پیش‌بینی نوسان بیت‌کوین با GARCH و مدل‌های تصادفی

خلاصه

این مقاله پیش‌بینی‌های واریانس شرطی بازده روزانه بیت‌کوین را با استفاده از GARCH با تغییر رژیم مارکوفی و مدل‌های نوسان تصادفی، از جمله نوسان تصادفی خودرگرسیو (SARV)، مقایسه می‌کند. طراحی مطالعه عملکرد پیش‌بینی برون‌نمونه را ارزیابی می‌کند و برآورد ضرایب معادله‌های میانگین و واریانس را در دو مرحله جداگانه توصیه می‌کند. این تفکیک به‌عنوان توجیه روش برآورد مطرح می‌شود.

نتایج گزارش‌شده، مدل‌های نوسان تصادفی، به‌ویژه SARV، را به گزینه‌های GARCH با تغییر رژیم مارکوفی ترجیح می‌دهند. همچنین نشان می‌دهند یک مدل GARCH استانداردِ پایا گاهی می‌تواند واریانس بازده را بهتر از مدل GARCH با تغییر رژیم مارکوفی پیش‌بینی کند. این مقایسه‌ها برای انتخاب میان مدل‌های نوسان در پیش‌بینی ریسک بیت‌کوین شواهدی فراهم می‌کنند، اما خلاصه ارائه‌شده تاریخ نمونه، افق پیش‌بینی، سنجه‌های امتیازدهی یا شرایط تفصیلی رتبه‌بندی‌ها را ندارد. بنابراین یافته‌ها ثابت نمی‌کنند که یک مدل در همه رژیم‌های بازار یا تنظیمات پیش‌بینی برتر خواهد بود.

ایده‌های کلیدی

• این مطالعه پیش‌بینی‌های برون‌نمونه نوسان بیت‌کوین را با مدل‌های GARCH با تغییر رژیم مارکوفی و نوسان تصادفی مقایسه می‌کند.
• نوسان تصادفی خودرگرسیو را به‌عنوان بخشی از خانواده مدل‌های نوسان تصادفی بررسی می‌کند.
• مقاله روش برآورد دو‌مرحله‌ای را توصیه می‌کند که ضرایب میانگین و واریانس را جدا می‌سازد.
• در مقایسه گزارش‌شده، مدل‌های نوسان تصادفی، به‌ویژه SARV، از MS-GARCH بهتر عمل می‌کنند.
• مدل ساده GARCH با پایداری بالا گاهی در پیش‌بینی واریانس بازده بیت‌کوین از MS-GARCH بهتر عمل می‌کند.

برچسب‌ها

# 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.

با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0

این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.