Measuring volatility in cryptocurrency markets
| dc.contributor.advisor | Anthropelos, Michail | |
| dc.contributor.advisor | Ανθρωπέλος, Μιχαήλ | |
| dc.contributor.author | Konti, Kristiana Nikoletta | |
| dc.date.accessioned | 2025-10-13T13:28:13Z | |
| dc.date.available | 2025-10-13T13:28:13Z | |
| dc.date.issued | 2025-09 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/18219 | |
| dc.description.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. | el |
| dc.format.extent | 86 | el |
| dc.language.iso | en | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Measuring volatility in cryptocurrency markets | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Χρηματοοικονομικής και Τραπεζικής Διοικητικής | el |
| dc.description.abstractEN | This thesis investigates the volatility dynamics of cryptocurrency markets and develops predictive models to enhance the understanding of price behavior in this highly speculative environment. Using a dataset of four major cryptocurrencies Bitcoin (BTC), Ethereum (ETH), Litecoin (LITE), and Dogecoin (DOGE) the study applies advanced econometric techniques to capture key stylized facts such as volatility clustering, heavy tails, and asymmetric responses to shocks. The methodological framework integrates GARCH(1,1) and EGARCH(1,1) models with Generalized Error Distribution (GED) innovations, ARIMA-GARCH models for joint mean-variance dynamics, GARCH-X models incorporating macroeconomic variables, Bayesian Stochastic Volatility (SV) models, and ARFIMA models to account for long memory. The empirical results reveal that volatility persistence is extremely high across all assets, with leverage effects present for BTC, DOGE, and LITE, while ETH exhibits near-symmetric volatility responses. Incorporating macroeconomic variables demonstrates that inflation, liquidity growth, and energy prices significantly influence volatility, particularly for BTC, highlighting the interconnectedness between cryptocurrency markets and global financial conditions. Rolling one-step-ahead forecasts show that BTC and LITE achieve the most accurate predictions, ETH performs moderately well, and DOGE remains challenging to model, with VaR backtesting indicating systematic overestimation of downside risk. Bayesian SV models outperform GARCH-type models in capturing abrupt volatility shifts and regime changes, while ARFIMA results confirm minimal long memory for BTC and LITE, mild persistence for ETH, and near-zero persistence for DOGE. These findings underscore the importance of flexible, heavy-tailed, and asymmetric models for accurate volatility forecasting in cryptocurrency markets. The study contributes to academic literature by providing a comprehensive comparative analysis of volatility models and offers practical insights for investors, risk managers, and policymakers. Recommendations include the use of advanced volatility models for risk assessment, the integration of macroeconomic indicators into forecasting frameworks, and the adoption of tail-sensitive risk measures such as Expected Shortfall for highly speculative assets. | el |
| dc.contributor.master | Χρηματοοικονομική και Τραπεζική με ειδίκευση στη Χρηματοοικονομική και Τραπεζική Διοικητική | el |
| dc.subject.keyword | Cryptocurrencies | el |
| dc.subject.keyword | Volatility | el |
| dc.subject.keyword | GARCH Models | el |
| dc.subject.keyword | EGARCH Models | el |
| dc.subject.keyword | Stochastic volatility | el |
| dc.subject.keyword | ARIMA-GARCH | el |
| dc.subject.keyword | ARFIMA (Long Memory Models) | el |
| dc.subject.keyword | Value-atRisk (VaR) | el |
| dc.subject.keyword | Expected Shortfall (ES) | el |
| dc.subject.keyword | Macroeconomic variables | el |
| dc.subject.keyword | Risk | el |
| dc.subject.keyword | Risk management | el |
| dc.subject.keyword | Forecasting | el |
| dc.date.defense | 2025-09-29 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Χρηματοοικονομικής και Τραπεζικής Διοικητικής
Department of Banking & Financial Management
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα