مدلهای نوسان برای ارزهای دیجیتال و برنامههای کاربردی در بازار آپشن ☆

ما اثربخشی مدل های مختلف نوسان را با استفاده از سری قیمت بیت کوین (BTC) و اتریوم (ETH) بررسی می کنیم. در بین مدل های تک متغیره، مدل GARCH هم در نمونه و هم در خارج از نمونه عملکرد خوبی دارد. علاوه بر این، ما هیچ پاسخ نوسان نامتقارن قابل توجهی به بازده گذشته در مدل GJR-GARCH مشاهده نکردیم. اگرچه مدل VARMA-DCC-AGARCH چند متغیره در نمونه عملکرد بهتری دارد، اما عملکرد آن در خارج از نمونه بدتر از مدل GARCH تک متغیره است. علاوه بر این، پیش بینی نوسانات GARCH از نوسانات ضمنی گزینه در پیش بینی نوسانات تحقق یافته آینده بهتر عمل می کند. ما یک استراتژی معاملاتی اختیار را با بهره برداری از پراکندگی نوسان بین پیش بینی نوسانات GARCH و نوسانات ضمنی اختیار تنظیم می کنیم. ما نشان می دهیم که یک استراتژی ساده معاملاتی گسترش نوسانات با پوشش دلتا می تواند سودهای قوی برای هر دو گزینه BTC و ETH به همراه داشته باشد. ما سودآوری استراتژی را به عنوان شواهدی برای ناکارآمدی قیمت گذاری در بازار گزینه های ارز دیجیتال در طول دوره نمونه خود تفسیر می کنیم.

معرفی

از زمان مقاله مهم ناکاموتو (2008) در مورد بیت کوین، ارزهای دیجیتال هم دنیای فناوری و هم دنیای سرمایه گذاری را تحت تأثیر قرار داده اند. به رهبری بیت کوین، ارزهای دیجیتال نه تنها با افزایش قیمت های نجومی آنها در سال های اولیه توسعه، بلکه با نوسانات حیرت انگیز آنها که باعث شده بسیاری از پتانسیل واقعی آنها برای جایگزینی ارزهای فیات تردید کنند، معمولاً مرتبط بوده اند. علیرغم اختلافات فراوان، این واقعیت که ارزهای دیجیتال به یک طبقه دارایی در حال ظهور برای بسیاری از سرمایه گذاران در سراسر جهان تبدیل شده اند، غیرقابل انکار است. بنابراین درک نوسانات مرتبط با این کلاس دارایی جدید مهم است. همراه با این واقعیت که گزینه های ارز دیجیتال نیز به طور گسترده تری در دسترس سرمایه گذاران قرار می گیرند، کار تخمین نوسان و پیش بینی را در زمان کنونی مرتبط تر می کند.

ادبیات مربوط به ارزهای رمزپایه نسبتاً جوان است ، با توجه به اینکه در طول عمر کوتاه بسیاری از ارزهای رمزپایه تاکنون داشته اند. در میان ادبیات موجود که الگوهای نوسانات ارزهای رمزنگاری شده را مورد مطالعه قرار می دهد ، تمرکز عمدتاً به شکل در نمونه داده شده است. به عنوان مثال ، Katsiampa (2017) سالهای اولیه را از سال 2010 تا 2016 از سری قیمت های بیت کوین مطالعه می کند و می یابد که یک مدل Garch-Model (یعنی AR-CGARCH) بهترین داده ها را متناسب می کند. Katsiampa ، Corbet و Lucey (2019) از روشهای مورب Diagonal BEKK و Diregonal Diagonal BEKK استفاده می کنند تا حرکات نوسانات داخل روز را در بین هشت ارز رمزنگاری بررسی کنند. Guesmi و همکاران.(2018) دریافت که Varma (1،1) -DCC-GJR-Garch بهترین مدل برای مدل سازی پویایی مشترک انواع دارایی های مالی از جمله ارزهای رمزنگاری ، طلا و سهام است. قابری و همکاران.(2020) دریافت که Varma (1،1) -CDCC-Garch بهترین مدل در بررسی ساختار وابستگی بین بیت کوین و چندین دارایی مالی است. و فیلیپاس و همکاران.(2019) یک مدل انتشار فرآیند دوگانه را برای بررسی اینکه آیا قیمت بیت کوین با پرش های منتسب به سیگنال های آموزنده حاصل از Twitter و Google Trends رفتار می کند ، اعمال کنید. در مقاله ما ، ما بر پیامدهای خارج از نمونه چندین مدل متداول متداول کاربردی تمرکز می کنیم. ما شواهد جدیدی را ارائه می دهیم که نشان می دهد مدل های تک متغیر GARCH در واقع می توانند از مدل های چند متغیره GARCH در پیش بینی نوسانات تحقق یافته آینده بهتر عمل کنند. علاوه بر این ، با استفاده ما از یک مجموعه داده جدید در مورد گزینه های cryptocurrency از مبادله Deribit ، ما می توانیم نشان دهیم که مدل GARCH تک متغیر همچنین می تواند از گزینه ای که در پیش بینی نوسانات تحقق یافته آینده دارد ، از این گزینه استفاده کند. علاوه بر این ، ما یک استراتژی معاملاتی را ایجاد می کنیم که از گسترش نوسانات بین پیش بینی مدل GARCH و گزینه نوسانات ضمنی سوء استفاده می کند و نشان می دهد که می تواند سود قوی ایجاد کند. ما این سودهای تجاری را به ناکارآمدی قیمت گذاری در بازار گزینه های رمزنگاری در دوره نمونه خود نسبت می دهیم.

رشته دیگری از ادبیات که به بررسی نوسانات رمزنگاری می پردازد ، الگوهای جالب مربوط به اثرات تقویم را پیدا می کند. به عنوان مثال ، Aharon و Qadan (2019) شواهدی را برای تأثیر روز هفته در قیمت بیت کوین ایجاد می کنند. بائر و همکاران.(2019) تأثیرات روز ، روز و ماه و ماه سال در بازده بیت کوین و حجم معاملات را بررسی کنید. کایزر (2019) اظهار داشت که حجم معاملات ، نوسانات و گسترش ارزهای رمزنگاری به طور متوسط در ژانویه ، آخر هفته ها و در ماه های تابستان کمتر است. و Kineder و Papavassiliou (2021) الگوهای فصلی را در قیمت های بیت کوین مانند اثر ژانویه معکوس و اثر آخر هفته (خطر پایین) پیدا می کنند. اگرچه چنین تأثیرات تقویم جالب است ، اما آنها برای تمرکز مطالعه ما بر روی ویژگی های خارج از نمونه مدل های مختلف نوسانات و پیامدهای آنها در بازار گزینه ها مهم نیستند. بنابراین ، ما هیچ اثرات تقویم را در نظر نمی گیریم.

به طور خاص ، در مقاله ما ، ما مدل های نوسانات زیر را در نظر می گیریم: مدل ناهمگونی شرطی اتوگرافی (ARCH) ، مدل ناهمگونی مشروط مشروط تعمیم یافته (GARCH) ، مدل Glosten-Jagannathan-Runkle Garch (GJR) و VARMA-D-DCC-DCC-مدل Agarch. سه مدل اول تک متغیر هستند و ما آنها را به صورت جداگانه در سری BTC و قیمت ETH اعمال می کنیم. آخرین مدل چند متغیره است و ما آن را به طور مشترک در سری BTC و Price Price اعمال می کنیم. ما سه مدل تک متغیر فوق را انتخاب می کنیم زیرا آنها جزء کاربردترین مدل های نوسانات هستند. مدل GARCH انواع مختلفی دارد که ویژگی های مختلف داده های مختلفی را در بر می گیرد. در مقاله خود ، ما مدل GJR-Garch را انتخاب می کنیم زیرا می خواهیم روی پاسخ نوسانات نامتقارن به بازده های گذشته تمرکز کنیم. در نتایج گزارش نشده ، ما همچنین با استفاده از مدلهای گارچ نمایی (EGARCH) آزمایش می کنیم و نتایج مشابهی پیدا می کنیم. به منظور محدود کردن دامنه مقاله ما ، ما این نتایج را در بر نمی گیریم اما خوشحالیم که در صورت درخواست چنین نتایج را برای خوانندگان علاقه مند ارائه می دهیم. ما شامل مدل چند متغیره Varma-DCC-Agarch برای مطالعه سری زمانی مشترک بیت کوین (BTC) و اتریوم (ETH) هستیم. تمرکز ما بر این است که آیا بین این دو سری 1 در نمونه تعامل قابل توجهی وجود دارد ، و اینکه آیا مدل چند متغیره می تواند از مدل های تک متغیره در پیش بینی فرار های تحقق یافته آینده خارج از نمونه بهتر عمل کند.

اول ، ما آمار مقایسه ای را در مورد تناسب درون نمونه این مدل ها تولید می کنیم. با توجه به آمار استنباط مانند احتمال ورود به سیستم ، مقادیر AIC/BIC ، مدل چند متغیر Varma-DCC-Agarch از هر سه مدل تک متغیر بهتر است. در بین سه مدل تک متغیر ، مدل GARCH و مدل GJR به طور قابل توجهی از مدل قوس بهتر عمل می کنند. با این حال ، اصطلاح اضافی در مدل GJR بر روی مدل GARCH که قرار است منعکس کننده پاسخ نوسانات نامتقارن به بازده های گذشته باشد ، غیر قابل توجه است. در حقیقت ، هر دو نوسانات BTC و ETH نسبت به بازده های منفی گذشته نسبت به بازده مثبت گذشته واکنش نشان می دهند. این الگوی برخلاف آنچه در بورس سهام مشاهده می شود ، در جایی که نوسانات سهام تمایل دارد به طور قابل توجهی نسبت به بازده منفی گذشته واکنش نشان دهد نسبت به بازده مثبت گذشته است. ما چنین تفاوت را در الگوهای نوسانات بین دو کلاس دارایی (یعنی رمزنگاری و سهام) به فقدان "اثر اهرم" که با سهام مرتبط است ، نسبت می دهیم و بعداً در مقاله ما بحث های مفصلی را ارائه می دهیم.

دوم ، ما قدرت پیش بینی خارج از نمونه مدل ها را مقایسه می کنیم. ما یک رگرسیون نوسانات را برای مقایسه با مدلهای مختلف انجام می دهیم. جالب اینجاست که ، اگرچه مدل GARCH چند متغیره در نمونه بهتر است ، اما از نمونه بدتر می شود. در حقیقت ، مدل GARCH تک متغیر قادر به پیش بینی نوسانات تحقق یافته آینده بسیار بهتر از مدل چند متغیر Varma-DCC-Agarch است. بنابراین ، ما مدل GARCH تک متغیرهای پارسا را برای برنامه های بازار گزینه انتخاب می کنیم.

در مرحله بعد ، ما پیش بینی نوسانات مدل GARCH را با گزینه نوسانات ضمنی ، در رگرسیون نوسانات-فوریت در تضاد می کنیم. باز هم ، ما عملکرد برتر مدل GARCH را نسبت به گزینه نوسانات دلالت بر پیش بینی نوسانات تحقق یافته آینده تأیید می کنیم. بر اساس این یافته ها ، ما پیش بینی مدل GARCH را برای تدوین یک استراتژی معاملاتی ساده و با عرضه که از تفاوت بین پیش بینی نوسانات GARCH و گزینه نوسانات دلالت بر استفاده می کند ، استفاده می کنیم. اگر نوسانات ضمنی آن در مقایسه با پیش بینی نوسانات GARCH کم باشد ، گزینه طولانی (کوتاه) را انجام می دهیم ، و Delta Hedging را برای از بین بردن هرگونه قرار گرفتن در معرض جهت انجام می دهیم. استراتژی معاملاتی ما سود قوی را برای گزینه های BTC و ETH به همراه دارد.

مقاله ما حداقل به سه ادبیات کمک می کند. اول ، ما به دانش تجربی الگوهای نوسانات یک کلاس دارایی در حال ظهور اضافه می کنیم: ارزهای رمزپایه. داده های ما سالهای اوت 2017 تا ژوئن 2020 را شامل می شود ، دوره زمانی که در طی آن بسیاری از ارزهای رمزنگاری شده رشد چشمگیری را تجربه کرده اند ، هم از نظر سرمایه گذاری در بازار و هم فعالیت های تجاری. نکته مهم ، بازار مشتقات رمزنگاری نیز در دوره نمونه ما آغاز شده است. به عنوان مثال ، Deribit® Exchange به ترتیب اولین گزینه های BTC و ETH خود را در سال 2018 و 2019 به دست آورد. تحقیقات نوسانات دارای سابقه طولانی و مطالعات بیشماری است (از جمله ، انگل ، 1982 ، بولرزلف ، 1986 ، نلسون ، 1991 ، اندرسن و بولرزلف ، 1998 ، اندرسن و همکاران ، 2003 ، مک آلر و هافنر ، 2014 ، دیهربرگ ، 2016 ، هیو و همآل. ، 2019). بروکس (2014) یک بحث جامع در مورد مدل های نوسانات متداول ارائه می دهد. برای مطالعه ما ، مدل های Arch ، Garch ، GJR و Varma-DCC-Agarch را انتخاب می کنیم تا از سال 2017 تا 2020 به سری BTC و ETH Price بپردازیم. ما شواهد جدیدی در مورد پاسخ نوسانات نامتقارن به بازده های گذشته با استفاده از هر دو BTC ارائه می دهیمو سری قیمت ETH. از آنجا که مطالعه بلک (1976) در مورد تغییر نوسانات قیمت سهام ، رابطه بین نوسانات به و بازده توسط بسیاری از مطالعات با استفاده از سری های مختلف قیمت مالی ثبت شده است. در میان بسیاری از مطالعات در مورد بورس سهام ، یک پاسخ نوسانات نامتقارن و منفی به بازده گذشته مشاهده شده است (از جمله ، فرانسوی و همکاران ، 1987 ، کمپبل و هنتشل ، 1992 ، وانگ و وانگ ، 2011 ، کار و وو ، 2017). برای آزمایش پاسخ نوسانات نامتقارن ، ما از مدل GJR استفاده می کنیم و نشان می دهیم که اصطلاح نامتقارن مثبت و از نظر آماری ناچیز است برای هر دو سری BTC و ETH Price. یافته های ما در مورد عدم پاسخ نوسانات نامتقارن به بازده گذشته در این دو ارز رمزنگاری عمده در تضاد شدید با کسانی که در کلاس های دارایی سنتی تر مانند بورس سهام قرار دارند ، در جایی که پاسخ نوسانات قابل توجهی منفی به بازده گذشته بارها مشاهده شده است. یک تفسیر احتمالی این است که ارزهای رمزنگاری مشمول همان "اثر اهرم" نیستند (سیاه ، 1976) که سهام در معرض آن قرار دارد. سهام شرکت معمولاً پس از ادعای صاحبان بدهی به دارایی های شرکت ، به عنوان ادعاهای باقیمانده برای دارایی های شرکت در نظر گرفته می شود. از این رو ، پس از بازده سهام منفی ، ceteris paribus ، سهامداران در معرض اهرم بالاتر قرار می گیرند. در نتیجه،

همان سطح تغییر در ارزش دارایی شرکت منجر به تغییر درصد بالاتری در ادعای باقیمانده ، یعنی ارزش سهام می شود. در نتیجه ، "اثر اهرم" باعث می شود که قیمت سهام بی ثبات تر شود. با این حال ، ارزهای رمزنگاری شده مانند BTC و ETH شرکت های واقعی با ساختار سنتی سرمایه بدهی نیستند. از این رو ، همان منطق مرتبط با "اثر اهرم" در مورد ارزهای رمزپایه صدق نمی کند.

دوم ، ما شواهد معنی داری را در مورد قدرت پیش بینی خارج از نمونه از مدلهای GARCH تک متغیر و چند متغیره اضافه می کنیم. اگرچه مدل GARCH چند متغیره از مدل های تک متغیر در نمونه بهتر است ، اما در واقع از نمونه بدتر عمل می کند. با استفاده از سری زمانی مشترک BTC و ETH ، ما می توانیم شواهدی را برای سرریز نوسانات بین این دو ارز رمزنگاری عمده در نمونه ایجاد کنیم. از این نظر ، نتایج ما با نتایج مستقر در Katsiampa ، Corbet و Lucey (2019) سازگار است. با این حال ، ما می دانیم که با ترکیب چنین تأثیرات تعاملی بین دو ارز رمزنگاری ، به قدرت پیش بینی خارج از نمونه مدل به نوسانات تحقق یافته آینده Cryptocurrency کمک نمی کند. آنها در یک مقاله مربوط به والتر ، کلین و بوروی (2019) ، آنها از داده های برون زا مانند فعالیت اقتصادی واقعی جهانی استفاده می کنند و نشان می دهند که از قدرت پیش بینی قابل توجهی در فواصل رمزنگاری برخوردار است. در مقایسه ، ما مطالعه خود را بر روی انتخاب مدل با استفاده از دو سری بزرگ رمزنگاری (یعنی ، BTC و ETH) متمرکز می کنیم. با توجه به ماهیت پارسای مدل تک متغیر و عملکرد جامد خارج از نمونه آن ، ما معتقدیم که هنوز هم مدل مورد ضرب و شتم است. در استفاده از مدل GARCH به بازار گزینه ها ، ما بیشتر قدرت پیش بینی خارج از نمونه آن را تأیید می کنیم. به عنوان مثال ، در مطالعه ما ، ما پیش بینی نوسانات مدل GARCH را برای تضاد با گزینه نوسانات دلالت اعمال می کنیم. ما می دانیم که مدل GARCH ، هنگامی که به BTC یا ETH اعمال می شود ، می تواند عملکرد خارج از نمونه را در برابر گزینه نوسانات ضمنی ارائه دهد.

سوم ، ما در درک خود از قیمت گذاری گزینه در فضای cryptocurrency کمک می کنیم. مبادلات گزینه های cryptocurrency بسیار دیرتر از نقطه cryptocurrency و مبادلات آتی توسعه یافته است. در نتیجه ، داده های مربوط به گزینه های cryptocurrency تازه شروع به فراوانی می کند. با توجه به سن جوانی بازار مشتقات رمزنگاری ، مطالعات نسبتاً کمی با استفاده از داده های گزینه های cryptocurrency انجام شده است (به عنوان مثال ، الکساندر و همکاران ، 2020a ، الکساندر و همکاران ، 2020b ، الکساندر و ایمراج ، 2021). ما سعی می کنیم این شکاف را با مطالعه راندمان قیمت گذاری گزینه های BTC و ETH ذکر شده در بورس Deribit ، که در حال حاضر بزرگترین مبادله گزینه های رمزنگاری شده در جهان است ، پر کنیم. به طور خاص ، ما قدرت نوسانات را از مدل GARCH در برابر گزینه نوسانات ضمنی گزینه مقایسه می کنیم. ما نشان می دهیم که پیش بینی نوسانات مدل GARCH به طور قابل توجهی از گزینه ای که نوسانات در پیش بینی نوسانات تحقق یافته آینده BTC و ETH را نشان می دهد ، بهتر است. بر اساس این یافته ، ما تفاوت پیش بینی نوسانات مدل GARCH را محاسبه می کنیم و گزینه ای دلالت بر نوسانات برای رسیدن به گسترش نوسانات دارد. در مرحله بعد ، ما یک استراتژی معاملاتی ساده با نوسانات با Delta Hedging را می سازیم ، که از گزینه نادرست و سودمندی استفاده می کند. استراتژی های معاملاتی ما برای هر دو گزینه BTC و ETH سود قوی به دست می آورد. به عبارت دیگر ، در دوره پشتی ما ، بسیاری از سرمایه گذاری های قابل بهره برداری در مبادله گزینه های Deribit وجود داشته است. ما یافته های خود را به عنوان شواهدی برای ناکارآمدی قیمت گذاری در بازار گزینه های رمزنگاری تعبیر می کنیم. این قابل درک است زیرا بازار جوان است و فاقد حضور نهادی است. با بالغ شدن بازار ، ما انتظار داریم ناکارآمدی قیمت گذاری به تدریج ناپدید شود. در حقیقت ، ما معتقدیم که این یک جهت تحقیق مثمر ثمر برای بررسی راندمان قیمت گذاری بازار گزینه های رمزنگاری در سالهای آینده خواهد بود ، به خصوص با توجه به روند رو به رشد حضور نهادی در فضای رمزنگاری.

بقیه مقاله ما به شرح زیر سازماندهی شده است. بخش 2 در مورد داده ها و روش شناسی بحث می کند. بخش 3 اسب اسب را در بین مدلهای مختلف نوسانات انجام می دهد و آمار مقایسه ای را در مورد تناسب درون نمونه و قدرت پیش بینی خارج از نمونه ارائه می دهد. بخش 4 بیشتر پیش بینی نوسانات گارچ ما را با گزینه نوسانات دلالت بر متضاد دارد و عملکرد یک استراتژی معاملاتی ساده و نوسانات را ارزیابی می کند. بخش 5 نتیجه گیری تحقیقاتی را ارائه می دهد و ارائه می دهد. ضمیمه شامل تعاریف متغیر ، بحث و گفتگو در مورد تجارت و مقایسه داده ها بین Binance و Deribit است.

قطعه قطعه

منبع اطلاعات

ما با قدردانی از پشتیبانی داده ها از Grandline Technologies® ، یک صندوق پرچین محافظت از بازار محافظت در بازار ، استراتژی های داوری آماری میانی فرکانس در مورد مشتقات رمزنگاری را تأیید می کنیم.

الكساندر و داكوس (2020) نقد خود را در مورد كیفیت داده ها در ادبیات رمزنگاری ارائه داده اند. پس از یافته های آنها ، ما تصمیم می گیریم از داده های معاملاتی cryptocurrency از دو مبادله بزرگ و معتبر cryptocurrency استفاده کنیم. اولین مبادله رمزنگاری ما ، Binance® ، در ژوئیه 2017 راه اندازی شد

استراتژی معاملات نوسانات

در بخش آخر ، ما نشان داده ایم که مدل پارسیمونی گارچ عملکرد خوبی را از نمونه در مقایسه با سایر مدل ها ارائه می دهد. در این بخش ، ما پیش بینی نوسانات مدل GARCH را برای Deribit گزینه های تجارت و آزمایش یک استراتژی تجارت ساده و نوسانات ارائه می دهیم. اول ، ما آمار خلاصه ای را در مورد قراردادهای گزینه BTC و ETH Deribit ارائه می دهیم. دوم ، ما قدرت پیش بینی مدل های نوسانات مختلف را با استفاده از سری BTC. USD و ETH. USD Deribit به همراه با

نتیجه

در این مقاله ، ما در بین چهار مدل نوسانات اسب سواری انجام داده ایم: Arch ، Garch ، GJR و Varma-DCC-Agarch با استفاده از BTC و سری قیمت ETH به دست آمده از Binance. در بین سه مدل اول نوسانات تک متغیر ، ما شواهد مداوم می یابیم که مدل قوس به طور قابل توجهی مدل های GARCH و GJR را در نمونه و خارج از نمونه تحت تأثیر قرار می دهد. علاوه بر این ، نه قیمت BTC و نه ETH هیچ پاسخ نوسانات نامتقارن قابل توجهی به بازده های گذشته نشان نمی دهند ، الگویی که معمولاً با آن مشاهده می شود

بیانیه مشارکت در نویسندگی اعتباری

Yeguang Chi: مفهوم سازی ، درمان داده ها ، تجزیه و تحلیل رسمی ، بررسی ، روش شناسی ، منابع ، نرم افزار ، اعتبار سنجی ، تجسم ، نوشتن - پیش نویس اصلی ، نوشتن - بررسی و ویرایش. Wenyan Hao: مفهوم سازی ، درمان داده ها ، تجزیه و تحلیل رسمی ، بررسی ، روش شناسی ، منابع ، نرم افزار ، اعتبار سنجی ، تجسم ، نوشتن - پیش نویس اصلی ، نوشتن - بررسی و ویرایش.

اعلام علاقه رقیب