본문으로 건너뛰기
라이브러리 문서 전체

분위수 모델을 활용한 암호화폐 변동성 확률 예측

기사 arXiv papers · 저자: Grzegorz Dudek et al.
원문 읽기

요약

이 연구는 비트코인 실현분산의 확률 예측을 개발합니다. 점 예측을 넘어 조건부 분위수를 추정해 변동성 결과의 불확실성을 나타냅니다. HAR, GARCH, ARFIMA 같은 통계 모델의 예측과 머신러닝 방법의 예측을 결합한 뒤, 기본 모델의 예측값에 확률적 스태킹 프레임워크를 적용합니다.

비교 결과, 잔차 시뮬레이션을 통한 분위수 추정은 특히 로그 변환한 실현 변동성으로 학습한 선형 기본 모델과 결합했을 때 일관되게 양호한 성과를 보입니다. 문서는 더 복잡한 대안과 비교해도 단순한 선형 예측 입력이 효과적인 확률 추정에 도움이 될 수 있다는 증거로 이를 제시합니다. 분석은 비트코인에 한정되며, 제공된 설명에는 표본 기간, 평가 지표, 모델 설정의 세부사항이 없습니다. 따라서 이 결과는 위험을 고려한 변동성 예측에 참고가 되지만, 다른 암호화폐나 시장 상황에서도 같은 순위가 유지된다는 점을 입증하지는 않습니다.

핵심 아이디어

  • 확률 예측은 단일 점 대신 조건부 실현분산 결과의 범위를 추정합니다.
  • 이 프레임워크는 통계 모델과 머신러닝 기본 모델의 예측을 결합합니다.
  • 잔차 시뮬레이션은 특히 로그 변동성 데이터를 사용하는 선형 모델에서 일관되게 양호한 성과를 보인다고 보고됩니다.
  • 실증 결과는 비트코인에 초점을 두며 다른 암호화폐의 성과를 입증하지 않습니다.

태그

가상자산변동성머신러닝통계리스크 관리
전문
# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.