Tweets y volumen de transacciones para pronosticar la volatilidad de Bitcoin

Resumen

Este estudio modela la volatilidad de los rendimientos de Bitcoin a nivel de minuto mediante métodos de heterocedasticidad condicional autorregresiva generalizada. Combina los rendimientos y la volatilidad históricos, representados por variantes de la familia GARCH, con la hipótesis de mezcla de distribuciones: el flujo de información del mercado puede ayudar a explicar la dinámica de los rendimientos. Los tweets relacionados con Bitcoin y el volumen de transacciones actúan como señales de información externa.

El artículo evalúa si estas señales mejoran los pronósticos de volatilidad y utiliza pruebas estadísticas fuera de muestra para comparar variantes del modelo. En esta evaluación, el modelo GARCH(1,1) más sencillo responde mejor a la incorporación de señales externas. La descripción disponible no indica las fechas de la muestra, medidas detalladas de rendimiento ni la construcción y el momento precisos de las variables de tweets y volumen. Por tanto, el resultado respalda la especificación y la configuración de datos evaluadas, pero por sí solo no demuestra que estas señales mejoren los pronósticos en otros periodos o contextos de trading.

Ideas clave

• El estudio pronostica la volatilidad de Bitcoin con rendimientos de precios a nivel de minuto mediante modelos de la familia GARCH.
• Evalúa si los tweets sobre Bitcoin y el volumen de transacciones aportan información sobre la volatilidad.
• El enfoque relaciona la dinámica de los rendimientos tanto con la volatilidad histórica como con el flujo de información del mercado.
• Las pruebas fuera de muestra indican que GARCH(1,1) es el modelo más beneficiado por las señales externas entre los evaluados.
• La descripción ofrece pocos detalles sobre la construcción de las señales y la magnitud de las mejoras en los pronósticos.

Etiquetas

# 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.

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.