज़ का अंश, और थ्रेशोल्ड क्रॉसिंग की संख्या। एक संबंध जो तीन क्रॉसिंग वाली 80% विंडो में महत्वपूर्ण है, चालीस क्रॉसिंग वाली 55% विंडो में एक महत्वपूर्ण वस्तु से एक अलग वस्तु है, भले ही पूल किया गया पी-मान समान हो। दूसरा व्यापार योग्य नहीं है - आप ऐसे सिग्नल पर स्थिति को आकार नहीं दे सकते हैं जिसका अस्तित्व हर कुछ सौ बार फ़्लिप होता है, और पुन: अनुमान अंतराल गारंटी देता है कि आप हमेशा पिछले शासन का व्यापार कर रहे हैं।

डेटा ट्रैप जो ग्रेंजर के लिए विशिष्ट है

जेनेरिक क्रिप्टो डेटा स्वच्छता को अन्यत्र कवर किया गया है - [बैकटेस्ट-लाइव पैरिटी] में अंतराल और गायब मोमबत्तियाँ/en/blog/post/backtest-live-parity), [आगे देखो पूर्वाग्रह वर्गीकरण] में टाइमस्टैम्प अनुशासन (/en/blog/post/look-ahead-bias-taxonomy) और समय-सीमा में आगे की कोई संभावना नहीं साबित करना. हालाँकि, एक विफलता मोड ग्रेंजर-विशिष्ट है और इतना गंभीर है कि इसका नाम दिया जा सकता है:

फॉरवर्ड-फिलिंग परिणाम का निर्माण करती है। एक फॉरवर्ड-भरी हुई मोमबत्ती पिछले बंद को दोहराती है, जो श्रृंखला में शुद्ध ऑटोसहसंबंध को इंजेक्ट करती है - और अंतराल -1 ऑटोसहसंबंध को श्रृंखला में इंजेक्ट करती है। $Y$ जिसे यंत्रवत् रूप से संरेखित किया गया है $X$ एफ-परीक्षण के लिए, एक-अंतराल कारण संबंध से अप्रभेद्य है। यही बात सभी स्थानों पर लागू होती है: मिनट बार पर दो एक्सचेंजों के बीच 1-सेकंड की घड़ी ऑफसेट लैग-1 महत्व को पूरी तरह से बना या नष्ट कर सकती है, क्योंकि यह बार की सीमा के किस तरफ मूव लैंड करती है, उसे बदल देती है। इनमें से किसी को भी चलाने से पहले, सत्यापित करें कि अंतराल भरने के बजाय हटा दिए गए हैं, और दोनों श्रृंखलाओं पर एक ही घड़ी से मुहर लगाई गई है।

साहित्य में लीड-लैग निष्कर्षों की रिपोर्ट की गई

ये उद्धरण हैं, इस लेख के माप नहीं। वे यहां यह कहने के लिए हैं कि प्रकाशित रिकॉर्ड क्या दावा करता है, ताकि उपरोक्त तुलना से सहमत या असहमत होने के लिए कुछ हो।

• BTC से altcoins। एशिया-प्रशांत वित्तीय बाजारों में 2026 का एक अध्ययन (स्प्रिंगर) बिटकॉइन से अल्टकॉइन में उच्च-आवृत्ति मूल्य संचरण की रिपोर्ट करता है, जिसमें छोटे-कैप सिक्के काफी विलंबित प्रतिक्रिया और धीमी प्रतिक्रिया से जुड़ी कम तरलता दिखाते हैं। कार्य की इस पंक्ति से आमतौर पर उद्धृत अंतराल परिमाण - लगभग 1-3 मिनट बीटीसी से ईटीएच, मध्य और छोटे कैप के लिए लंबा, बाजार पूंजीकरण में गिरावट के रूप में तेजी से यूनिडायरेक्शनल - उद्धृत निष्कर्ष हैं, यहां दोबारा प्राप्त नहीं किए गए हैं। जिस मार्केट-कैप स्तर पर वे टिके हुए हैं, वही सीढ़ी [बहु-प्रतीक सत्यापन] में उपयोग की जाती है।/en/blog/post/multi-symbol-validation).
• CEX DEX से आगे है। क्रिप्टो माइक्रोस्ट्रक्चर पर अनुसंधान (MDPI) मूल्य खोज पर हावी केंद्रीकृत स्थानों की रिपोर्ट, सूचना प्रवाह सीईएक्स-टू-डीईएक्स चल रहा है और कोई महत्वपूर्ण रिवर्स कारणता नहीं है - उप-मिलीसेकंड मिलान इंजन बनाम ब्लॉक-टाइम निपटान के अनुरूप।
• ** ETH एक स्वतंत्र सिक्के के रूप में। ** VAR-SVAR कार्य (MDPI) ऐसे नियम ढूंढता है जिनमें एथेरियम स्रोत के रूप में कार्य करता है और बिटकॉइन स्पिलओवर प्राप्तकर्ता के रूप में कार्य करता है, विशेष रूप से डेफी- और एनएफटी-संचालित चरणों के दौरान।

क्रॉस-एक्सचेंज, संक्षेप में

समान-सिक्का-दो-स्थान अंतराल एक वास्तविक सेटअप है, लेकिन इसका अर्थशास्त्र - शुल्क सीमा, विलंबता सीढ़ी, अंतराल क्यों मौजूद है - पहले से ही [सांख्यिकीय मध्यस्थता और जोड़े व्यापार] में काम किया गया है।/en/blog/post/statistical-arbitrage-pairs-trading-crypto) और किम्ची प्रीमियम. ग्रेंजर ने जो एकमात्र चीज़ जोड़ी है वह स्थिरता का प्रश्न है: क्या बिनेंस-टू-कॉइनबेस कार्य-कारणता लगातार महत्वपूर्ण है, या क्या यह हर चीज़ की तरह झिलमिलाहट करता है? आयोजन स्थल जोड़ी पर रोलिंग परीक्षण चलाएँ; उत्तर एक पी-वैल्यू टाइम सीरीज़ है, हाँ नहीं।

बचे हुए अंतराल को स्थिति में बदलना

यदि कोई जोड़ी सही थ्रेशोल्ड और रोलिंग टेस्ट को पास कर लेती है, तो सिग्नल स्वयं तुच्छ है: लैग विंडो पर संचयी भविष्यवक्ता की वापसी, थ्रेशोल्ड।

def lead_lag_signal(btc_returns, alt_returns, lag=5, threshold=0.001):
    """+1 / -1 / 0 on ALT from BTC's cumulative return over `lag` bars."""
    btc_cum = btc_returns.rolling(lag).sum()
    signal = pd.Series(0, index=alt_returns.index)
    signal[btc_cum > threshold] = 1
    signal[btc_cum < -threshold] = -1
    return signal

तीन चीजें जो इस लेख का हिस्सा नहीं हैं क्योंकि वे यहां पहले से ही तय हैं:

• लागत इसे तय करती है। altcoins पर एक मिनट-स्केल अंतराल सिग्नल को प्रसार, प्रभाव और शुल्क को साफ़ करना होता है - [फिसलन और लागत मॉडल] देखें/en/blog/post/slippage-cost-models-backtest) और निर्माता-लेने वाला अर्थशास्त्र, और क्या होता है जब लागतें किसी चयनित विजेता पर लागू की जाती हैं.
• साइज़िंग एक पी-वैल्यू ट्रांसफॉर्म नहीं है। ग्रेंजर पी-वैल्यू के साथ एक्सपोज़र को विपरीत रूप से स्केल करना गलत है: एक पी-वैल्यू एक शून्य के खिलाफ सबूत है, प्रभाव आकार नहीं, और यह नमूना लंबाई के साथ चलता है। अनुमानित प्रभाव पर आकार और इसकी अनिश्चितता - देखें केली साइज़िंग.
• सत्यापन वॉक-फॉरवर्ड है। रोलिंग आधार पर पुनः अनुमान लगाएं और आउट-ऑफ-सैंपल का मूल्यांकन करें; वॉक-फ़ॉरवर्ड अनुकूलन प्रोटोकॉल है.

सीमाएँ

ग्रेंजर कार्य-कारण कार्य-कारण नहीं है। कन्फ़्यूडर (थोड़ी टाइमस्टैम्प मिसलिग्न्मेंट के साथ दोनों पैरों को हिलाने वाली एक मैक्रो घटना), सामान्य ड्राइवर (अलग-अलग गति पर बीटीसी का पालन करने वाले दो विकल्प), और छोड़े गए चर (सिस्टम में ईटीएच के बिना डीओजीई के लिए बीटीसी का परीक्षण) सभी बिना किसी प्रत्यक्ष सूचना प्रवाह के महत्वपूर्ण आंकड़े उत्पन्न करते हैं। जैसा कि यह लेख करता है, द्विचर परीक्षणों को प्रतिबंधित करने से छोड़ी गई-चर समस्या बदतर हो जाती है, बेहतर नहीं।

रैखिकता. परीक्षण सशर्त माध्य में केवल रैखिक पूर्वानुमानित संरचना देखता है। क्रिप्टो में अस्थिरता क्लस्टरिंग, उत्तोलन प्रभाव और शासन स्विच हैं - देखें GARCH अस्थिरता पूर्वानुमान और DCC-GARCH गतिशील सहसंबंध दूसरे क्षण की कहानी के लिए। जानने लायक नॉनलाइनियर विकल्प: डिक्स-पंचेंको (2006) कर्नेल परीक्षण, सूचना-सैद्धांतिक एनालॉग के रूप में ट्रांसफर एन्ट्रापी, और पूर्ण संयुक्त वितरण में कोपुला ग्रेंजर कारणता।

संरचनात्मक विराम। एक विंडो पर अनुमानित कोई भी संबंध उस विंडो के शासन पर सशर्त है; उपरोक्त रोलिंग परीक्षण न्यूनतम निदान है, और यह एक निदान है, समाधान नहीं।

सारांश

1. VAR को स्तरों पर फ़िट करें, चुनें $p$ प्रति जोड़ी बीआईसी द्वारा, वृद्धि $d_{max}$, और वाल्ड-टेस्ट पहला $p$ केवल पिछड़ जाता है. हाथ से प्रतिबंध मैट्रिक्स बनाएं - लाइब्रेरी का test_causality ऑगमेंटिंग लैग को भी प्रतिबंधित करता है, जो टोडा-यामामोटो नहीं है।
2. समान जोड़े और अंतराल पर आधार रेखा के रूप में भिन्न रिटर्न परीक्षण चलाएं, और असहमति की रिपोर्ट करें। वह तालिका खोज है; तारांकन का मैट्रिक्स नहीं है.
3. सहसंबद्ध परीक्षण परिवार के लिए मैट्रिक्स को प्रभावी एन के माध्यम से ठीक करें, बोनफेर्रोनी के माध्यम से नहीं, और रिपोर्ट करें कि कितनी कोशिकाएँ जीवित रहती हैं।
4. इसे रोल करें. महत्वपूर्ण विंडो के अंश और क्रॉसिंग गिनती की रिपोर्ट करें। महत्व यह है कि फ़्लिकर एक व्यापार योग्य अंतराल नहीं है, भले ही एकत्रित पी-मूल्य कितना भी छोटा क्यों न हो।
5. किसी भी अंतराल-1 परिणाम पर विश्वास करने से पहले, फॉरवर्ड-फिलिंग के बजाय अंतराल को कम करें, और स्थानों में घड़ी संरेखण की जांच करें।

इस प्रक्रिया का एक बिल्कुल अच्छा परिणाम नकारात्मक है - एक बीटीसी-टू-ऑल्ट संबंध जो नमूने में महत्वपूर्ण है, सुधार से बचता है, और फिर भी हर कुछ सौ बार दोनों दिशाओं में 0.05 रेखा को पार करता है, व्यापार योग्यता के बारे में एक वास्तविक परिणाम है, और एक के रूप में प्रकाशित करने लायक है।

सन्दर्भ

• ग्रेंजर, सी.डब्ल्यू.जे. (1969) "अर्थमितीय मॉडल और क्रॉस-स्पेक्ट्रल विधियों द्वारा कारण संबंधों की जांच।" इकोनोमेट्रिका, 37(3), 424-438.
• टोडा, एच.वाई. और यामामोटो, टी. (1995)। "संभवतः एकीकृत प्रक्रियाओं के साथ वेक्टर ऑटोरेग्रेशन में सांख्यिकीय अनुमान।" जर्नल ऑफ इकोनोमेट्रिक्स, 66(1-2), 225-250।
• डिक्स, सी. और पंचेंको, वी. (2006)। "गैर-पैरामीट्रिक ग्रेंजर कार्य-कारण परीक्षण के लिए एक नया आँकड़ा और व्यावहारिक दिशानिर्देश।" जर्नल ऑफ इकोनॉमिक डायनेमिक्स एंड कंट्रोल, 30(9-10), 1647-1669।
• सिफत, आई.एम., मोहम्मद, ए. (2019)। "बिटकॉइन और एथेरियम के बीच लीड-लैग संबंध: प्रति घंटा और दैनिक डेटा से साक्ष्य।" अंतर्राष्ट्रीय व्यापार और वित्त में अनुसंधान, 50, 306-321।
• "बिटकॉइन से अल्टकॉइन में मूल्य संचरण: उच्च-आवृत्ति साक्ष्य और ट्रेडिंग रणनीति के लिए निहितार्थ।" एशिया-प्रशांत वित्तीय बाजार, स्प्रिंगर, 2026।
• "क्रिप्टोकरेंसी बाज़ारों पर स्पिलओवर जोखिम: VAR-SVAR ग्रेंजर कॉज़ैलिटी से एक नज़र।" जर्नल ऑफ रिस्क एंड फाइनेंशियल मैनेजमेंट, एमडीपीआई।
• "क्रिप्टोकरेंसी फंडिंग दर बाजार की दो-स्तरीय संरचना।" गणित, एमडीपीआई।
• "विकेंद्रीकृत और केंद्रीकृत एक्सचेंज: कौन से डिजिटल टोकन अधिक संक्रामक जोखिम पैदा करते हैं?" साइंसडायरेक्ट, 2023।