Исследование влияния индексов неопределенности на волатильность Bitcoin с помощью ARDL модели
DOI:
https://doi.org/10.22394/1993-7601-2024-74-35-50Ключевые слова:
Bitcoin, криптовалюта, реализованная волатильность, ARDL модель, индексы неопределенности, COVID‑19Аннотация
В статье с помощью модели ARDL изучается влияние «индекса страха» VIX и индексов экономической и рыночной неопределенности, построенных на основе данных социальной сети X (ранее—Twitter, заблокирована в РФ), на волатильность криптовалюты Bitcoin. В качестве оценки ненаблюдаемого показателя волатильности криптовалюты используется непараметрическая оценка, полученная по 5‑минутным данным о ценах закрытия Bitcoin, с учетом корректировки при наличии пропусков внутри суток. В работе рассматриваются данные в период с 02.01.2018 по 30.12.2022, разделенные на два периода—доковидный (с 01.01.2018 по 28.02.2020) и постковидный (с 01.03.2020 по 31.12.2022). Согласно полученным результатам оценивания ARDL модели на разных периодах, в долгосрочной перспективе наблюдается значимое отрицательное влияние «индекса страха» на реализованную волатильность Bitcoin. Краткосрочный (мгновенный) значимый положительный эффект на реализованную волатильность Bitcoin наблюдается для показателя рыночной неопределенности TMU_ENG в доковидном периоде. Выявленные значимые эффекты позволяют использовать показатели VIX и TMU_ENG для улучшений качества прогноза в моделях для волатильности криптовалюты Bitcoin.Организации
Исследование поддержано Российским научным фондом (РНФ), грант № 24-28-00280.Скачивания
Библиографические ссылки
Аганин А. Д., Маневич В. А., Пересецкий А. А., Погорелова П. В. (2023). Сравнение моделей прогноза волатильности криптовалют и фондового рынка. Экономический журнал ВШЭ, 27 (1), 49–77. DOI: 10.17323/1813-8691-2023-27-1-49-77.
Маневич В. А., Пересецкий А. А., Погорелова П. В. (2022). Волатильность фондового рынка и волатильность криптовалют. Прикладная эконометрика, 65, 65–76. DOI: 10.22394/1993‑7601‑2022‑65‑65‑76.
Andersen T. G., Bollerslev T. (1998). Answering the skeptics: Yes, standard volatility models do provide accurate forecasts. International Economic Review, 39 (4), 885–905. DOI: 10.2307/2527343.
Baker S. R., Bloom N., Davis S. J. (2016). Measuring economic policy uncertainty. The Quarterly Journal of Economics, 131 (4), 1593–1636. DOI: 10.1093/qje/qjw024.
Baker S. R., Bloom N., Davis S. J., Kost K., Sammon M., Viratyosin T. (2020). The unprecedented stock market reaction to COVID‑19. The Review of Asset Pricing Studies, 10 (4), 742–758. DOI: 10.1093/rapstu/raaa008.
Baruník J., Kley T. (2019). Quantile coherency: A general measure for dependence between cyclical economic variables. Econometrics Journal, 22 (2), 131–152. DOI: 10.1093/ectj/utz002.
Bergsli L. Ø., Lind F. A., Molnár P., Polasik M. (2022). Forecasting volatility of Bitcoin. Research in International Business and Finance, 59. DOI: 10.1016/j.ribaf.2021.101540.
Caporale G. M., Zekokh T. (2019). Modelling volatility of cryptocurrencies using Markov-Switching GARCH models. Research in International Business and Finance, 48, 143–155. DOI: 10.1016/j.ribaf.2018.12.009.
Hong Y., Liu Ya., Wang S. (2009). Granger causality in risk and detection of extreme risk spillover between financial markets. Journal of Econometrics, 150 (2), 271–287. DOI: 10.1016/j.jeconom.2008.12.013.
Jareño F., De la O González M., Tolentino M., Sierra K. (2020). Bitcoin and gold price returns: A quantile regression and NARDL analysis. Resources Policy, 67. DOI: 10.1016/j.resourpol.2020.101666.
Jiang Y., Wu L., Tian G., Nie H. (2021). Do cryptocurrencies hedge against EPU and the equity market volatility during COVID‑19?—New evidence from quantile coherency analysis. Journal of International Financial Markets, Institutions and Money, 72, 101324. DOI: 10.1016/j.intfin.2021.101324.
Lopez-Lira A., Tang Yu. (2023). Can ChatGPT forecast stock price movements? Return predictability and large language models. https://ssrn.com/abstract=4412788. DOI: 10.2139/ssrn.4412788.
Nouir J. B., Hamida H. B. H. (2023). How do economic policy uncertainty and geopolitical risk drive Bitcoin volatility? Research in International Business and Finance, 64, 101809. DOI: 10.1016/j.ribaf.2022.101809.
Pesaran M. H., Shin Y., Smith R. J. (2001). Bounds testing approaches to the analysis of level relationships. Journal of Applied Econometrics, 16 (3), 289–326. DOI: 10.1002/jae.616.
Shaikh I. (2019). On the relationship between economic policy uncertainty and the implied volatility index. Sustainability, 11 (6), 1–11. DOI: 10.3390/su11061628.
Simran, Sharma A. K. (2023). Asymmetric impact of economic policy uncertainty on cryptocurrency market: Evidence from NARDL approach. The Journal of Economic Asymmetries, 27, e00298. DOI: 10.1016/j.jeca.2023.e00298.
Wang G. J., Xie C., Wen D., Zhao L. (2019). When Bitcoin meets economic policy uncertainty (EPU): Measuring risk spillover effect from EPU to Bitcoin. Finance Research Letters, 31. DOI: 10.1016/j.frl.2018.12.028.
Wang J., Lu X., He F., Ma F. (2020). Which popular predictor is more useful to forecast international stock markets during the coronavirus pandemic: VIX vs EPU? International Review of Financial Analysis, 72. DOI: 10.1016/j.irfa.2020.101596.
White H., Kim T.-H., Manganelli S. (2015). VAR for VaR: Measuring tail dependence using multivariate regression quantiles. Journal of Econometrics, 187, 169–188. DOI: 10.1016/j.jeconom.2015.02.004.
Yu J., Shi X., Guo D., Yang L. (2021). Economic policy uncertainty (EPU) and firm carbon emissions: Evidence using a China provincial EPU index. Energy Economics, 94. DOI: 10.1016/j.eneco.2020.105071.
Aganin A., Manevich V., Peresetsky A., Pogorelova P. (2023). Comparison of cryptocurrency and stock market volatility forecast models. The HSE Economic Journal, 27 (1), 49–77 (in Russian). DOI: 10.17323/1813-8691-2023-27-1-49-77.
Manevich V . A., Peresetsky A. A., Pogorelova P. V . (2022). Stock market and cryptocurrency market volatility. Applied Econometrics, 65, 65–76. DOI: 10.22394/1993‑7601‑2022‑65‑65‑76 (in Russian).
Andersen T. G., Bollerslev T. (1998). Answering the skeptics: Yes, standard volatility models do provide accurate forecasts. International Economic Review, 39 (4), 885–905. DOI: 10.2307/2527343.
Baker S. R., Bloom N., Davis S. J. (2016). Measuring economic policy uncertainty. The Quarterly Journal of Economics, 131 (4), 1593–1636. DOI: 10.1093/qje/qjw024.
Baker S. R., Bloom N., Davis S. J., Kost K., Sammon M., Viratyosin T. (2020). The unprecedented stock market reaction to COVID‑19. The Review of Asset Pricing Studies, 10 (4), 742–758. DOI: 10.1093/rapstu/raaa008.
Baruník J., Kley T. (2019). Quantile coherency: A general measure for dependence between cyclical economic variables. Econometrics Journal, 22 (2), 131–152. DOI: 10.1093/ectj/utz002.
Bergsli L. Ø., Lind F. A., Molnár P., Polasik M. (2022). Forecasting volatility of Bitcoin. Research in International Business and Finance, 59. DOI: 10.1016/j.ribaf.2021.101540.
Caporale G. M., Zekokh T. (2019). Modelling volatility of cryptocurrencies using Markov-Switching GARCH models. Research in International Business and Finance, 48, 143–155. DOI: 10.1016/j.ribaf.2018.12.009.
Hong Y., Liu Ya., Wang S. (2009). Granger causality in risk and detection of extreme risk spillover between financial markets. Journal of Econometrics, 150 (2), 271–287. DOI: 10.1016/j.jeconom.2008.12.013.
Jareño F., De la O González M., Tolentino M., Sierra K. (2020). Bitcoin and gold price returns: A quantile regression and NARDL analysis. Resources Policy, 67. DOI: 10.1016/j.resourpol.2020.101666.
Jiang Y., Wu L., Tian G., Nie H. (2021). Do cryptocurrencies hedge against EPU and the equity market volatility during COVID‑19?—New evidence from quantile coherency analysis. Journal of International Financial Markets, Institutions and Money, 72, 101324. DOI: 10.1016/j.intfin.2021.101324.
Lopez-Lira A., Tang Yu. (2023). Can ChatGPT forecast stock price movements? Return predictability and large language models. https://ssrn.com/abstract=4412788. DOI: 10.2139/ssrn.4412788.
Nouir J. B., Hamida H. B. H. (2023). How do economic policy uncertainty and geopolitical risk drive Bitcoin volatility? Research in International Business and Finance, 64, 101809. DOI: 10.1016/j.ribaf.2022.101809.
Pesaran M. H., Shin Y., Smith R. J. (2001). Bounds testing approaches to the analysis of level relationships. Journal of Applied Econometrics, 16 (3), 289–326. DOI: 10.1002/jae.616.
Shaikh I. (2019). On the relationship between economic policy uncertainty and the implied volatility index. Sustainability, 11 (6), 1–11. DOI: 10.3390/su11061628.
Simran, Sharma A. K. (2023). Asymmetric impact of economic policy uncertainty on cryptocurrency market: Evidence from NARDL approach. The Journal of Economic Asymmetries, 27, e00298. DOI: 10.1016/j.jeca.2023.e00298.
Wang G. J., Xie C., Wen D., Zhao L. (2019). When Bitcoin meets economic policy uncertainty (EPU): Measuring risk spillover effect from EPU to Bitcoin. Finance Research Letters, 31. DOI: 10.1016/j.frl.2018.12.028.
Wang J., Lu X., He F., Ma F. (2020). Which popular predictor is more useful to forecast international stock markets during the coronavirus pandemic: VIX vs EPU? International Review of Financial Analysis, 72. DOI: 10.1016/j.irfa.2020.101596.
White H., Kim T.-H., Manganelli S. (2015). VAR for VaR: Measuring tail dependence using multivariate regression quantiles. Journal of Econometrics, 187, 169–188. DOI: 10.1016/j.jeconom.2015.02.004.
Yu J., Shi X., Guo D., Yang L. (2021). Economic policy uncertainty (EPU) and firm carbon emissions: Evidence using a China provincial EPU index. Energy Economics, 94. DOI: 10.1016/j.eneco.2020.105071.
