Modélisation de la volatilité des rendements Bitcoin par les modèles GARCH non paramétriques

Auteurs-es

  • Sami MESTIRI FSEG mahdia

DOI :

https://doi.org/10.59051/joaf.v13i1.489

Mots-clés :

Bitcoin, volatility, GARCH, Nonparametric, Forecasting

Résumé

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

Les données relatives au téléchargement ne sont pas encore disponibles.

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-e

2022-06-30

Comment citer

MESTIRI, S. (2022). Modélisation de la volatilité des rendements Bitcoin par les modèles GARCH non paramétriques. Journal of Academic Finance, 13(1), 2–16. https://doi.org/10.59051/joaf.v13i1.489

Numéro

Vol. 13 No. 1 (2022): Spring 2022

Rubrique

Articles

Licence

(c) Tous droits réservés Sami Mestiri 2022

Licence Creative Commons

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 :

    1. Les auteurs conservent le droit d'auteur et accordent à la revue le droit de première publication, l'ouvrage étant alors disponible simultanément, sous la licence Licence d’attribution Creative Commons permettant à d'autres de partager l'ouvrage tout en en reconnaissant la paternité et la publication initiale dans cette revue.
    2. Les auteurs peuvent conclure des ententes contractuelles additionnelles et séparées pour la diffusion non exclusive de la version imprimée de l'ouvrage par la revue (par ex., le dépôt institutionnel ou la publication dans un livre), accompagné d'une mention reconnaissant sa publication initiale dans cette revue.
    3. Les auteurs ont le droit et sont encouragés à publier leur ouvrage en ligne (par ex., dans un dépôt institutionnel ou sur le site Web d'une institution) avant et pendant le processus de soumission, car cela peut mener à des échanges fructueux ainsi qu'à un nombre plus important, plus rapidement, de références à l’ouvrage publié (Voir The Effect of Open Access).