Predicción probabilística de la volatilidad de criptomonedas con modelos de cuantiles

Resumen

El estudio desarrolla predicciones probabilísticas de la varianza realizada de Bitcoin, que van más allá de las predicciones puntuales para estimar cuantiles condicionales y representar la incertidumbre de los posibles resultados de volatilidad. Combina predicciones de modelos estadísticos como HAR, GARCH y ARFIMA con predicciones de métodos de aprendizaje automático, y después aplica un marco probabilístico de apilamiento a las predicciones de los modelos base.

La comparación presentada concluye que la estimación de cuantiles mediante simulación de residuos ofrece un buen rendimiento de forma consistente, sobre todo cuando se combina con modelos base lineales entrenados con la volatilidad realizada transformada mediante logaritmos. El documento presenta esto como evidencia de que unas entradas lineales más sencillas pueden respaldar estimaciones probabilísticas eficaces, incluso frente a alternativas más complejas. El análisis se centra específicamente en Bitcoin y la descripción proporcionada no indica el periodo de la muestra, las métricas de evaluación ni los parámetros detallados de los modelos. Por tanto, sus hallazgos motivan la predicción de volatilidad con atención al riesgo, pero no establecen que la misma clasificación vaya a mantenerse para otras criptomonedas o condiciones de mercado.

Ideas clave

• Las predicciones probabilísticas estiman un rango de resultados condicionales de varianza realizada, en vez de un único valor puntual.
• El marco combina predicciones de modelos base estadísticos y de aprendizaje automático.
• Se informa de un rendimiento consistentemente bueno de la simulación de residuos, sobre todo con modelos lineales que utilizan datos de volatilidad logarítmica.
• Los hallazgos empíricos se centran en Bitcoin y no establecen el rendimiento en otras criptomonedas.

Etiquetas

# 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.

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.