跳至正文
返回文库全部文档

将推文和交易量用于比特币波动率预测

文章 arXiv papers · 作者: Irena Barjašić et al.
阅读原文

总结

本研究使用广义自回归条件异方差方法，对比特币分钟级收益率波动率建模。研究将 GARCH 系列变体所代表的历史收益率与波动率，同分布混合假说结合起来：市场信息流有助于解释收益率动态。与比特币相关的推文和交易量作为外部信息信号。

论文检验这些信号是否能改善波动率预测，并使用样本外统计检验比较不同模型变体。在这项评估中，加入外部信号后，最简单的 GARCH(1,1) 模型表现最佳。现有描述未报告样本日期、具体表现指标，也未说明推文和交易量变量的具体构造方式及时间安排。因此，结果仅支持所测试的模型设定和数据安排，本身并不能表明这些信号能改善其他时期或交易情境下的预测。

核心观点

  • 研究使用 GARCH 系列模型，根据分钟级价格收益率预测比特币波动率。
  • 研究检验与比特币相关的推文和交易量是否能提供有关波动率的额外信息。
  • 该方法从历史波动率和市场信息流两个方面描述收益率动态。
  • 样本外检验发现，在所测试的模型中，加入外部信号后 GARCH(1,1) 受益最大。
  • 描述对信号构造和预测改善幅度提供的信息有限。

标签

加密资产波动率高频交易市场情绪统计学
全文
# 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.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。