Научный архив: статьи

Since the introduction of Bitcoin in 2008, the size of the cryptocurrency market is becoming increasingly important for investors. Thus, the forecast of cryptocurrency price volatility is of particular interest to portfolio investors, as they are interested in accurately estimating the standard deviation of their portfolios to calculate the Value-at-Risk (VaR) as a risk measure for more optimal portfolio management. The HAR-RV model introduced by F. Corsi (in 2009) became more effective than the traditional GARCH type models in forecasting in the volatility of financial assets. In the last decade, cryptocurrencies started to dominate both the social media and the fi nancial press. At the same time, some academic papers use social media data to enhance the cryptocurrency volatility forecasting models. In our paper, we study how the use of Google Trends data could improve the precision of one-day-ahead of Bitcoin price volatility models forecasts. We use three different measures of the forecast precision. All models are estimated in rolling windows in order to control for possible structural breaks. Also, we estimate the optimal length of rolling windows to provide the best forecast precision on the historical Bitcoin price data from January 1, 2018 to December 31, 2022. We verify that the predictive power of the chosen model statistically differs from other models via MCS-tes

Криптовалюты стали важной частью современного финансового рынка. Одними из крупнейших являются Bitcoin, Ether, Litecoin и XRP, их капитализация составляет львиную долю рынка цифровых активов. При этом рынок криптовалют отличается от рынка традиционных финансовых активов более высоким уровнем волатильности цен, что делает методологию построения более точных прогнозов дневной волатильности для этих активов особенно значимой. Оценка дневной волатильности финансового актива является важным аспектом при разработке инвесторами торговых стратегий, определении направления политики риск-менеджмента, а также для учета в регуляторной политике рынка цифровых активов со стороны финансовых регуляторов. Настоящее исследование фокусируется на интеграции в HAR-RVмодель дополнительной нефинансовой информации, извлеченной из сети Интернет, для улучшения качества прогнозов реализованной волатильности четырех крупнейших криптовалют. В настоящем исследовании используются переменные, построенные на основе источников GDELT и Google Trends в качестве экзогенных для учета общественного интереса и сентимента (эмоциональных, поведенческих факторов). Переменные включаются в стандартную HAR-log-RV-модель, все вариации моделей для каждого актива оцениваются в скользящем окне на периоде с 1 января 2018 года по 23 июня 2024-го. Было получено более 2000 вневыборочных прогнозов на один день вперед, на основе которых рассчитываются функции потерь. Набор вневыборочных ошибок моделей для каждого актива тестируется с помощью процедуры MCS для определения набора статистически лучших прогнозных моделей. Предложенные в исследовании источники данных и построенные на их основе переменные позволяют значительно улучшить прогнозы реализованной волатильности четырех крупнейших криптовалют.