שימוש בציוצים ובהיקף עסקאות לחיזוי תנודתיות הביטקוין

סיכום

מחקר זה מדגם תנודתיות בתשואות ביטקוין ברמת הדקה באמצעות שיטות של הטרוסקדסטיות מותנית אוטורגרסיבית מוכללת. הוא משלב תשואות היסטוריות ותנודתיות, כפי שהן מיוצגות בגרסאות של משפחת GARCH, עם השערת תערובת ההתפלגויות: זרימת המידע בשוק עשויה להסביר את דינמיקת התשואות. ציוצים הקשורים לביטקוין והיקף העסקאות משמשים אותות מידע חיצוניים.

המאמר בודק אם האותות האלה משפרים תחזיות תנודתיות, ומשתמש במבחנים סטטיסטיים מחוץ למדגם להשוואה בין גרסאות המודל. בניתוח זה, מודל GARCH(1,1) הפשוט ביותר מגיב בצורה הטובה ביותר להוספת האותות החיצוניים. התיאור הזמין אינו מציין את תאריכי המדגם, מדדי הביצועים המפורטים או את אופן הבנייה והתזמון המדויקים של משתני הציוצים והיקף העסקאות. לכן, התוצאה תומכת במפרט ובהגדרת הנתונים שנבדקו, אך אינה מראה כשלעצמה שהאותות ישפרו תחזיות בתקופות אחרות או בסביבות מסחר אחרות.

רעיונות מרכזיים

• המחקר חוזה תנודתיות בביטקוין על סמך תשואות מחירים ברמת הדקה באמצעות מודלים ממשפחת GARCH.
• הוא בודק אם ציוצים הקשורים לביטקוין והיקף העסקאות מוסיפים מידע על התנודתיות.
• הגישה מתארת את דינמיקת התשואות במונחים של תנודתיות היסטורית ושל זרימת מידע בשוק.
• במבחנים מחוץ למדגם, GARCH(1,1) מפיק את התועלת הגדולה ביותר מהוספת האותות החיצוניים מבין המודלים שנבדקו.
• התיאור מפרט מעט על בניית האותות ועל היקף השיפור בתחזיות.

תגיות

# 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.

מוצג במלואו בציון המקור ובהתאם לרישיון שלו. רישיון: abstract CC0

הסיכום נכתב בידי סוכן המחקר של Stratmill על סמך המקור; הוא אינו העתק של המקור.