Prévision probabiliste de la volatilité des cryptomonnaies par modèles quantiles

Résumé

L’étude élabore des prévisions probabilistes de la variance réalisée du Bitcoin, qui vont au-delà des prévisions ponctuelles pour estimer les quantiles conditionnels et représenter l’incertitude des niveaux de volatilité possibles. Elle combine des prévisions de modèles statistiques tels que HAR, GARCH et ARFIMA avec celles de méthodes d’apprentissage automatique, puis applique un cadre d’empilement probabiliste aux prévisions des modèles de base.

La comparaison rapportée montre que l’estimation des quantiles par simulation des résidus donne régulièrement de bons résultats, surtout avec des modèles linéaires de base entraînés sur la volatilité réalisée transformée en logarithme. Le document y voit un indice que des données d’entrée plus simples, issues de prévisions linéaires, peuvent fournir des estimations probabilistes efficaces face à des solutions plus complexes. L’analyse porte spécifiquement sur le Bitcoin ; la description fournie ne donne ni période d’échantillonnage, ni mesures d’évaluation, ni détails sur les paramètres du modèle. Ces résultats motivent donc des prévisions de volatilité tenant compte du risque, sans établir que le même classement s’appliquera à d’autres cryptomonnaies ou conditions de marché.

Idées clés

• Les prévisions probabilistes estiment une gamme de résultats conditionnels possibles pour la variance réalisée, plutôt qu’une seule valeur ponctuelle.
• Le cadre combine les prévisions de modèles statistiques de base et d’apprentissage automatique.
• La simulation des résidus donne régulièrement de bons résultats, surtout avec des modèles linéaires utilisant des données de volatilité logarithmique.
• Les résultats empiriques portent sur le Bitcoin et n’établissent pas les performances pour d’autres cryptomonnaies.

Étiquettes

# Probabilistic Forecasting Cryptocurrencies Volatility: From Point to Quantile Forecasts


# Probabilistic Forecasting Cryptocurrencies Volatility: From Point to Quantile Forecasts









Cryptocurrency markets are characterized by extreme volatility, making accurate forecasts essential for effective risk management and informed trading strategies. Traditional deterministic (point) forecasting methods are inadequate for capturing the full spectrum of potential volatility outcomes, underscoring the importance of probabilistic approaches. To address this limitation, this paper introduces probabilistic forecasting methods that leverage point forecasts from a wide range of base models, including statistical (HAR, GARCH, ARFIMA) and machine learning (e.g. LASSO, SVR, MLP, Random Forest, LSTM) algorithms, to estimate conditional quantiles of cryptocurrency realized variance. To the best of our knowledge, this is the first study in the literature to propose and systematically evaluate probabilistic forecasts of variance in cryptocurrency markets based on predictions derived from multiple base models. Our empirical results for Bitcoin demonstrate that the Quantile Estimation through Residual Simulation (QRS) method, particularly when applied to linear base models operating on log-transformed realized volatility data, consistently outperforms more sophisticated alternatives. Additionally, we highlight the robustness of the probabilistic stacking framework, providing comprehensive insights into uncertainty and risk inherent in cryptocurrency volatility forecasting. This research fills a significant gap in the literature, contributing practical probabilistic forecasting methodologies tailored specifically to cryptocurrency markets.

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.