Estimer la volatilité du Bitcoin avec les modèles GARCH et les erreurs NIG

Résumé

L’article compare les modèles sGARCH, iGARCH et tGARCH pour estimer la volatilité des rendements du Bitcoin. Chaque modèle est associé aux distributions t de Student, d’erreur généralisée et normale inverse gaussienne (NIG) afin de représenter des caractéristiques telles que le regroupement de volatilité, les queues épaisses et l’asymétrie. La comparaison porte sur la capacité de ces combinaisons de modèles et de distributions à décrire le comportement de la série de rendements.

Les résultats rapportés favorisent NIG pour représenter les queues épaisses et l’asymétrie, et désignent tGARCH avec NIG comme la meilleure spécification parmi celles examinées. Les auteurs attribuent l’avantage de tGARCH à sa capacité à représenter des réactions différentes de la volatilité aux nouvelles positives et négatives. Ils suggèrent que NIG pourrait aussi convenir à d’autres cryptomonnaies, car leurs rendements sont souvent leptokurtiques. Le document ne donne aucun détail sur la période d’échantillonnage, les mesures d’évaluation, les performances de prévision ou les résultats de trading ; ses conclusions se limitent donc à la comparaison de modèles rapportée et pourraient ne pas se généraliser à d’autres actifs ou périodes.

Idées clés

• Les modèles de la famille GARCH peuvent représenter le regroupement de volatilité dans les rendements du Bitcoin.
• L’étude compare les distributions des rendements t de Student, d’erreur généralisée et normale inverse gaussienne.
• Selon les résultats rapportés, la distribution normale inverse gaussienne représente bien l’asymétrie et les queues épaisses.
• tGARCH permet de différencier les réactions de la volatilité aux chocs positifs et négatifs.
• La spécification privilégiée rapportée est tGARCH avec des erreurs suivant une loi normale inverse gaussienne.

Étiquettes

# Estimating the volatility of Bitcoin using GARCH models


# Estimating the volatility of Bitcoin using GARCH models









In this paper, an application of three GARCH-type models (sGARCH, iGARCH, and tGARCH) with Student t-distribution, Generalized Error distribution (GED), and Normal Inverse Gaussian (NIG) distribution are examined. The new development allows for the modeling of volatility clustering effects, the leptokurtic and the skewed distributions in the return series of Bitcoin. Comparative to the two distributions, the normal inverse Gaussian distribution captured adequately the fat tails and skewness in all the GARCH type models. The tGARCH model was the best model as it described the asymmetric occurrence of shocks in the Bitcoin market. That is, the response of investors to the same amount of good and bad news are distinct. From the empirical results, it can be concluded that tGARCH-NIG was the best model to estimate the volatility in the return series of Bitcoin. Generally, it would be optimal to use the NIG distribution in GARCH type models since time series of most cryptocurrency are leptokurtic.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.