Modélisation de la volatilité des rendements Bitcoin par les modèles GARCH non paramétriques
DOI :
https://doi.org/10.59051/joaf.v13i1.489Mots-clés :
Bitcoin, volatility, GARCH, Nonparametric, ForecastingRésumé
Objectif: L’objectif de cet article est de mettre en évidence l'efficacité du modèle GARCH non paramétrique pour la prédiction des prix futurs du Bitcoin.
Méthodologie: Les modèles GARCH paramétriques pour caractériser la volatilité des rendements Bitcoin sont très utilisés dans la littérature empirique. Alternativement, nous considérons une approche non paramétrique pour modéliser et prévoir la volatilité des rendements Bitcoin.
Résultats: Nous montrons que la prévision de volatilité du modèle GARCH non paramétrique donne des performances supérieures par rapport à une classe étendue de modèles GARCH paramétriques.
Originalité/pertinence : L’amélioration de la précision des prévisions de la volatilité des rendements Bitcoin basée sur le modèle GARCH non paramétrique suggère que cette méthode offre une alternative attrayante et viable par rapport aux modèles paramétriques GARCH couramment utilisés.
Téléchargements
Références
Bollerslev, T. 1986. Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31, 307-327
Bollerslev, T., Wooldridge, J., 1992. Quasi-maximum likelihood estimation and inference in dynamic models with time-varying covariances. Econ. Rev. 11, 143-172.
Bollerslev, T., Engle, R.F., Nelson, D.B., 1994. ARCH models. In Engle, R.F., McFadden, D. (Eds.), Handbook of Econometrics, Amsterdam Elsevier Science, pp. 2959-3038.
Brandvold, M., Molnár, P., Vagstad, K., and Valstad, O. C. A. 2015. Price discovery on Bitcoin exchanges. Journal of International Financial Markets, Institutions and Money 36: 18- 35.
Bouoiyour, J., Selmi, R., Tiwari, A.K. and Olayeni, O.R. 2016. What drives Bitcoin price?. Economics Bulletin 36(2): 843-850.
Bossaerts P., HÃrdle W., Hafner C. (1996) Foreign Exchange Rates Have Surprising Volatility. In: Robinson P.M., Rosenblatt M. (eds) Athens Conference on Applied Probability and Time Series Analysis. Lecture Notes in Statistics, vol 115. Springer, New York, NY.
Bohlmann, P., McNeil, A., 2002. An algorithm for nonparametric GARCH modelling. Computational Statistics and Data Analysis 40, 665–683.
Engle R ,2001, Garch 101: The use of arch/garch models in applied econometrics. J Econ Perspect15: 157-168.
Engle, R.F., Bollerslev, T., 1986. Modelling the persistence of conditional variances. Econ. Rev. 5, 1-50.
Engle, R.F., Gonzalez-Rivera, G. 1991. Semiparametric ARCH models. Journal of Business and Economic Statistics, 9(4), 345-359.
Fan, J, Yao, Q. 1998, Efficient estimation of conditional variance functions in stochastic regression, Biometrika, Volume 85, Issue 3, Pages 645-660,
Ghalanos. A .2011, rgarch: A package for flexible garch modelling in r. Version 1.89.
Glosten, L.R., Jagannathan, R., Runkle, D.E., 1993. On the relation between the expected value and the volatility of the nominal excess return on stocks. J. Finance 48, 1779-1801.
Hardle, W., Chen, R. 1995. Nonparametric Time Series Analysis, a Selective Review with Examples. Proceedings of the 50th Session of the ISI.
HÃrdle, W., Lotkepohl, H., Chen, R. 1997.A Review of Nonparametric Time Series Analysis. International Statistical Review/Revue Internationale de Statistique, 65(1), 49-72.
Hou, A., Suardi, S., 2012. A Nonparametric GARCH Model Of Crude Oil Price Return Volatility. Energy Economics, 34(2), 618-626.
Nelson, D.B., 1991. Conditional heteroskedasticity in asset returns: a new approach. Econometrica 59, 347-1313.
Pagan, A.R., Schwert, G.W., 1990. Alternative models for conditional stock volatility. J. Econ. 45, 267-290.
Tostheim, D., Auestad, B.H. 1994. Nonparametric Identification of Nonlinear Time Series: Projections. Journal of the American Statistical Association, 89(428), 1398-1409.
Tschernig, R., Yang, L. 2000. Nonparametric Lag Selection for Time Series. Journal of Time Series Analysis, 21(4), 457-487.
Wand, M., Ripley, B , 2007 . KernSmooth : Functions for kernel smoothing for Wand and Jones (1995). R package version 2.22-20.
Wang, L., Feng, C., Song, Q., Yang, L. 2012. Efficient Semiparametric GARCH Modeling Of Financial Volatility. Statistica Sinica, 22, 249-270.
Téléchargements
Publié
Numéro
Rubrique
Licence
© Sami Mestiri 2022
Cette œuvre est sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.
Les auteurs qui publient dans cette revue acceptent les termes suivants :
- Les auteurs conservent leurs droits d'auteur et accordent à la revue le droit de première publication.
- L'œuvre est simultanément diffusée sous la licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International (CC BY-NC-ND 4.0). Cette licence permet à des tiers de télécharger, partager et réutiliser l'œuvre à des fins non commerciales, à condition que les auteurs originaux et la source soient correctement cités.
- Selon les termes de cette licence, aucune œuvre dérivée ou modification (telle qu'une traduction, une adaptation ou un remixage) n'est autorisée sans la permission explicite du titulaire des droits d'auteur.
- Les auteurs sont autorisés et encouragés à publier leur travail en ligne (par exemple, dans des archives institutionnelles ou sur leur site web personnel) après publication, car cela peut favoriser les échanges scientifiques et augmenter la visibilité ainsi que les citations de l'œuvre.
