Estimación de la volatilidad de Bitcoin con modelos GARCH y errores NIG

Resumen

El artículo compara los modelos sGARCH, iGARCH y tGARCH para estimar la volatilidad de los rendimientos de Bitcoin. Cada modelo se combina con distribuciones t de Student, de error generalizado y normal inversa gaussiana (NIG) para representar características como la agrupación de volatilidad, las colas pesadas y la asimetría. La comparación se centra en la capacidad de estas combinaciones de modelos y distribuciones para captar el comportamiento de la serie de rendimientos.

Los resultados descritos favorecen NIG para representar colas pesadas y asimetría, e identifican tGARCH con NIG como la especificación más sólida entre las examinadas. Los autores atribuyen la ventaja de tGARCH a su capacidad para representar respuestas de volatilidad distintas ante noticias positivas y negativas. Sugieren que NIG también podría ser adecuado para otras criptomonedas porque sus rendimientos suelen ser leptocúrticos. El documento no ofrece detalles sobre el periodo de la muestra, las métricas de evaluación, el rendimiento de las predicciones ni los resultados de trading, por lo que sus conclusiones se limitan a la comparación de modelos descrita y podrían no generalizarse a otros activos o periodos.

Ideas clave

• Los modelos de la familia GARCH pueden representar la agrupación de volatilidad en los rendimientos de Bitcoin.
• El estudio compara distribuciones de rendimientos t de Student, de error generalizado y normal inversa gaussiana.
• Se informa que la distribución normal inversa gaussiana representa bien la asimetría y las colas pesadas.
• tGARCH permite que difieran las respuestas de volatilidad a perturbaciones positivas y negativas.
• La especificación preferida descrita es tGARCH con errores con distribución normal inversa gaussiana.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.