Passer au contenu
Tous les documents de la bibliothèque

Prévoir la volatilité du Bitcoin avec GARCH à changement de régime et des modèles stochastiques

Article arXiv papers · Auteur: Dennis Koch et al.
Lire la source originale

Résumé

L’article compare des prévisions de variance conditionnelle des rendements quotidiens du Bitcoin à l’aide de modèles GARCH à changement de régime et de volatilité stochastique, dont la volatilité autorégressive stochastique (SARV). Son dispositif évalue les performances de prévision hors échantillon et recommande d’estimer en deux étapes distinctes les coefficients des équations de moyenne et de variance. Cette séparation est présentée comme une justification de la procédure d’estimation.

Les résultats rapportés favorisent les modèles de volatilité stochastique, en particulier SARV, par rapport aux variantes GARCH à changement de régime. Ils indiquent également qu’un modèle GARCH standard persistant peut parfois mieux prévoir la variance des rendements qu’un modèle GARCH à changement de régime. Ces comparaisons apportent des éléments pour choisir entre des modèles de volatilité dans le cadre de la prévision du risque lié au Bitcoin, mais le résumé fourni ne précise ni les dates de l’échantillon, ni les horizons de prévision, ni les mesures de score, ni les conditions détaillées à l’origine des classements. Les résultats n’établissent donc pas qu’un modèle dominera dans tous les régimes de marché ou tous les dispositifs de prévision.

Idées clés

  • L’étude compare hors échantillon les prévisions de volatilité du Bitcoin obtenues avec des modèles GARCH à changement de régime et des modèles de volatilité stochastique.
  • Elle inclut les modèles de volatilité autorégressive stochastique dans la classe des modèles de volatilité stochastique.
  • L’article recommande une estimation en deux étapes séparant les coefficients de moyenne et de variance.
  • Dans la comparaison rapportée, les modèles de volatilité stochastique, notamment SARV, sont plus performants que MS-GARCH.
  • Un modèle GARCH simple et persistant peut parfois surpasser MS-GARCH pour prévoir la variance des rendements du Bitcoin.

Étiquettes

CryptomonnaiesVolatilitéStatistiquesGestion des risques
Texte intégral
# 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.

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.