Bitcoin-Volatilität mit GARCH-Modellen und NIG-Fehlern schätzen

Zusammenfassung

Die Arbeit vergleicht sGARCH-, iGARCH- und tGARCH-Modelle zur Schätzung der Volatilität von Bitcoin-Renditen. Jedes Modell wird mit Student-t-, generalisierten Fehlerverteilungen und normal-invers-gaußschen (NIG) Verteilungen kombiniert, um Eigenschaften wie Volatilitätscluster, schwere Verteilungsschwänze und Schiefe abzubilden. Der Vergleich konzentriert sich darauf, wie gut diese Modell-Verteilungs-Kombinationen das Verhalten der Renditereihe erfassen.

Die berichteten Ergebnisse sprechen dafür, dass NIG schwere Verteilungsschwänze und Schiefe abbildet, und weisen tGARCH mit NIG als stärkste der untersuchten Spezifikationen aus. Die Autoren führen den Vorteil von tGARCH auf seine Fähigkeit zurück, unterschiedliche Volatilitätsreaktionen auf positive und negative Nachrichten darzustellen. Sie vermuten, dass NIG auch für andere Kryptowährungen geeignet sein könnte, da deren Renditen häufig leptokurtisch sind. Das Dokument enthält weder Angaben zum Stichprobenzeitraum noch zu Bewertungskennzahlen, Prognoseleistung oder Handelsergebnissen. Seine Schlussfolgerungen beschränken sich daher auf den berichteten Modellvergleich und lassen sich möglicherweise nicht auf andere Vermögenswerte oder Zeiträume übertragen.

Kernaussagen

• Modelle der GARCH-Familie können Volatilitätscluster bei Bitcoin-Renditen abbilden.
• Die Studie vergleicht Student-t-, generalisierte Fehler- und normal-invers-gaußsche Renditeverteilungen.
• Der Beschreibung zufolge bildet die normal inverse gaußsche Verteilung Schiefe und schwere Verteilungsschwänze gut ab.
• tGARCH ermöglicht unterschiedliche Volatilitätsreaktionen auf positive und negative Schocks.
• Als bevorzugte Spezifikation wird tGARCH mit normal invers gaußschen Fehlern angegeben.

Schlagwörter

# Estimating the volatility of Bitcoin using GARCH models


# Estimating the volatility of Bitcoin using GARCH models









In this paper, an application of three GARCH-type models (sGARCH, iGARCH, and tGARCH) with Student t-distribution, Generalized Error distribution (GED), and Normal Inverse Gaussian (NIG) distribution are examined. The new development allows for the modeling of volatility clustering effects, the leptokurtic and the skewed distributions in the return series of Bitcoin. Comparative to the two distributions, the normal inverse Gaussian distribution captured adequately the fat tails and skewness in all the GARCH type models. The tGARCH model was the best model as it described the asymmetric occurrence of shocks in the Bitcoin market. That is, the response of investors to the same amount of good and bad news are distinct. From the empirical results, it can be concluded that tGARCH-NIG was the best model to estimate the volatility in the return series of Bitcoin. Generally, it would be optimal to use the NIG distribution in GARCH type models since time series of most cryptocurrency are leptokurtic.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.