Dự báo xác suất biến động tiền mã hóa bằng mô hình phân vị

Tóm tắt

Nghiên cứu xây dựng các dự báo xác suất về phương sai thực tế của Bitcoin, vượt ra ngoài dự báo điểm để ước tính các phân vị có điều kiện và biểu diễn mức độ bất định trong các kết quả biến động có thể xảy ra. Nghiên cứu kết hợp dự báo từ các mô hình thống kê như HAR, GARCH và ARFIMA với dự báo từ các phương pháp học máy, sau đó áp dụng khuôn khổ xếp chồng xác suất cho dự báo của các mô hình cơ sở.

So sánh được báo cáo cho thấy phương pháp Ước tính phân vị qua mô phỏng phần dư có hiệu suất ổn định, đặc biệt khi kết hợp với các mô hình cơ sở tuyến tính được huấn luyện trên biến động thực hiện đã chuyển đổi logarit. Tài liệu trình bày điều này như bằng chứng cho thấy đầu vào dự báo tuyến tính đơn giản hơn vẫn có thể hỗ trợ ước tính xác suất hiệu quả, kể cả khi so với các phương án phức tạp hơn. Phân tích chỉ tập trung vào Bitcoin, còn phần mô tả được cung cấp không nêu giai đoạn mẫu, thước đo đánh giá hoặc chi tiết thiết lập mô hình. Vì vậy, phát hiện này gợi mở hướng dự báo biến động có tính đến rủi ro nhưng không chứng minh thứ hạng hiệu suất tương tự sẽ áp dụng cho tiền mã hóa khác hoặc điều kiện thị trường khác.

Ý chính

• Dự báo xác suất ước tính một dải kết quả phương sai thực hiện có điều kiện thay vì chỉ đưa ra một điểm dự báo.
• Khung này kết hợp dự đoán từ các mô hình cơ sở thống kê và học máy.
• Mô phỏng phần dư được báo cáo có hiệu suất ổn định, nhất là với mô hình tuyến tính dùng dữ liệu biến động đã lấy logarit.
• Phát hiện thực nghiệm tập trung vào Bitcoin và không chứng minh hiệu suất trên các loại tiền mã hóa khác.

Thẻ

# 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.

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.