Pular para o conteúdo
Todos os documentos da biblioteca

Previsão da volatilidade do Bitcoin com GARCH com mudança de regime e modelos estocásticos

Artigo arXiv papers · Autor: Dennis Koch et al.
Ler o original

Resumo

O artigo compara previsões de variância condicional dos retornos diários do Bitcoin usando GARCH com mudança de regime e modelos de volatilidade estocástica, incluindo volatilidade autorregressiva estocástica (SARV). O desenho avalia o desempenho preditivo fora da amostra e recomenda estimar os coeficientes das equações de média e variância em etapas separadas. Essa separação é apresentada como justificativa para o procedimento de estimação.

Os resultados relatados favorecem os modelos de volatilidade estocástica, especialmente SARV, em relação às alternativas GARCH com mudança de regime. Também indicam que um modelo GARCH padrão persistente pode, às vezes, prever a variância dos retornos melhor que um modelo GARCH com mudança de regime. Essas comparações oferecem evidências para escolher entre modelos de volatilidade na previsão de risco do Bitcoin, mas o resumo fornecido não informa datas da amostra, horizontes de previsão, métricas de avaliação ou condições detalhadas por trás das classificações. Portanto, os resultados não estabelecem que um modelo prevalecerá em todos os regimes de mercado ou configurações de previsão.

Ideias principais

  • O estudo compara previsões fora da amostra da volatilidade do Bitcoin com modelos GARCH de mudança de regime e modelos de volatilidade estocástica.
  • Considera modelos de volatilidade autorregressiva estocástica como parte da classe de volatilidade estocástica.
  • O artigo recomenda um procedimento de estimação em duas etapas que separa os coeficientes de média e variância.
  • Modelos de volatilidade estocástica, especialmente SARV, têm desempenho melhor que MS-GARCH na comparação relatada.
  • Um GARCH simples e persistente pode, às vezes, superar MS-GARCH nas previsões da variância dos retornos do Bitcoin.

Tags

CriptoVolatilidadeEstatísticaGestão de risco
Texto completo
# 2401.03393


# Modelling and Predicting the Conditional Variance of Bitcoin Daily Returns: Comparsion of Markov Switching GARCH and SV Models









This paper introduces a unique and valuable research design aimed at analyzing Bitcoin price volatility. To achieve this, a range of models from the Markov Switching-GARCH and Stochastic Autoregressive Volatility (SARV) model classes are considered and their out-of-sample forecasting performance is thoroughly examined. The paper provides insights into the rationale behind the recommendation for a two-stage estimation approach, emphasizing the separate estimation of coefficients in the mean and variance equations. The results presented in this paper indicate that Stochastic Volatility models, particularly SARV models, outperform MS-GARCH models in forecasting Bitcoin price volatility. Moreover, the study suggests that in certain situations, persistent simple GARCH models may even outperform Markov-Switching GARCH models in predicting the variance of Bitcoin log returns. These findings offer valuable guidance for risk management experts, highlighting the potential advantages of SARV models in managing and forecasting Bitcoin price volatility.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.