بٹ کوائن کے اتار چڑھاؤ کی پیش گوئی میں ٹویٹس اور لین دین کا حجم

خلاصہ

یہ مطالعہ عمومی خودارتقائی مشروط غیر یکساں تغیر (جی اے آر سی ایچ) کے طریقوں سے بٹ کوائن کے ریٹرن کے منٹ بہ منٹ اتار چڑھاؤ کو ماڈل کرتا ہے۔ یہ GARCH خاندان کی مختلف صورتوں سے ظاہر کردہ تاریخی ریٹرنز اور اتار چڑھاؤ کو تقسیم کے آمیزے کے مفروضے کے ساتھ ملاتا ہے: مارکیٹ میں معلومات کا بہاؤ ریٹرن کی حرکیات سمجھنے میں مدد دے سکتا ہے۔ بٹ کوائن سے متعلق ٹویٹس اور لین دین کا حجم بیرونی معلوماتی سگنلز کے طور پر استعمال ہوتے ہیں۔

مقالہ جانچتا ہے کہ آیا یہ سگنلز اتار چڑھاؤ کی پیش گوئیوں کو بہتر بناتے ہیں، اور ماڈل کی مختلف صورتوں کے موازنے کے لیے نمونے سے باہر شماریاتی ٹیسٹ استعمال کرتا ہے۔ اس جانچ میں سب سے سادہ GARCH(1,1) ماڈل اضافی بیرونی سگنلز سے سب سے زیادہ فائدہ اٹھاتا ہے۔ دستیاب وضاحت میں نمونے کی تاریخیں، کارکردگی کے تفصیلی پیمانے یا ٹویٹ اور حجم کے متغیروں کی درست تشکیل اور وقت نہیں بتایا گیا۔ لہٰذا نتیجہ آزمائی گئی تخصیص اور ڈیٹا سیٹ اپ کی تائید کرتا ہے، مگر بذاتِ خود یہ نہیں دکھاتا کہ یہ سگنلز دوسرے ادوار یا ٹریڈنگ حالات میں پیش گوئی بہتر کریں گے۔

اہم خیالات

• مطالعہ GARCH خاندان کے ماڈلز سے بٹ کوائن کے منٹ بہ منٹ قیمت منافع کی بنیاد پر اتار چڑھاؤ کی پیش گوئی کرتا ہے۔
• یہ جانچتا ہے کہ آیا بٹ کوائن سے متعلق ٹویٹس اور لین دین کا حجم اتار چڑھاؤ کے بارے میں اضافی معلومات دیتے ہیں۔
• طریقہ منافع کی حرکیات کو تاریخی اتار چڑھاؤ اور مارکیٹ میں معلومات کے بہاؤ، دونوں سے جوڑتا ہے۔
• نمونے سے باہر ٹیسٹ میں آزمائے گئے ماڈلز میں بیرونی سگنلز شامل کرنے سے GARCH(1,1) کو سب سے زیادہ فائدہ ہوا۔
• وضاحت میں سگنلز کی تشکیل اور پیش گوئی میں بہتری کے حجم کی محدود تفصیل ہے۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔