Dùng tweet và khối lượng giao dịch để dự báo biến động Bitcoin

Tóm tắt

Nghiên cứu mô hình hóa biến động lợi suất Bitcoin theo phút bằng các phương pháp phương sai có điều kiện dị phương sai tự hồi quy tổng quát. Nghiên cứu kết hợp lợi suất và biến động lịch sử, được biểu diễn bằng các biến thể thuộc họ GARCH, với Giả thuyết Hỗn hợp Phân phối: dòng thông tin thị trường có thể giúp giải thích động thái lợi suất. Tweet liên quan đến Bitcoin và khối lượng giao dịch đóng vai trò là tín hiệu thông tin bên ngoài.

Bài báo kiểm tra xem các tín hiệu này có cải thiện dự báo biến động hay không và dùng các kiểm định thống kê ngoài mẫu để so sánh những biến thể mô hình. Trong đánh giá này, mô hình GARCH(1,1) đơn giản nhất phản ứng tốt nhất khi bổ sung tín hiệu bên ngoài. Mô tả hiện có không nêu ngày tháng của mẫu, thước đo hiệu quả chi tiết hay cách xây dựng và xác định thời điểm chính xác của các biến tweet và khối lượng. Vì vậy, kết quả ủng hộ đặc tả và cách thiết lập dữ liệu đã kiểm tra, nhưng tự nó không cho thấy các tín hiệu này sẽ cải thiện dự báo trong những giai đoạn hoặc bối cảnh giao dịch khác.

Ý chính

• Nghiên cứu dự báo biến động Bitcoin bằng lợi suất giá theo phút và các mô hình thuộc họ GARCH.
• Nghiên cứu kiểm tra liệu tweet liên quan đến Bitcoin và khối lượng giao dịch có bổ sung thông tin về biến động hay không.
• Cách tiếp cận xem động thái lợi suất xét đến cả biến động lịch sử lẫn dòng thông tin thị trường.
• Kiểm định ngoài mẫu cho thấy GARCH(1,1) hưởng lợi nhiều nhất trong số các mô hình được kiểm tra khi bổ sung tín hiệu bên ngoài.
• Mô tả cung cấp ít chi tiết về cách xây dựng tín hiệu và mức độ cải thiện dự báo.

Thẻ

# 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.

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.