Tweets et volume des transactions pour prévoir la volatilité du Bitcoin

Résumé

Cette étude modélise la volatilité des rendements du Bitcoin à la minute à l’aide de méthodes d’hétéroscédasticité conditionnelle autorégressive généralisée. Elle associe les rendements et la volatilité historiques, représentés par des variantes de la famille GARCH, à l’hypothèse de mélange des distributions : le flux d’informations du marché peut contribuer à expliquer la dynamique des rendements. Les tweets liés au Bitcoin et le volume des transactions servent de signaux d’information externes.

L’article teste si ces signaux améliorent les prévisions de volatilité et utilise des tests statistiques hors échantillon pour comparer les variantes du modèle. Dans cette évaluation, le modèle GARCH(1,1), le plus simple, réagit le mieux à l’ajout des signaux externes. La description disponible ne précise ni les dates de l’échantillon, ni les mesures détaillées de performance, ni la construction exacte et le calendrier des variables de tweets et de volume. Le résultat étaye donc la spécification et les données testées, mais ne montre pas à lui seul que ces signaux amélioreront les prévisions à d’autres périodes ou dans d’autres contextes de trading.

Idées clés

• L’étude prévoit la volatilité du Bitcoin à partir des rendements de prix à la minute avec des modèles de la famille GARCH.
• Elle teste si les tweets liés au Bitcoin et le volume des transactions apportent des informations sur la volatilité.
• L’approche décrit la dynamique des rendements à partir de la volatilité historique et du flux d’informations du marché.
• Les tests hors échantillon montrent que GARCH(1,1) bénéficie le plus de l’ajout des signaux externes parmi les modèles testés.
• La description donne peu de détails sur la construction des signaux et l’ampleur des améliorations de prévision.

Étiquettes

# 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.

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.