Твиты и объём транзакций в прогнозе волатильности Bitcoin

Сводка

В исследовании моделируется поминутная волатильность доходности Bitcoin с помощью методов обобщённой авторегрессионной условной гетероскедастичности. Историческая доходность и волатильность, представленные вариантами семейства GARCH, сочетаются с гипотезой смеси распределений: поток рыночной информации может объяснять динамику доходности. В качестве внешних информационных сигналов используются твиты о Bitcoin и объём транзакций.

В статье проверяется, улучшают ли эти сигналы прогнозы волатильности; варианты модели сравниваются с помощью вневыборочных статистических тестов. В этой оценке наибольшую пользу от добавления внешних сигналов получила простейшая модель GARCH(1,1). В имеющемся описании не приведены даты выборки, подробные показатели эффективности или точные способы построения и временного сопоставления переменных твитов и объёма. Следовательно, результат подтверждает проверенную спецификацию и набор данных, но сам по себе не показывает, что эти сигналы улучшат прогнозы в другие периоды или в иных условиях торговли.

Ключевые идеи

• Исследование прогнозирует волатильность Bitcoin по поминутной доходности с помощью моделей семейства GARCH.
• Проверяется, дают ли твиты о Bitcoin и объём транзакций дополнительную информацию о волатильности.
• В подходе динамика доходности объясняется как исторической волатильностью, так и потоком рыночной информации.
• Вневыборочные тесты показывают, что наибольший выигрыш от добавления внешних сигналов среди проверенных моделей показала модель GARCH(1,1).
• В описании мало сведений о построении сигналов и величине улучшения прогнозов.

Теги

# 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.

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.