Tweets e volume de transações na previsão de volatilidade do Bitcoin

Resumo

Este estudo modela a volatilidade dos retornos do Bitcoin em intervalos de um minuto usando métodos de heterocedasticidade condicional autorregressiva generalizada. Combina retornos e volatilidade históricos, representados por variantes da família GARCH, com a Hipótese da Mistura de Distribuições: o fluxo de informações do mercado pode ajudar a explicar a dinâmica dos retornos. Tweets relacionados ao Bitcoin e volume de transações servem como sinais externos de informação.

O artigo testa se esses sinais melhoram as previsões de volatilidade e usa testes estatísticos fora da amostra para comparar variantes do modelo. Na avaliação, o modelo GARCH(1,1), o mais simples, responde melhor à inclusão de sinais externos. A descrição disponível não informa as datas da amostra, medidas detalhadas de desempenho nem a construção precisa e o momento das variáveis de tweets e volume. Portanto, o resultado dá suporte à especificação e à configuração de dados testadas, mas não demonstra por si só que esses sinais melhorarão previsões em outros períodos ou contextos de trading.

Ideias principais

• O estudo prevê a volatilidade do Bitcoin com modelos da família GARCH, usando retornos de preços em intervalos de um minuto.
• Testa se tweets sobre Bitcoin e o volume de transações acrescentam informações sobre a volatilidade.
• A abordagem considera a dinâmica dos retornos tanto pela volatilidade histórica quanto pelo fluxo de informações do mercado.
• Nos testes fora da amostra, a inclusão dos sinais externos beneficia mais o modelo GARCH(1,1) entre os modelos avaliados.
• A descrição fornece poucos detalhes sobre a construção dos sinais e a magnitude das melhorias nas previsões.

Tags

# 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.

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.