Dissertation/Thesis Abstract

Linear and Nonlinear Models for Forecasting the Realized Volatility of Cryptocurrencies
by Mitkov, Ivan, Master's, Humboldt Universitaet zu Berlin (Germany), 2018, 73; 27733357
Abstract (Summary)

Um das Risiko für die Investoren auf dem Market für Kryptowährungen zu minimieren, wurde die realisierte Volatilität als Approximation der echten Volatilität vorgeschlagen. Dieser neueingeführte Proxy wird von den intra-täglichen logarithmierten Renditen berechnet. Das Hauptziel dieser Arbeit ist das Herausfinden eines guten Prognosemodells für die täglich realisierte Volatilität, wobei die ausgegebenen Werte für das Berechnen des Value at Risk eines Portfolios von Kryptowährungen benutzt werden. Für die Realisierung dieser Ziele werden verschiedene lineare und nichtlineare Modelle berücksichtigt. Unter diesen Algorithmen sind das populäre Heterogenous autoregressive model (HAR-RV) und einige Recurrent Neural Networks wie SRN, LSTM und GRU zu sehen. Dazu wird noch eine Mischung vom einfachsten Feedforward Neural Network und dem Heterogenous autoregressiven Modell addiert. Die empirischen Ergebnisse demonstrieren die Superiorität der nichtlinearen Netzwerke. Die Differenz in der Modellgüte wird noch größer in ruhigen Perioden mit kleineren Trainingdatensätzen. Leider ist keiner der Modelle in der Lage Prognosewerte zu produzieren, die danach für eine akkurate Berechnung der Value at Risk dienen können.

Die sogenannte „Noise“ und „Jumps“ in den Zeitreihen werden als vermutliche Gründe für diesen Misserfolg angenommen. Aus diesem Grund wird das Bedenken von komplexeren Modellen und besonders die Einbeziehung von Deep Recurrent Neural Networks vorgeschlagen.

Indexing (document details)
Advisor: Wolfgang , Härdle
Commitee:
School: Humboldt Universitaet zu Berlin (Germany)
School Location: Germany
Source: DAI-C 81/7(E), Dissertation Abstracts International
Source Type: DISSERTATION
Subjects: Finance
Keywords:
Publication Number: 27733357
ISBN: 9781392768181
Copyright © 2020 ProQuest LLC. All rights reserved. Terms and Conditions Privacy Policy Cookie Policy
ProQuest