Dự báo biến động Bitcoin với GARCH chuyển chế độ Markov và mô hình ngẫu nhiên

Tóm tắt

Bài báo so sánh các dự báo phương sai có điều kiện của lợi suất Bitcoin hàng ngày bằng GARCH chuyển chế độ Markov và các mô hình biến động ngẫu nhiên, gồm biến động tự hồi quy ngẫu nhiên (SARV). Thiết kế đánh giá hiệu suất dự báo ngoài mẫu và khuyến nghị ước tính hệ số của phương trình trung bình và phương sai theo các giai đoạn riêng biệt. Cách tách biệt này được nêu làm cơ sở cho quy trình ước tính.

Kết quả được báo cáo nghiêng về các mô hình biến động ngẫu nhiên, đặc biệt là SARV, so với các phương án GARCH chuyển chế độ Markov. Kết quả cũng cho thấy mô hình GARCH thông thường có tính dai dẳng đôi khi dự báo phương sai lợi suất tốt hơn mô hình GARCH chuyển chế độ Markov. Những so sánh này cung cấp bằng chứng để lựa chọn giữa các mô hình biến động khi dự báo rủi ro Bitcoin, nhưng phần tóm tắt không nêu ngày tháng của mẫu, chân trời dự báo, thước đo chấm điểm hay điều kiện chi tiết đằng sau thứ hạng. Vì vậy, các phát hiện không xác lập rằng một mô hình sẽ vượt trội trong mọi chế độ thị trường hay cấu hình dự báo.

Ý chính

• Nghiên cứu so sánh dự báo biến động Bitcoin ngoài mẫu từ GARCH chuyển chế độ Markov và các mô hình biến động ngẫu nhiên.
• Nghiên cứu xem xét các mô hình biến động tự hồi quy ngẫu nhiên thuộc nhóm mô hình biến động ngẫu nhiên.
• Bài báo khuyến nghị quy trình ước tính hai giai đoạn, tách riêng hệ số phương trình trung bình và phương sai.
• Trong phép so sánh được báo cáo, các mô hình biến động ngẫu nhiên, đặc biệt là SARV, hoạt động tốt hơn MS-GARCH.
• Mô hình GARCH đơn giản có tính dai dẳng đôi khi vượt trội hơn MS-GARCH khi dự báo phương sai lợi suất Bitcoin.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.