Tweets und Transaktionsvolumen für Bitcoin-Volatilitätsprognosen

Zusammenfassung

Diese Studie modelliert die Volatilität von Bitcoin-Renditen auf Minutenebene mit Methoden der verallgemeinerten autoregressiven bedingten Heteroskedastizität. Sie kombiniert historische Renditen und Volatilität, dargestellt durch Varianten der GARCH-Familie, mit der Mixture-of-Distribution-Hypothese: Der Informationsfluss am Markt kann die Renditedynamik mit erklären. Bitcoin-bezogene Tweets und das Transaktionsvolumen dienen als externe Informationssignale.

Die Arbeit prüft, ob diese Signale Volatilitätsprognosen verbessern, und vergleicht Modellvarianten mit statistischen Tests außerhalb der Stichprobe. Das einfachste GARCH(1,1)-Modell reagiert in dieser Auswertung am besten auf die Ergänzung durch externe Signale. Die vorliegende Beschreibung nennt weder die Stichprobenzeiträume noch detaillierte Leistungsmaße oder die genaue Konstruktion und zeitliche Zuordnung der Tweet- und Volumenvariablen. Das Ergebnis stützt daher die getestete Spezifikation und Datenkonfiguration, zeigt für sich genommen aber nicht, dass diese Signale Prognosen in anderen Zeiträumen oder Handelssituationen verbessern.

Kernaussagen

• Die Studie prognostiziert Bitcoin-Volatilität anhand von Preisrenditen auf Minutenebene mit Modellen der GARCH-Familie.
• Sie prüft, ob Bitcoin-bezogene Tweets und das Transaktionsvolumen zusätzliche Informationen zur Volatilität liefern.
• Der Ansatz erklärt die Renditedynamik sowohl durch historische Volatilität als auch durch den Informationsfluss am Markt.
• Tests außerhalb der Stichprobe zeigen, dass unter den geprüften Modellen GARCH(1,1) am stärksten von den externen Signalen profitiert.
• Die Beschreibung enthält nur begrenzte Angaben zur Konstruktion der Signale und zum Umfang der Prognoseverbesserungen.

Schlagwörter

# Time-varying volatility in Bitcoin market and information flow at minute-level frequency


# Time-varying volatility in Bitcoin market and information flow at minute-level frequency









In this paper, we analyze the time-series of minute price returns on the Bitcoin market through the statistical models of generalized autoregressive conditional heteroskedasticity (GARCH) family. Several mathematical models have been proposed in finance, to model the dynamics of price returns, each of them introducing a different perspective on the problem, but none without shortcomings. We combine an approach that uses historical values of returns and their volatilities - GARCH family of models, with a so-called "Mixture of Distribution Hypothesis", which states that the dynamics of price returns are governed by the information flow about the market. Using time-series of Bitcoin-related tweets and volume of transactions as external information, we test for improvement in volatility prediction of several GARCH model variants on a minute level Bitcoin price time series. Statistical tests show that the simplest GARCH(1,1) reacts the best to the addition of external signal to model volatility process on out-of-sample data.

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.