Previsão probabilística da volatilidade de criptomoedas com modelos quantílicos

Resumo

O estudo desenvolve previsões probabilísticas da variância realizada do Bitcoin, indo além de previsões pontuais para estimar quantis condicionais e representar a incerteza dos possíveis resultados de volatilidade. Combina previsões de modelos estatísticos como HAR, GARCH e ARFIMA com previsões de métodos de aprendizado de máquina e, em seguida, aplica uma estrutura probabilística de combinação às previsões dos modelos-base.

A comparação relatada conclui que a Estimação Quantílica por Simulação de Resíduos apresenta bom desempenho consistente, sobretudo quando combinada com modelos-base lineares treinados com volatilidade realizada transformada em logaritmo. O documento apresenta isso como evidência de que dados de entrada lineares mais simples podem sustentar estimativas probabilísticas eficazes, inclusive diante de alternativas mais complexas. A análise se restringe ao Bitcoin, e a descrição fornecida não informa o período da amostra, as métricas de avaliação nem detalhes das configurações dos modelos. Portanto, os resultados motivam previsões de volatilidade que considerem o risco, mas não demonstram que a mesma classificação se manterá para outras criptomoedas ou condições de mercado.

Ideias principais

• Previsões probabilísticas estimam uma faixa de resultados condicionais possíveis para a variância realizada, em vez de apenas um valor pontual.
• O arcabouço combina previsões de modelos-base estatísticos e de aprendizado de máquina.
• A simulação de resíduos tem desempenho consistentemente bom, sobretudo com modelos lineares que usam dados de volatilidade em logaritmo.
• Os resultados empíricos se concentram no Bitcoin e não demonstram desempenho em outras criptomoedas.

Tags

# 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.

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.