Pronóstico de volatilidad de Bitcoin con GARCH y modelos estocásticos

Resumen

El artículo compara pronósticos de varianza condicional de los rendimientos diarios de Bitcoin con GARCH de cambio de régimen de Markov y modelos de volatilidad estocástica, incluida la volatilidad estocástica autorregresiva (SARV). El diseño evalúa el rendimiento de pronóstico fuera de muestra y recomienda estimar en etapas separadas los coeficientes de las ecuaciones de media y varianza. Esta separación se presenta como fundamento del procedimiento de estimación.

Los resultados comunicados favorecen los modelos de volatilidad estocástica, especialmente SARV, frente a las alternativas GARCH de cambio de régimen de Markov. También indican que un modelo GARCH estándar persistente a veces puede pronosticar la varianza de los rendimientos mejor que un modelo GARCH de cambio de régimen de Markov. Estas comparaciones aportan evidencia para elegir entre modelos de volatilidad en los pronósticos de riesgo de Bitcoin, pero el resumen proporcionado no da fechas de la muestra, horizontes de pronóstico, medidas de puntuación ni las condiciones detalladas de las clasificaciones. Por tanto, los hallazgos no demuestran que un modelo vaya a dominar en todos los regímenes de mercado o configuraciones de pronóstico.

Ideas clave

• El estudio compara pronósticos de volatilidad de Bitcoin fuera de muestra con GARCH de cambio de régimen de Markov y modelos de volatilidad estocástica.
• Considera modelos de volatilidad estocástica autorregresiva como parte de la clase de volatilidad estocástica.
• El artículo recomienda un procedimiento de estimación en dos etapas que separa los coeficientes de media y varianza.
• En la comparación comunicada, los modelos de volatilidad estocástica, en particular SARV, superan a MS-GARCH.
• Un GARCH simple y persistente a veces supera a MS-GARCH al pronosticar la varianza de los rendimientos de Bitcoin.

Etiquetas

# 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.

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.