Wahrscheinlichkeitsprognosen der Kryptovolatilität mit Quantilmodellen

Zusammenfassung

Die Studie entwickelt Wahrscheinlichkeitsprognosen der realisierten Bitcoin-Varianz. Statt nur Punktprognosen zu erstellen, schätzt sie bedingte Quantile und bildet die Unsicherheit möglicher Volatilitätsausprägungen ab. Sie kombiniert Prognosen statistischer Modelle wie HAR, GARCH und ARFIMA mit Prognosen aus Verfahren des maschinellen Lernens und wendet anschließend ein probabilistisches Stacking-Verfahren auf die Vorhersagen der Basismodelle an.

Der berichtete Vergleich zeigt, dass die Quantilschätzung mittels Residualsimulation durchgehend gut abschneidet, insbesondere in Kombination mit linearen Basismodellen, die mit logarithmierten Daten zur realisierten Volatilität trainiert wurden. Das Dokument wertet dies als Hinweis darauf, dass einfachere lineare Prognoseeingaben wirksame probabilistische Schätzungen ermöglichen können, auch im Vergleich mit komplexeren Alternativen. Die Analyse beschränkt sich auf Bitcoin; die Beschreibung nennt weder den Stichprobenzeitraum noch die Bewertungskennzahlen oder Einzelheiten zu den Modelleinstellungen. Die Befunde regen daher zu risikobewussten Volatilitätsprognosen an, belegen aber nicht, dass dieselbe Rangfolge für andere Kryptowährungen oder Marktbedingungen gilt.

Kernaussagen

• Wahrscheinlichkeitsprognosen schätzen eine Spanne bedingter Ergebnisse der realisierten Varianz statt nur eines einzelnen Punkts.
• Der Rahmen kombiniert Prognosen statistischer Basismodelle und Basismodelle des maschinellen Lernens.
• Die Residualsimulation schneidet laut Bericht durchgehend gut ab, besonders mit linearen Modellen und logarithmierten Volatilitätsdaten.
• Die empirischen Befunde betreffen Bitcoin und belegen keine Leistung bei anderen Kryptowährungen.

Schlagwörter

# Probabilistic Forecasting Cryptocurrencies Volatility: From Point to Quantile Forecasts


# Probabilistic Forecasting Cryptocurrencies Volatility: From Point to Quantile Forecasts









Cryptocurrency markets are characterized by extreme volatility, making accurate forecasts essential for effective risk management and informed trading strategies. Traditional deterministic (point) forecasting methods are inadequate for capturing the full spectrum of potential volatility outcomes, underscoring the importance of probabilistic approaches. To address this limitation, this paper introduces probabilistic forecasting methods that leverage point forecasts from a wide range of base models, including statistical (HAR, GARCH, ARFIMA) and machine learning (e.g. LASSO, SVR, MLP, Random Forest, LSTM) algorithms, to estimate conditional quantiles of cryptocurrency realized variance. To the best of our knowledge, this is the first study in the literature to propose and systematically evaluate probabilistic forecasts of variance in cryptocurrency markets based on predictions derived from multiple base models. Our empirical results for Bitcoin demonstrate that the Quantile Estimation through Residual Simulation (QRS) method, particularly when applied to linear base models operating on log-transformed realized volatility data, consistently outperforms more sophisticated alternatives. Additionally, we highlight the robustness of the probabilistic stacking framework, providing comprehensive insights into uncertainty and risk inherent in cryptocurrency volatility forecasting. This research fills a significant gap in the literature, contributing practical probabilistic forecasting methodologies tailored specifically to cryptocurrency markets.

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.