Measuring volatility in cryptocurrency markets

Abstract

Η παρούσα μεταπτυχιακή διατριβή εξετάζει τη δυναμική της μεταβλητότητας στις αγορές κρυπτονομισμάτων και αναπτύσσει προβλεπτικά μοντέλα για την εις βάθος κατανόηση της συμπεριφοράς των τιμών σε ένα έντονα κερδοσκοπικό περιβάλλον. Με βάση δεδομένα από τέσσερα βασικά κρυπτονομίσματα, συγκεκριμένα, το Bitcoin (BTC), το Ethereum (ETH), το Litecoin (LITE) και το Dogecoin (DOGE) εφαρμόζονται προηγμένες οικονομετρικές μέθοδοι για την αποτύπωση κρίσιμων χαρακτηριστικών, όπως η συσσώρευση μεταβλητότητας, οι βαριές ουρές κατανομής και οι ασύμμετρες αντιδράσεις σε εξωγενείς διαταραχές. Το μεθοδολογικό πλαίσιο περιλαμβάνει μοντέλα GARCH(1,1) και EGARCH(1,1) με κατανομή GED, ARIMA - GARCH για τον από κοινού προσδιορισμό μέσης τιμής και διακύμανσης, GARCH-X με ενσωμάτωση μακροοικονομικών μεταβλητών, Στοχαστικά Μοντέλα Μεταβλητότητας Bayes (SV), καθώς και ARFIMA για τη διερεύνηση μακροχρόνιας μνήμης.Τα εμπειρικά αποτελέσματα δείχνουν ότι η μεταβλητότητα παραμένει ιδιαίτερα υψηλή σε όλα τα υπό εξέταση κρυπτονομίσματα, με εμφανή φαινόμενα μόχλευσης στο BTC, DOGE και LITE, ενώ το ETH εμφανίζει σχεδόν συμμετρικές αντιδράσεις. Η ενσωμάτωση μακροοικονομικών μεταβλητών αναδεικνύει τον καθοριστικό ρόλο του Δείκτη Τιμών Καταναλωτή (CPI), της προσφοράς χρήματος (Μ2) και των τιμών ενέργειας και τεχνολογίας, κυρίως στην περίπτωση του BTC, επιβεβαιώνοντας τη διασύνδεση των αγορών κρυπτονομισμάτων με τις διεθνείς χρηματοοικονομικές συνθήκες. Οι προβλέψεις ενός βήματος δείχνουν ότι BTC και LITE επιτυγχάνουν την υψηλότερη ακρίβεια, το ETH εμφανίζει μέτριο επίπεδο ακρίβειας, ενώ το DOGE παραμένει ιδιαίτερα απαιτητικό στη μοντελοποίηση, με τον έλεγχο VaR να καταδεικνύει συστηματική υπερεκτίμηση του καθοδικού κινδύνου. Τα Στοχαστικά Μοντέλα Μεταβλητότητας Bayes αποδεικνύονται πιο αποτελεσματικά από τα GARCH στην αποτύπωση αιφνίδιων μεταβολών και αλλαγών καθεστώτος, ενώ τα αποτελέσματα ARFIMA επιβεβαιώνουν περιορισμένη μακροχρόνια μνήμη για BTC και LITE, ήπια επιμονή για ETH και σχεδόν μηδενική για DOGE.Τα ευρήματα υπογραμμίζουν τη σημασία ευέλικτων, ασύμμετρων και βαριάς ουράς μοντέλων για ακριβή πρόβλεψη της μεταβλητότητας στις αγορές κρυπτονομισμάτων. Η μελέτη συμβάλλει στη διεθνή βιβλιογραφία μέσω ολοκληρωμένης συγκριτικής ανάλυσης μοντέλων μεταβλητότητας και προσφέρει πρακτικές κατευθύνσεις σε επενδυτές, διαχειριστές κινδύνου και φορείς χάραξης πολιτικής. Ειδικότερα, προτείνεται η αξιοποίηση προηγμένων μοντέλων για εκτίμηση κινδύνου, η ενσωμάτωση μακροοικονομικών δεικτών στο πλαίσιο πρόβλεψης, καθώς και η υιοθέτηση μετρικών ευαίσθητων στις ουρές κατανομής, όπως το Expected Shortfall, για τη διαχείριση ιδιαίτερα κερδοσκοπικών περιουσιακών στοιχείων.