استفاده از توییت‌ها و حجم تراکنش در پیش‌بینی نوسان بیت‌کوین

خلاصه

این مطالعه نوسان بازده بیت‌کوین را در سطح دقیقه با روش‌های ناهمسانی واریانس شرطی خودرگرسیو تعمیم‌یافته مدل‌سازی می‌کند. بازده‌ها و نوسان تاریخی، که با گونه‌هایی از خانواده GARCH نمایش داده می‌شوند، با فرضیه ترکیب توزیع‌ها ترکیب می‌شوند: جریان اطلاعات بازار می‌تواند به توضیح پویایی بازده کمک کند. توییت‌های مرتبط با بیت‌کوین و حجم تراکنش به‌عنوان سیگنال‌های اطلاعاتی بیرونی به کار می‌روند.

مقاله می‌آزماید آیا این سیگنال‌ها پیش‌بینی نوسان را بهبود می‌دهند و برای مقایسه گونه‌های مدل از آزمون‌های آماری برون‌نمونه استفاده می‌کند. ساده‌ترین مدل GARCH(1,1) در این ارزیابی به افزودن سیگنال‌های بیرونی بهترین واکنش را نشان می‌دهد. شرح موجود تاریخ‌های نمونه، سنجه‌های عملکرد دقیق یا ساخت و زمان‌بندی دقیق متغیرهای توییت و حجم را گزارش نمی‌کند. بنابراین نتیجه از مشخصات و مجموعه‌داده آزموده‌شده پشتیبانی می‌کند، اما به‌تنهایی نشان نمی‌دهد این سیگنال‌ها در دوره‌ها یا موقعیت‌های معاملاتی دیگر پیش‌بینی‌ها را بهبود خواهند داد.

ایده‌های کلیدی

• مطالعه با مدل‌های خانواده GARCH نوسان بیت‌کوین را از بازده‌های قیمتی دقیقه‌ای پیش‌بینی می‌کند.
• بررسی می‌کند آیا توییت‌های مرتبط با بیت‌کوین و حجم تراکنش اطلاعاتی درباره نوسان می‌افزایند.
• این رویکرد پویایی بازده را با توجه به نوسان تاریخی و جریان اطلاعات بازار صورت‌بندی می‌کند.
• آزمون‌های برون‌نمونه نشان می‌دهند که در میان مدل‌های آزموده‌شده، افزودن سیگنال‌های بیرونی بیشترین فایده را برای GARCH(1,1) دارد.
• شرح، جزئیات محدودی درباره ساخت سیگنال‌ها و میزان بهبود پیش‌بینی ارائه می‌دهد.

برچسب‌ها

# 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.

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.