Главная  Журналы  Финансовая аналитика: проблемы и решения  1(359) - 2022 январь-март

Прогнозирование рыночных цен криптовалют

Получена: 27.01.2022

Получена в доработанном виде: 04.02.2022

Одобрена: 11.02.2022

Доступна онлайн: 28.02.2022

Рубрика: МАТЕМАТИЧЕСКИЙ АНАЛИЗ И МОДЕЛИРОВАНИЕ В ЭКОНОМИКЕ

Коды JEL: C32, C53, E42

Страницы: 42–64

https://doi.org/10.24891/fa.15.1.42

Предмет. Областью исследования является рынок криптовалют, в частности, динамика трех наиболее популярных в настоящее время криптовалют – Bitcoin, Ethereum и Tether.
Цели. Учитывая, что в научных кругах до сих пор не прекращаются споры о том, являются ли криптовалюты деньгами или денежными суррогатами, проведенное исследование должно дать ответ на вопрос: возможен ли прогноз курса криптовалют с учетом высокой волатильности их рыночной стоимости? В случае положительного ответа криптовалюты можно будет отнести, в соответствии с учением австрийской экономической школы, к новым формам денежных знаков.
Методология. Тестирование рынка криптовалют на информационную эффективность позволило выбрать наиболее адекватную модель прогнозирования рыночных цен криптовалют – гетерогенную авторегрессионную модель реализованной волатильности HAR-RV (Heterogeneous Autoregressive model of Realized Volatility). Предложено усилить прогнозные свойства модели HAR-RV расчетом информационной энтропии Шеннона для исследуемых временных рядов.
Результаты. Несмотря на простоту структуры, модель HAR-RV продемонстрировала хорошие результаты прогнозирования рыночных цен криптовалют. Принимая во внимание, что прогнозирование динамики временных рядов при помощи регрессионных моделей дает сбои при неожиданных резких всплесках рыночной информации, была рассчитана энтропия Шеннона, значения которой заранее предупреждают исследователя о росте или снижении курса криптовалюты. Предложенная методика прогнозирования динамики временных рядов может быть использована аналитиками и трейдерами на фондовом, валютном и денежном рынках.
Выводы. В настоящее время динамика рыночных цен криптовалют, несмотря на их высокую волатильность, может быть достаточно точно спрогнозирована. Кроме того, криптовалюты удовлетворяют всем требованиям австрийской экономической школы, предъявляемым к денежным средствам и в будущем могут составить существенную конкуренцию фиатным валютам.

Ключевые слова: биткоин, эффективность, гетерогенный рынок, реализованная волатильность, энтропия

Список литературы:

1. Tredinnick L. Cryptocurrencies and the Blockchain. Business Information Review, 2019, vol. 36, iss. 1, pp. 39–44. URL: Link
2. Masciandaro D. Central Bank Digital Cash and Cryptocurrencies: Insights from a New Baumol – Friedman Demand for Money. The Australian Economic Review, 2018, vol. 51, iss. 4, pp. 540–550. URL: Link
3. Dyhrberg A.H. Bitcoin, Gold and the Dollar – A GARCH Volatility Analysis. Finance Research Letters, 2016, vol. 16, pp. 85–92. URL: Link
4. Bjerg O. How is Bitcoin Money? Theory, Culture and Society, 2016, vol. 33, iss. 1, pp. 53–72. URL: Link
5. Adeleke I., Zubairu U.M., Abubakar B. et al. A Systematic Review of Cryptocurrency Scholarship. International Journal of Commerce and Finance, 2019, vol. 5, iss. 2, pp. 63–75. URL: Link
6. Иванченко И.С. Методы тестирования эффективности финансового рынка // Финансовая аналитика: проблемы и решения. 2015. Т. 8. Вып. 21. С. 58–68. URL: Link
7. Симановский А.Ю. К вопросу об экономической природе криптовалюты // Вопросы экономики. 2018. № 9. С. 132–142. URL: Link
8. Столбов М.И. О некоторых последствиях внедрения блокчейна в финансах // Вопросы экономики. 2018. № 6. С. 133–145. URL: Link
9. Столбов М.И. К десятилетию рынка криптовалют: текущее состояние и перспективы // Вопросы экономики. 2019. № 5. С. 136–148. URL: Link
10. Шайдуллина В.К. Криптовалюта: прогноз развития в условиях современного финансового рынка // Экономические науки. 2018. № 12. С. 106–111. URL: Link
11. Erdas M.L., Caglar A.E. Analysis of the Relationships Between Bitcoin and Exchange Rate, Commodities and Global Indexes by Asymmetric Causality Test. Eastern Journal of European Studies, 2018, vol. 9, iss. 2, pp. 27–45. URL: Link
12. Williamson S. Is Bitcoin a Waste of Resources? Federal Reserve Bank of St. Louis Review, 2018, vol. 100, no. 2, pp. 107–115. URL: Link
13. Phillip A., Chan J., Peiris S. On Long Memory Effects in the Volatility Measure of Cryptocurrencies. Finance Research Letters, 2019, vol. 28, pp. 95–100. URL: Link
14. Жилкин А.Н. Способны ли криптовалюты вытеснить доллары в международных расчетах? // Вестник Евразийской науки. 2018. Т. 10. № 5. URL: Link
15. Kjærland F., Khazal A., Krogstad E.A. et al. An Analysis of Bitcoin's Price Dynamics. Journal of Risk and Financial Management, 2018, vol. 11, iss. 4. URL: Link
16. Mangla N., Bhat A., Avabratha G., Bhat N. Bitcoin Price Prediction Using Machine Learning. International Journal of Information and Computing Science, 2019, vol. 6, iss. 5, pp. 318–320. URL: Link
17. Yecheng Yao, Jungho Yi, Shengjun Zhai et al. Predictive Analysis of Cryptocurrency Price Using Deep Learning. International Journal of Engineering and Technology, 2018, vol. 7, no. 3.27, pp. 258–264. URL: Link
18. Valencia F., Gómez-Espinosa A., Valdés-Aguirre B. Price Movement Prediction of Cryptocurrencies Using Sentiment Analysis and Machine Learning. Entropy, 2019, vol. 21, iss. 6. URL: Link
19. Kjærland F., Meland M., Oust A., Oyen V. How can Bitcoin Price Fluctuations be Explained? International Journal of Economics and Financial Issues, 2018, vol. 8, iss. 3, pp. 323–332. URL: Link
20. Corbet S., McHugh G., Meegan A. The Influence of Central Bank Monetary Policy Announcements on Cryptocurrency Return Volatility. Investment Management and Financial Innovations, 2017, vol. 14, iss. 4, pp. 60–72. URL: Link.2017.07
21. Kristjanpoller W., Minutolo M.C. A Hybrid Volatility Forecasting Framework Integrating GARCH, Artificial Neural Network, Technical Analysis and Principal Components Analysis. Expert Systems with Applications, 2018, vol. 109, pp. 1–11. URL: Link
22. Pele D.T., Mazurencu-Marinescu-Pele M. Using High-Frequency Entropy to Forecast Bitcoin's Daily Value at Risk. Entropy, 2019, vol. 21, iss. 2. URL: Link
23. Andersen T.G., Bollerslev T., Diebold F.X. Roughing it Up: Including Jump Components in the Measurement, Modeling, and Forecasting of Return Volatility. The Review of Economics and Statistics, 2007, vol. 89, iss. 4, pp. 701–720. URL: Link
24. Иванченко И.С. О монетарных функциях криптовалют // Финансы и кредит. 2019. Т. 25. Вып. 10. С. 2369–2384. URL: Link
25. Corsi F. A Simple Approximate Long-Memory Model of Realized Volatility. Journal of Financial Econometrics, 2009, vol. 7, iss. 2, pp. 174–196. URL: Link
26. Andersen T.G., Bollerslev T., Diebold F.X., Labys P. The Distribution of Realized Exchange Rate Volatility. Journal of the American Statistical Association, 2001, vol. 96, iss. 453, pp. 42–55. URL: Link
27. Хайек Ф.А. Частные деньги. М.: Институт национальной модели экономики, 1996. 118 с.
28. Daw C.S., Finney C.E.A., Tracy E.R. A Review of Symbolic Analysis of Experimental Data. Review of Scientific Instruments, 2003, vol. 74, iss. 2, pp. 915–930. URL: Link

Посмотреть другие статьи номера »