Forecasting Bitcoin Realized Volatility: The role of Blockchain Information

Abstract

Este trabalho pretende contribuir para a literatura existente relacionada com a previsão da volatilidade realizada da Bitcoin adicionando dois aspetos que, até agora, tem sido pouco explorados. Primeiro, a volatilidade realizada é calculada através de dados de diversas bolsas e não apenas de uma, o que dá uma melhor perceção do mercado da Bitcoin em geral. Depois, considera informação da Blockchain e outra informação de mercado nos modelos HAR como variávies exógenas. Outros trabalhos já utilizaram alguma desta informação nos seus modelos, no entanto ao usar Análise dos Componentes Principais reduzimos a dimensão dos dados (de 139 para 3) mantendo a maioria da sua informação.Usando dados de 5-minutos de 1 de janeiro de 2015 até 19 de outubro de 2021, implementámos diveros modelos do tipo HAR para prever a volatilidade do dia seguinte. Uma das principais conclusões a tirar é que nenhum dos modelos onde a informação da Blockchain foi introduzida produz resultados superiores quando comparados com os outros modelos. Outro facto interessante é que 3 dos outo modelos, onde se utilizam logaritmos, produzem as melhores previsões (conclusões retiradas da análise dos testes de Diebold-Mariano), com o modelo HAR-J-LN a demonstrar resultados superiores, o que nos leva a concluir que a introdução de logaritmos melhora as previsões. O facto das previsões médias (média e média ponderada) mostrarem resultados interessantes, tanto nas estatísticas de previsão como nos testes de Diebold-Mariano (na estatística RMSE apresentam os melhores valores) salienta o facto de não existir um modelo significativamente superior aos outros. Se uma previsão fosse mais precisa que outras, seria de esperar que a sua combinação produzisse piores resultados, no entanto, não é isso que acontence.

This paper aims to contribute to the existing literature related to forecasting Bitcoin realized volatility by adding two aspects that have, so far, been scarcely explored. Firstly, realized volatility is computed from several exchanges and not from only one, which gives a better picture on the overall Bitcoin market. Secondly, it additionally considers Blockchain and other market information into HAR models as exogenous variables. Other papers have already used some information from the Blockchain in their models however, by using Principal Component Analysis we reduced the size of the dataset (from 139 to 3) while taking into account most of its information.Using 5-minute data covering the period from January 1, 2015, through October 19, 2021, we implemented several HAR-type models to forecast 1-day ahead volatility. One of the main conclusions to be drawn from the results is that none of the eight models where Blockchain information was introduced, produces superior results compared to the other models. Another interesting result is that 3 of the eight models, where logarithms are used, produce the best predictions (conclusions drawn by analyzing the Diebold-Mariano tests), with the HAR-J-LN model demonstrating superior results, which leads us to conclude that the introduction of logarithms can improve predictions. The fact that the average forecasts (Mean and Weighted Mean) show interesting results, both in the forecasting statistics and in the Diebold-Mariano test (in terms of the RMSE statistic, these predictions present the best values), highlights that there is no model significantly superior to the others. If one forecast is more accurate than the others, one would expect their combination to produce worse results, however, this is not the case.