Прогнозирование волатильности Bitcoin: модели Марковского переключения GARCH и стохастические модели

Сводка

В статье сравниваются прогнозы условной дисперсии дневной доходности Bitcoin с использованием моделей Марковского переключения GARCH и стохастической волатильности, включая стохастическую авторегрессионную волатильность (SARV). Исследование оценивает качество прогнозирования вне выборки и рекомендует оценивать коэффициенты уравнений среднего и дисперсии на отдельных этапах. Такое разделение обосновывается процедурой оценивания.

Согласно результатам, модели стохастической волатильности, особенно SARV, превосходят альтернативы с марковским переключением GARCH. Также показано, что стандартная устойчивая модель GARCH иногда лучше прогнозирует дисперсию доходности, чем модель GARCH с марковским переключением. Эти сравнения помогают выбирать модели волатильности для прогнозирования риска Bitcoin, однако в кратком описании нет дат выборки, горизонтов прогноза, метрик качества или подробных условий ранжирования. Поэтому результаты не доказывают, что одна модель будет лидировать при любом режиме рынка или настройке прогноза.

Ключевые идеи

• В исследовании сравниваются прогнозы волатильности Bitcoin вне выборки на основе моделей Марковского переключения GARCH и стохастической волатильности.
• В класс моделей стохастической волатильности включены модели стохастической авторегрессионной волатильности.
• В статье рекомендуется двухэтапная процедура оценивания, разделяющая коэффициенты уравнений среднего и дисперсии.
• В приведённом сравнении модели стохастической волатильности, особенно SARV, показывают лучшие результаты, чем MS-GARCH.
• Устойчивая простая модель GARCH иногда превосходит MS-GARCH в прогнозе дисперсии доходности Bitcoin.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.