Вероятностный прогноз волатильности криптовалют с помощью квантильных моделей

Сводка

В исследовании разрабатываются вероятностные прогнозы реализованной дисперсии Bitcoin: помимо точечных прогнозов оцениваются условные квантили и представляется неопределенность возможных значений волатильности. Прогнозы статистических моделей, таких как HAR, GARCH и ARFIMA, объединяются с прогнозами методов машинного обучения; затем к прогнозам базовых моделей применяется вероятностный стекинг.

Согласно сравнению, метод оценки квантилей посредством моделирования остатков показывает стабильно хорошие результаты, особенно в сочетании с линейными базовыми моделями, обученными на логарифмированных значениях реализованной волатильности. Документ представляет это как свидетельство того, что более простые линейные входные прогнозы могут обеспечивать эффективные вероятностные оценки даже в сравнении со сложными альтернативами. Анализ касается только Bitcoin; в описании нет периода выборки, метрик оценки или подробностей настроек моделей. Результаты мотивируют прогнозирование волатильности с учетом риска, но не доказывают, что такое же ранжирование сохранится для других криптовалют или рыночных условий.

Ключевые идеи

• Вероятностные прогнозы оценивают диапазон условных значений реализованной дисперсии, а не только одно точечное значение.
• Схема объединяет прогнозы статистических базовых моделей и моделей машинного обучения.
• По сообщению авторов, оценивание квантилей посредством моделирования остатков показывает стабильно хорошие результаты, особенно в сочетании с линейными моделями, использующими логарифмированные данные о волатильности.
• Эмпирические результаты относятся к Bitcoin и не доказывают эффективность для других криптовалют.

Теги

# 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.

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.