コンテンツへスキップ
ライブラリの全資料

分位点モデルによる暗号資産ボラティリティの確率予測

記事 arXiv papers · 著者: Grzegorz Dudek et al.
原文を読む

サマリー

本研究は、ビットコインの実現分散について確率予測を行い、点予測にとどまらず、条件付き分位点を推定してボラティリティの起こり得る結果の不確実性を表します。HAR、GARCH、ARFIMAなどの統計モデルによる予測と機械学習手法による予測を組み合わせ、基礎モデルの予測に確率的スタッキング手法を適用します。

比較では、残差シミュレーションによる分位点推定が一貫して良好な成績を示し、特に対数変換した実現ボラティリティで学習した線形基礎モデルと組み合わせた場合に優れていると報告されています。本資料は、より複雑な手法に対しても、単純な線形予測入力が有効な確率推定を支え得る証拠として示しています。分析対象はビットコインに限られ、提示された説明にはサンプル期間、評価指標、モデル設定の詳細がありません。そのため、リスクを考慮したボラティリティ予測の動機にはなりますが、他の暗号資産や市場環境でも同じ順位になるとは示されていません。

主なアイデア

  • 確率予測は単一の点ではなく、実現分散の条件付き結果の範囲を推定します。
  • この枠組みは統計モデルと機械学習の基礎モデルによる予測を組み合わせます。
  • 残差シミュレーションは一貫して良好な成績を示し、特に対数変換した実現ボラティリティを用いる線形モデルと組み合わせた場合に優れていると報告されています。
  • 実証知見はビットコインに焦点を当てており、他の暗号資産での性能を示すものではありません。

タグ

暗号資産ボラティリティ機械学習統計リスク管理
全文
# 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.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。