Bitcoin-Volatilität prognostizieren mit Markov-Switching-GARCH und stochastischen Modellen

Zusammenfassung

Die Arbeit vergleicht Prognosen der bedingten Varianz täglicher Bitcoin-Renditen mit Markov-Switching-GARCH und stochastischen Volatilitätsmodellen, einschließlich stochastischer autoregressiver Volatilität (SARV). Das Design bewertet die Prognoseleistung außerhalb der Stichprobe und empfiehlt, die Koeffizienten der Mittelwert- und Varianzgleichungen in getrennten Schritten zu schätzen. Diese Trennung wird als Begründung für das Schätzverfahren angeführt.

Die berichteten Ergebnisse sprechen für stochastische Volatilitätsmodelle, insbesondere SARV, gegenüber den Markov-Switching-GARCH-Alternativen. Sie weisen außerdem darauf hin, dass ein persistentes Standard-GARCH-Modell die Renditevarianz mitunter besser prognostizieren kann als ein Markov-Switching-GARCH-Modell. Diese Vergleiche liefern Hinweise für die Auswahl von Volatilitätsmodellen zur Bitcoin-Risikoprognose. Die Zusammenfassung nennt jedoch weder Stichprobendaten, Prognosehorizonte und Bewertungsmaße noch detaillierte Bedingungen der Rangfolge. Die Ergebnisse belegen daher nicht, dass ein Modell in jedem Marktregime oder Prognoseszenario überlegen ist.

Kernaussagen

• Die Studie vergleicht Prognosen der Bitcoin-Volatilität außerhalb der Stichprobe mit Markov-Switching-GARCH und stochastischen Volatilitätsmodellen.
• Sie berücksichtigt stochastische autoregressive Volatilitätsmodelle als Teil der Klasse stochastischer Volatilitätsmodelle.
• Die Arbeit empfiehlt ein zweistufiges Schätzverfahren, das die Koeffizienten für Mittelwert und Varianz getrennt behandelt.
• Im berichteten Vergleich schneiden stochastische Volatilitätsmodelle, insbesondere SARV, besser ab als MS-GARCH.
• Persistentes einfaches GARCH kann bei Prognosen der Bitcoin-Renditevarianz mitunter besser abschneiden als MS-GARCH.

Schlagwörter

# 2401.03393


# Modelling and Predicting the Conditional Variance of Bitcoin Daily Returns: Comparsion of Markov Switching GARCH and SV Models









This paper introduces a unique and valuable research design aimed at analyzing Bitcoin price volatility. To achieve this, a range of models from the Markov Switching-GARCH and Stochastic Autoregressive Volatility (SARV) model classes are considered and their out-of-sample forecasting performance is thoroughly examined. The paper provides insights into the rationale behind the recommendation for a two-stage estimation approach, emphasizing the separate estimation of coefficients in the mean and variance equations. The results presented in this paper indicate that Stochastic Volatility models, particularly SARV models, outperform MS-GARCH models in forecasting Bitcoin price volatility. Moreover, the study suggests that in certain situations, persistent simple GARCH models may even outperform Markov-Switching GARCH models in predicting the variance of Bitcoin log returns. These findings offer valuable guidance for risk management experts, highlighting the potential advantages of SARV models in managing and forecasting Bitcoin price volatility.

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.