Modeling the Volatility of Cryptocurrencies: An Empirical Application of Stochastic Volatility Models

Zahid, Mamoona; Iqbal, Farhat

doi:10.17576/jsm-2020-4903-25

Cited by 5 publications

(3 citation statements)

References 28 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The posterior mean value for the persistent parameter

\varphi

ranged between 0.88 and 0.93 across the volatility. Higher values of this parameter indicate that the series has a high persistent SV (Zahid & Iqbal, 2020). For the four stations, the SV‐tl model was found to be the most persistent.…”

Section: Resultsmentioning

confidence: 99%

“…The stochastic volatility (SV) model has been widely used in recent years to model conditional volatility in other fields, particularly in financial analysis (Shang & Zheng, 2021; T. Liu & Gong, 2020). The SV model allows volatility to evolve according to some potential random processes, which increases the complexity of its parameter estimation compared to GARCH‐type models (Zahid & Iqbal, 2020). In the financial field, SV‐type models show higher estimation performance than GARCH‐type models in terms of volatility, as the conditional variance in GARCH‐type models depends on previous observations, whereas SV models consider the stochastic characteristics of volatility (Kim, Jun, & Lee, 2021).…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

Stochastic Volatility Modeling of Daily Streamflow Time Series

Wang

Song

Zhang

et al. 2023

Water Resources Research

View full text Add to dashboard Cite

The analysis of hydrological series is important for water resource management and allocation, as well as energy and food security in the face of climate change (Arriagada et al., 2019;Tencaliec et al., 2015). As one of the most important indicators in hydrological analysis, providing an important source of hydrological information for water resources engineering applications (Birsan, 2015;Shiau & Hsu, 2016). However, streamflow series have strong dynamic spatiotemporal characteristics, making accurate simulation and prediction difficult. This necessitates the use of highly complex tools to model the sophisticated features of streamflow series.In general, hydrological models are classified into two types: physical models and statistical models. Specifically, physical models are complicated because they take into account a large number of variables that influence hydrological processes. Statistical models simulate hydrological changes using observational data collected beforehand. Owing to their simple implementation, statistical models are easier to use in practice (Modarres & Ouarda, 2013b). Data-driven technologies, such as artificial neural networks, support vector machines, wavelet transforms, and time series analysis (TSA) models, have been receiving increasing attention in the field of hydrology (Hadi et al., 2020;Khan et al., 2020;Parisouj et al., 2020). In the application of the aforementioned data-driven models, the development of TSA models and new methods have consistently been the main theme in hydrological modeling (Fathian, Fard, et al., 2019;Fathian et al., 2018).In particular, linear time series models have been widely used to simulate hydroclimatic time series (Hu et al., 2020;H. Wang et al., 2021). Traditional time series models, such as the autoregressive integrated moving average (ARIMA) model, have primarily been developed for simulating the first-moment behavior of time series, but they ignore the second-moment information (volatility), leading to insufficient model fitting results (Fathian, Fard, et al., 2019). In reality, hydrological time series have strong volatility associated with environmental change.

show abstract

“…The posterior mean value for the persistent parameter

\varphi

Section: Resultsmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

Stochastic Volatility Modeling of Daily Streamflow Time Series

Wang

Song

Zhang

et al. 2023

Water Resources Research

View full text Add to dashboard Cite

show abstract

“…Bulgulara göre pozitif şokların negatif şoklara kıyasla volatiliteyi daha fazla arttırdığı belirtmiştir. Zahid & İqbal (2020) 4 kripto para birimi (Bitcoin, Ethereum, Ripple ve Litecoin) ile yaptıkları çalışmada başlangıç noktası olarak her kripto para için piyasaya çıkış tarihi ile 01.06.2018 tarihine kadar olanı periodu kalın kuyruklu stokastik volatilite modeli, ortalamada stokastik volatilite ve kaldıraç etkili stokastik volatilite modelleri ile incelemiş ve ortak parametreler kıyaslandığında en etkili sonucun kalın kuyruklu stokastik volatilite modeli ile elde edildiği bulgusunu saptamışlardır. Ancak burada dikkat edilmesi gereken nokta, her SV modelinin farklı hedef doğrultusunda parametreler ürettiğidir.…”

Section: Literatürunclassified

Kri̇pto Para Pi̇yasasinda Volati̇l Davranişlarin Asi̇metri̇k Stokasti̇k Volati̇li̇te Modeli̇ İle Testi̇

GUBADLI

Sarikovanlik

2022

ijmeb

View full text Add to dashboard Cite

Bu çalışmada, kripto piyasasının önde gelen altı kripto para biriminin (Bitcoin, Stellar, Litecoin, Ethereum, Tether ve Ripple) volatil yapısı, asimetrik ilişki ve/ve ya kaldıraç etkisinin var olup olmadığı test edilmektedir. 09/11/2017-31/07/2022 dönemini kapsayan ve WinBUGS uygulaması ile yapılan bu çalışmada öncelikle logaritmik fark alınarak getiri serisi hesaplanmıştır. Bu kapsamda 100.000 tekrarla örneklem sınaması yapılmış olup katsayıların başlangıç eğiliminden çıkması için tahminlerin ilk 10.000 örneklemi dışlanarak kalan 90.000 örneklemle analiz gerçekleştirilmiştir. Asimetrik stokastik volatilite modeli tahmin sonuçlarına göre kripto para birimlerinin oynaklık kalıcılığı, oynaklığın öngörülebilirliği ve para birimlerinin kendi getirilerinin şoku ile oynaklıklarının etkisi arasındaki korelasyon düzeyi ilgili parametreler ile değerlendirilmiştir. Belirtilen zaman aralığında çalışmamızda kullanılan tüm kripto para birimleri için yoğun bir volatilite kümelenmesi olduğu gözlemlenmiştir. Bu volatilitenin sürekli olduğu ve düşük öngörülebilirliğin varlığı ampirik olarak asimetrik stokastik volatilite modeli ile elde edilen bulgular arasındadır. Ayrıca çalışmanın sonuçlarına göre Ethereum kripto para birimi dışındaki diğer beş para biriminin hiçbirinde ne kaldıraç etkisi ne de asimetrik ilişkisinin hiçbiri gözlemlenmemiştir.

show abstract