Predicting Bitcoinʼs volatility
master's thesis
Povzetek
The master's thesis addresses analyzing and modeling the volatility of Bitcoin, the cryptocurrency with the largest marketcap. Volatility is a statistical measure of the dispersion of returns. We approximated it with realized volatility calculated on intra-daily log returns. We defined two baseline models based on a constant value and martingale property and tried to outperform them with both econometric and machine learning models. We used three error functions relative to our baseline models: MAE, MAPE, and RMSE. The best-performing econometric model is the HAR model. The best-performing machine learning model, which also outperforms the HAR model, is the LSTM recurrent neural network.
Ključne besede
volatility;forecasting;time series;cryptocurrencies;time-series analysis;machine learning;recurrent neural networks;LSTM;
Podatki
| Jezik: | Angleški jezik |
|---|---|
| Leto izida: | 2022 |
| Tipologija: | 2.09 - Magistrsko delo |
| Organizacija: | UL FMF - Fakulteta za matematiko in fiziko |
| Založnik: | [J. Pristovnik] |
| UDK: | 519.2 |
| COBISS: |
135369475
|
| Št. ogledov: | 560 |
| Št. prenosov: | 111 |
| Ocena: | 0 (0 glasov) |
| Metapodatki: |
|
Ostali podatki
| Sekundarni jezik: | Slovenski jezik |
|---|---|
| Sekundarni naslov: | Napovedovanje volatilnosti Bitcoina |
| Sekundarni povzetek: | Magistrsko delo obravnava analizo in modeliranje volatilnosti Bitcoina, kriptovalute z največjo tržno kapitalizacijo. Volatilnost je statistična mera razpršenosti donosov. Aproksimirali smo jo z realizirano historično volatilnostjo, na podlagi visoko frekvenčnih logaritemskih donosov. Definirali smo dva osnovna modela, bazirana na konstantni vrednosti in martingalski lastnosti, ter ju poskušali preseči z ekonometričnimi modeli in modeli strojnega učenja. Uporabili smo tri različne funkcije napak, relativno na naše osnovne modele: MAE, MAPE in RMSE. Najuspešnejši ekonometrični model je model HAR, najuspešnejši model strojnega učenja je rekurenčna nevronska mreža tipa LSTM. Slednja je boljša tudi od modela HAR. |
| Sekundarne ključne besede: | volatilnost;napovedovanje;časovne vrste;kriptovalute;analiza časovnih vrst;strojno učenje;rekurenčne nevronske mreže;LSTM; |
| Vrsta dela (COBISS): | Magistrsko delo/naloga |
| Študijski program: | 0 |
| Komentar na gradivo: | Univ. v Ljubljani, Fak. za matematiko in fiziko, Oddelek za matematiko, Finančna matematika - 2. stopnja |
| Strani: | XV, 73 str. |
| ID: | 17547218 |
Priporočena dela: