Modelling volatility dynamics of cryptocurrencies: A comparison of GARCH and Stochastic Volatility models
Kripto paraların volatilite dinamiklerinin modellenmesi: GARCH ve Stokastik Volatilite modellerinin karşılaştırılması
- Tez No: 956125
- Danışmanlar: DOÇ. DR. OSMAN DOĞAN
- Tez Türü: Yüksek Lisans
- Konular: Ekonometri, Ekonomi, Econometrics, Economics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İktisat Ana Bilim Dalı
- Bilim Dalı: İktisat Bilim Dalı
- Sayfa Sayısı: 83
Özet
Kripto paralar, Nakamoto tarafından ortaya konan ilk örnek olan Bitcoin'in icadıyla birlikte finansal piyasalarda önemli bir yer edinmeye başlamıştır. Bu varlıklar, düzenleyici denetime tabi olmamaları ve yüksek düzeyde finansal risk barındırmaları nedeniyle eleştirilmekle birlikte; halka açık erişim, işlem gizliliği, merkeziyetsizlik ilkesi ve yatırım portföylerinin çeşitlendirilmesine olanak sağlamaları gibi çeşitli avantajlar sunmaktadır. Kripto paraların en belirgin özelliklerinden biri, hisse senetleri ve tahviller gibi geleneksel finansal araçlara kıyasla çok daha yüksek düzeyde fiyat oynaklığı sergilemeleridir. Bu yüksek oynaklık, yatırımcılar, analiz uzmanları, risk yöneticileri, araştırmacılar ve düzenleyici otoriteler için hem fırsatlar hem de zorluklar barındırmaktadır. Ayrıca, 11 Mart 2025 itibarıyla, kripto paraların küresel finansal sistemdeki artan önemi, toplam piyasa değerlerinin 2,67 trilyon Amerikan dolarını aşmasıyla vurgulanmaktadır. Dolayısıyla, kripto para piyasalarındaki oynaklığın doğru şekilde modellenmesi, sağlıklı yatırım kararlarının alınması ve etkin risk yönetimi stratejilerinin geliştirilmesi açısından büyük önem taşımaktadır. Bu çalışmada, piyasa değeri bakımından en büyük iki kripto para birimi olan Bitcoin ve Ethereum'un oynaklık yapıları incelenmiştir. İki para birimine ait günlük kapanış fiyatları kullanılarak yedi farklı Genelleştirilmiş Otoregresif Koşullu Değişen Varyans (GARCH) modeli ile yedi farklı Stokastik Oynaklık (SV) modeli, Bayesyen yaklaşım kapsamında karşılaştırılmıştır. Günlük getiriler, açık erişimli veri sağlayıcısı tarafından sunulan kapanış fiyatları kullanılarak hesaplanmıştır. Veri seti, hem Bitcoin hem de Ethereum için 19 Ekim 2017 ile 28 Şubat 2025 tarih aralığını kapsamaktadır. Her bir kripto para birimi için 2.683 gözlem yer almaktadır. İncelenen modeller arasında temel GARCH(1,1) ve birinci dereceden otoregresif log-oynaklık sürecine sahip SV modeli ile birlikte sıçrama bileşenli modeller, oynaklık-ortalama etkileşimini içeren modeller, hareketli ortalama yenilikleri barındıran modeller, t-dağılımına sahip yenilik içeren modeller ve kaldıraç etkisini dikkate alan modeller yer almaktadır. Ayrıca, GARCH(2,1) ve ikinci dereceden otoregresif log-oynaklık sürecine sahip SV modeli de çalışmaya dahil edilmiştir. Bu tezde, söz konusu oynaklık modellerinin başarımı, kestirim doğruluğu ve tahmin gücü olmak üzere iki temel başlık altında değerlendirilmiştir. Kestirim aşamasında, modellerin günlük getiriler üzerindeki uyumu Bayesçi yöntemle ölçülmüş; her modelin log-marjinal olasılığı hesaplanmış ve model parametrelerinin artıküçük ortalamaları elde edilmiştir. Sonuçlara göre, her iki kripto para birimi için en başarılı model SV-t olup, genel olarak SV modelleri GARCH modellerine kıyasla üstün performans sergilemektedir. GARCH-t ikinci sırada yer almakta, bu durum t-dağılımının katkısını göstermektedir. Sıçrama bileşeni hem Bitcoin hem de Ethereum için GARCH modelinin başarımını artırırken, Ethereum'un SV modelinde belirgin bir etki oluşturmamaktadır. Bitcoin'de AR(2) yapısı, AR(1)'e göre daha zayıf sonuç verirken, Ethereum'da AR(2) yapısı daha başarılı olmuştur. Hareketli ortalama bileşeni Ethereum'un SV modeli için olumlu katkı sağlamı¸stır. Ortalama üzerindeki oynaklık etkisi modellerde anlamlı bulunmamıştır. Kaldıraç etkisi GARCH modeli için faydalı olurken, SV modellerinde anlamlı değildir. Ethereum için kaldıraç etkisi parametresi de anlamlı bulunmamıştır. Tahmin başarımını değerlendirmek üzere log-tahmin skoru kullanılmıştır. Elde edilen bulgular, kripto paralara göre farklılık göstermektedir: Bitcoin için GARCH-t modeli en iyi sonuçları verirken, Ethereum için en başarılı model GARCH-J olmuştur. AR(2) yapısı yalnızca Bitcoin için SV modelinin tahmin gücünü artırmıştır. Sıçrama bileşeni, hem GARCH hem de SV modellerinin Bitcoin tahmin gücünü artırırken, Ethereum için yalnızca GARCH modeline anlamlı katkı sunmuştur. Oynaklık-ortalama etkileşimi Bitcoin için anlamlı bulunmuş, Ethereum için gerekli görülmemiştir. Hareketli ortalama bileşeni, Bitcoin'in SV modeli için tahmin başarımını iyileştirirken, diğer modellerde sınırlı katkı sağlamıştır. t-dağılımı genel olarak tahmin başarımını artırmıştır. Kaldıraç etkisi Bitcoin için faydalı bulunmuş, Ethereum için anlamlı bir katkı sağlamamıştır.
Özet (Çeviri)
Cryptocurrencies have gained popularity since the invention of Bitcoin by Nakamoto. Although they lack regulation and carry a high risk of financial loss, they offer significant advantages, such as accessibility to the public, private transactions, decentralization, and diversified investment portfolios. One of the most distinguishing characteristics of cryptocurrencies is their high price volatility, which is significantly greater than that observed in traditional financial markets such as stocks or bonds. High volatility presents both opportunities and challenges for various stakeholders, including researchers, investors, financial analysts, risk managers, and policymakers. Moreover, as of March 11, 2025, the growing significance of cryptocurrencies in the global financial system is underscored by their combined market capitalization, which has exceeded 2.67 trillion US dollars. Hence, understanding and accurately modeling cryptocurrency volatility is crucial for making good investment decisions and developing robust risk management strategies. In this study, we focus on the volatility of the two largest cryptocurrencies by market capitalization: Bitcoin and Ethereum. We compare seven Generalized Autoregressive Conditional Heteroskedasticity (GARCH) models and seven Stochastic Volatility (SV) models using a Bayesian approach, based on the daily closing prices of Bitcoin and Ethereum. We compute daily returns using closing prices sourced from cryptoQuotes, which provides open-access cryptocurrency market data, sentiment indicators, and interactive charts. The data covers the period from“19.10.2017 03:00”to“28.02.2025 03:00.”for both Bitcoin and Ethereum. For each cryptocurrency, a total of 2683 observations are considered. We consider the following models: the standard GARCH(1,1) and SV with first order autoregressive (AR(1)) log-volatility process, as well as their more flexible variants-including jump components (GARCH-J, SV-J), volatility-in mean versions (GARCH-M, SV-M), versions with moving average innovations (GARCH-MA,SV-MA), versions with t-distributed innovations (GARCH-t, SV-t), and version thatallow for leverage effects (GARCH-GJR, SV-L). We also consider GARCH(2,1) and SV with second order autoregressive (AR(2)) log-volatility process (GARCH-2, SV-2). In this thesis, we aim to compare the performance of these volatility models across two dimensions: estimation accuracy and forecasting performance. For the estimation part, we evaluate the the goodness of fits of the GARCH and SV models to the daily closing returns of Bitcoin and Ethereum. Using a Bayesian technique, we compute the log-marginal likelihood of each model and calculate the posterior means of the model parameters. Our results show that SV-t is the best model for both Bitcoin and Ethereum, with SV models generally outperforming GARCH counterparts. GARCH-t ranks second, showing the benefit of t-innovations. While the jump component enhances the estimation performance of the standard GARCH model for both Bitcoin and Ethereum, it does not have a significant impact on the standard SV model for Ethereum. For Bitcoin, the AR(2) specification underperforms compared to AR(1) process, whereas for Ethereum, AR(2) process demonstrates superior performance. The moving average component improves the estimation performance of Ethereum's SV model. The volatility feedback parameter in the volatility in mean models is statistically insignificant. Incorporating the leverage effect in the GARCH-GJR model enhances the performance over the standard GARCH specification, while it remains largely irrelevant in the SV models. Likewise, for Ethereum price returns, the leverage effect parameter is found to be statistically insignificant. In our forecasting evaluation, we employ the log-predictive score to assess model performance. The results reveal distinct patterns across cryptocurrencies: the GARCH-t model demonstrates superior forecasting accuracy for Bitcoin, while GARCH-J performs best for Ethereum. We find that incorporating an AR(2) specification improves the Stochastic Volatility (SV) model's performance exclusively for Bitcoin. The inclusion of jump components significantly enhances forecasting accuracy for both standard GARCH and SV models in Bitcoin price returns. For Ethereum, jump components substantially improve the standard GARCH model while providing more modest gains to the baseline SV specification. The volatility feedback channel, as incorporated in both GARCH-M and SV-M models, plays a significant role in forecasting Bitcoin price returns, whereas it proves to be unnecessary for forecasting Ethereum price returns. The moving average innovations enhance the forecasting performance of the standard SV model for Bitcoin. Additionally, they yield minor improvements in the forecast accuracy of GARCH models for both cryptocurrencies and SV models for Ethereum. The inclusion of t-distributed innovations contributes to enhanced forecasting accuracy. Leverage effect benefits Bitcoin in GARCH and SV models but is insignificant for Ethereum.
Benzer Tezler
- GARCH-MIDAS ve GARCH modellerinin performans karşılaştırması: Kripto para birimlerinin oynaklığı üzerine bir uygulama
Performance comparison of GARCH-MIDAS and GARCH models: An application on the volatility of cryptocurrencies
GÜLŞAH ATAŞ
Yüksek Lisans
Türkçe
2025
EkonometriAnkara Hacı Bayram Veli ÜniversitesiEkonometri Ana Bilim Dalı
DOÇ. DR. YAĞMUR TOKATLIOĞLU
- Bitcoin ve BİST oynaklığın yayılması: Tek ve çok değişkenli GARCH modelleri
Bitcoin and BIST volatility spillover: Univariate and Multivariate GARCH models
İLKHAN ASLAN
Yüksek Lisans
Türkçe
2019
EkonometriSivas Cumhuriyet ÜniversitesiEkonometri Ana Bilim Dalı
PROF. DR. AHMET ŞENGÖNÜL
- Kripto para fiyatlarının arıma ve yapay sinir ağı modelleri ile tahmini
Prediction of cryptocurrency prices with arima and artificial neural network models
EMRE YILMAZ
Yüksek Lisans
Türkçe
2024
İstatistikKırıkkale Üniversitesiİstatistik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERAP YÖRÜBULUT
- Kripto paralarda risk ölçümü ve portföy optimizasyonu
Risk measurement and portfolio optimization in cryptocurrencies
BAYKAR SİLAHLI
Doktora
Türkçe
2020
Endüstri ve Endüstri MühendisliğiYıldız Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. NEZİR AYDIN
- Kripto para getiri oynaklığı üzerinde etkili olan faktörlerin modellenmesi
Modeling factors affecting cryptocurrency return volatility
HALİLİBRAHİM GÖKGÖZ