Please use this identifier to cite or link to this item: http://hdl.handle.net/10316/95377
DC FieldValueLanguage
dc.contributor.advisorSebastião, Hélder Miguel Correia Virtuoso-
dc.contributor.advisorBação, Pedro Miguel Avelino-
dc.contributor.authorFigueiredo, Madalena Oliveira-
dc.date.accessioned2021-07-13T22:01:32Z-
dc.date.available2021-07-13T22:01:32Z-
dc.date.issued2021-04-15-
dc.date.submitted2021-07-13-
dc.identifier.urihttp://hdl.handle.net/10316/95377-
dc.descriptionDissertação de Mestrado em Métodos Quantitativos em Finanças apresentada à Faculdade de Ciências e Tecnologia-
dc.description.abstractDesde a sua criação em 2008, Bitcoin, a primeira criptomoeda e a mais popular até ao momento, cresceu exponencialmente em diversas dimensões, atraindo não só a atenção dos investidores, mas também do público em geral. Esta tem sido objeto de extensas investigações, especialmente no que diz respeito à sua natureza especulativa, eficiência de mercado, integração e, um tópico particularmente recorrente, volatilidade. O presente trabalho foca a sua atenção na previsão diária da volatilidade no mercado da Bitcoin, como um todo, e visa concluir se outras informações de mercado, para além das informações de preços, e de Blockchain são úteis para prever essa volatilidade. A premissa desta investigação baseia-se em fortes suposições de que o CoinMarketCap fornece informações confiáveis acerca dos preços na generalidade do mercado da Bitcoin, e que sua volatilidade é bem medida pelo estimador de Parkinson. Nesse sentido, é estudado o desempenho de previsão de modelos Autoregressivo e GARCH que incluem variáveis exógenas obtidas tanto no mercado online quanto na rede Blockchain. Os resultados mostram que, em conformidade com o que já fora documentado na literatura, o volume de transação não possui valor de informação incremental, no entanto a volatilidade realizada proveniente de bolsas online líquidas e outras variáveis Blockchain que foram cuidadosamente escolhidas podem produzir melhorias de precisão da previsão, especialmente quando são utilizados modelos GARCH. O resultado mais surpreendente corresponde ao facto de que os modelos Autorregressivos são claramente superiores aos modelos GARCH, independentemente dos conjuntos de previsores utilizados, correspondendo o desfasamento da variável dependente à principal fonte de previsibilidade.por
dc.description.abstractSince its creation in 2008, Bitcoin, the ground-breaking and most popular cryptocurrency until this day, has grown exponentially along several dimensions, attracting attention not only from investors but also from the general public. It has been the subject of extensive research, especially regarding its speculative nature, market efficiency, integration, and, a popular topic, volatility. The present work focuses on daily forecasting the volatility in the overall Bitcoin market, and aims to answer the question of whether other market information besides prices and Blockchain information are helpful for forecasting that volatility. Our research design is based on the strong assumptions that CoinMarketCap provides reliable price information on the overall Bitcoin market, and that its volatility is well measured by the Parkinson range-based estimator. Accordingly, an examination is conducted regarding the forecasting performance of Autoregressive and GARCH models with exogenous variables obtained both from the online market and from the Blockchain network. The results show that, as already documented in the literature, trading volume has no incremental information value, but realized volatility of liquid online exchanges and other carefully chosen Blockchain variables may improve the forecasting accuracy especially when using a GARCH-type model. The most striking result is that Autoregressive models are clearly superior to their GARCH models, independently of the predictor sets used, with the lag structure of the dependent variable corresponding to the main source of predictability.eng
dc.language.isoeng-
dc.rightsopenAccess-
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/-
dc.subjectBitcoinpor
dc.subjectprevisão de volatilidadepor
dc.subjectmodelos Autoregressivospor
dc.subjectGARCHpor
dc.subjectinfromação da Blockchainpor
dc.subjectBitcoineng
dc.subjectvolatility forecastingeng
dc.subjectAutoregressive modelseng
dc.subjectGARCHeng
dc.subjectBlockchain informationeng
dc.titleForecasting the volatility of Bitcoin using market and Blockchain informationeng
dc.title.alternativePrevisão da volatilidade da Bitcoin através da utilização de informações de mercado e de Blockchainpor
dc.typemasterThesis-
degois.publication.locationDepartamento de Matemática da Universidade de Coimbra-
degois.publication.titleForecasting the volatility of Bitcoin using market and Blockchain informationeng
dc.peerreviewedyes-
dc.identifier.tid202743608-
thesis.degree.disciplineMatemática/Economia-
thesis.degree.grantorUniversidade de Coimbra-
thesis.degree.level1-
thesis.degree.nameMestrado em Métodos Quantitativos em Finanças-
uc.degree.grantorUnitFaculdade de Ciências e Tecnologia - Departamento de Matemática-
uc.degree.grantorID0500-
uc.contributor.authorFigueiredo, Madalena Oliveira::0000-0001-7790-8461-
uc.degree.classification18-
uc.degree.presidentejuriGodinho, Pedro Manuel Cortesão-
uc.degree.elementojuriMartins, Cristina Maria Tavares-
uc.degree.elementojuriSebastião, Hélder Miguel Correia Virtuoso-
uc.contributor.advisorSebastião, Hélder Miguel Correia Virtuoso-
uc.contributor.advisorBação, Pedro Miguel Avelino-
item.fulltextCom Texto completo-
item.grantfulltextopen-
item.languageiso639-1en-
crisitem.advisor.deptFaculty of Economics-
crisitem.advisor.researchunitGroup for Monetary and Financial Studies-
crisitem.advisor.researchunitCeBER – Centre for Business and Economics Research-
crisitem.advisor.orcid0000-0002-3340-1068-
Appears in Collections:UC - Dissertações de Mestrado
Files in This Item:
File Description SizeFormat
Dissertação-MadalenaFigueiredo.pdf2.28 MBAdobe PDFView/Open
Show simple item record

Page view(s)

42
checked on Sep 17, 2021

Download(s)

32
checked on Sep 17, 2021

Google ScholarTM

Check


This item is licensed under a Creative Commons License Creative Commons