پیش بینی نوسانات قیمت بیت کوین با استفاده از مدل های خودرگرسیون ناهمگن (HAR) (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
پیش بینی نوسانات دارایی های مالی به ویژه در بازارهای پرنوسان مانند ارزهای دیجیتال، یکی از چالش های مهم در تحلیل مالی است. این پیش بینی ها نه تنها می توانند به سرمایه گذاران کمک کنند تا تصمیمات بهتری در زمینه خرید و فروش اتخاذ کنند، بلکه امکان مدیریت مؤثرتر ریسک ها و شناسایی فرصت های سودآوری را نیز فراهم می آورند. در نهایت، توانایی پیش بینی نوسانات بازار می تواند موجب بهبود استراتژی های مدیریت پرتفوی و کاهش ضررهای غیرمنتظره برای سرمایه گذاران شود. این تحقیق به بررسی و پیش بینی نوسانات قیمت بیت کوین به عنوان یکی از مهم ترین ارزهای دیجیتال پرداخته است. مدل های خودرگرسیون ناهمگن (HAR) و خانواده های آن به عنوان ابزارهای اصلی برای مدل سازی نوسانات در این پژوهش انتخاب شدند. این مدل ها به دلیل قابلیت بالای خود در تحلیل نوسانات در مقیاس های زمانی مختلف، برای مطالعه داده های نوسانی از اهمیت ویژه ای برخوردارند. با توجه به ویژگی های خاص بازار ارزهای دیجیتال، که شامل تغییرات سریع و غیرقابل پیش بینی در قیمت ها است، استفاده از مدل هایی که می توانند نوسانات کوتاه مدت و بلندمدت را همزمان مدل سازی کنند، ضروری به نظر می رسد. در این مطالعه، داده های تاریخی با فراوانی بالا در بازه های زمانی 60 دقیقه ای، روزانه، هفتگی و ماهانه از قیمت بیت کوین در دوره زمانی 2018 تا 2022 مورد تحلیل قرار گرفتند. نتایج حاصل از تحلیل ها نشان می دهد که مدل های خودرگرسیون ناهمگن (HAR) و نسخه های گسترش یافته آن، مانند HARJ، HARQ و HARQJ، توانایی بالایی در پیش بینی نوسانات قیمت بیت کوین دارند. علاوه بر این، وارد کردن عامل پرش به این مدل ها باعث افزایش دقت پیش بینی ها و بهبود نتایج شده است. این یافته ها بر اهمیت استفاده از مدل های پیشرفته و ترکیبی در پیش بینی نوسانات بازارهای مالی تأکید می کند و می تواند راهگشای توسعه استراتژی های بهینه برای سرمایه گذاران در بازار ارزهای دیجیتال باشد.Predicting Bitcoin Price Volatility Using Heterogeneous Autoregressive (HAR) models
Predicting financial asset volatility is highly important because this information can help investors make more informed decisions regarding buying and selling. Accurate predictions can also reduce financial risks and identify profitable opportunities. Ultimately, the ability to forecast market changes improves portfolio management strategies and minimizes unexpected losses for investors. This study examines and predicts Bitcoin price volatility by using innovative data analysis models. The Heterogeneous Autoregressive (HAR) model and its variants were selected as the primary tools for modeling volatility because of their high capability to analyze volatility data across different time scales. Given the unique characteristics of cryptocurrency markets and rapid, unpredictable price fluctuations, the use of models that can simultaneously capture both short- and long-term volatility is of significant importance. In this study, high-frequency historical Bitcoin price data from 2018 to 2022, covering 60-minute, daily, weekly, and monthly intervals, were analyzed using the HAR, HARJ, HARQ, and HARQJ models. The results indicate that heterogeneous models have strong predictive power for Bitcoin price volatility, and incorporating jump factors into these models further improves their forecasting accuracy.
Predicting financial asset volatility is highly important because this information can help investors make more informed decisions regarding buying and selling. Accurate predictions can also reduce financial risks and identify profitable opportunities. Ultimately, the ability to forecast market changes improves portfolio management strategies and minimizes unexpected losses for investors. This study examines and predicts Bitcoin price volatility by using innovative data analysis models. The Heterogeneous Autoregressive (HAR) model and its variants were selected as the primary tools for modeling volatility because of their high capability to analyze volatility data across different time scales. Given the unique characteristics of cryptocurrency markets and rapid, unpredictable price fluctuations, the use of models that can simultaneously capture both short- and long-term volatility is of significant importance. In this study, high-frequency historical Bitcoin price data from 2018 to 2022, covering 60-minute, daily, weekly, and monthly intervals, were analyzed using the HAR, HARJ, HARQ, and HARQJ models. The results indicate that heterogeneous models have strong predictive power for Bitcoin price volatility, and incorporating jump factors into these models further improves their forecasting accuracy.
تبلیغات
