比特币价格：来自高频数据的GARCH证据

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《The Price of BitCoin: GARCH Evidence from High Frequency Data》
---
作者：
Pavel Ciaian and d\'Artis Kancs and Miroslava Rajcaniova
---
最新提交年份：
2018
---
英文摘要：
  This is the first paper that estimates the price determinants of BitCoin in a Generalised Autoregressive Conditional Heteroscedasticity framework using high frequency data. Derived from a theoretical model, we estimate BitCoin transaction demand and speculative demand equations in a GARCH framework using hourly data for the period 2013-2018. In line with the theoretical model, our empirical results confirm that both the BitCoin transaction demand and speculative demand have a statistically significant impact on the BitCoin price formation. The BitCoin price responds negatively to the BitCoin velocity, whereas positive shocks to the BitCoin stock, interest rate and the size of the BitCoin economy exercise an upward pressure on the BitCoin price.
---
中文摘要：
这是第一篇利用高频数据在广义自回归条件异方差框架下估计比特币价格决定因素的论文。根据理论模型，我们使用2013-2018年期间的每小时数据，在GARCH框架下估计比特币交易需求和投机需求方程。与理论模型一致，我们的实证结果证实，比特币交易需求和投机需求对比特币价格形成都有统计上显著的影响。比特币价格对比特币速度的反应是负面的，而对比特币存量、利率和比特币经济规模的正面冲击对比特币价格施加了上行压力。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--
一级分类：Economics        经济学
二级分类：General Economics        一般经济学
分类描述：General methodological, applied, and empirical contributions to economics.
对经济学的一般方法、应用和经验贡献。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Economics        经济学
分类描述：q-fin.EC is an alias for econ.GN. Economics, including micro and macro economics, international economics, theory of the firm, labor economics, and other economic topics outside finance
q-fin.ec是econ.gn的别名。经济学，包括微观和宏观经济学、国际经济学、企业理论、劳动经济学和其他金融以外的经济专题
--

---
PDF下载：
--> The_Price_of_BitCoin:_GARCH_Evidence_from_High_Frequency_Data.pdf (310.34 KB)

2022-6-11 07:53:23 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：GARCH 高频数据 ARCH RCH ARC

比特币价格：GARCH证据来自高频数据Ipavel Ciaiana，b，d\'Artis Kancsa，b，*, Miroslava Rajcaniovac，daEuropean委员会，DG联合研究中心，I-21027 Ispra，意大利。布利科斯，鲁汶大学，B-3000鲁汶，BelgiumcSAU，经济政策系SK-94901 Nitra，西波希米亚斯洛伐克大学，CZ-30614 Pilsen，捷克共和国利用GARCH框架中的高频投机性需求方程建立了自回归条件异方差框架，该框架使用该时期的每小时数据。比特币交易需求和投机性需求具有统计上显著的比特币速度，而对比特币存量的正面冲击，利率和比特币经济规模对比特币价格施加了上行压力。关键词：虚拟货币、比特币收益率、波动性、价格形成、GARCH。JEL代码：E31；E42；G12.2018年12月27日，作者衷心感谢斯洛伐克研究与发展组织Hank Gerald Dwyer以及计量经济学协会、Creta宏观经济分析和国际金融国际会议以及EuropeanFrequency Data研讨会参与者提供的财政支持。所表达的观点纯粹是作者的观点，在任何情况下都不得视为表明了欧盟委员会的官方立场。*欧洲委员会建模能力中心通讯作者。电子邮件地址：d\'artis。kancs@ec.europa.eu（d\'Artis Kancs）arXiv:1812.09452v1【q-fin.ST】2018年12月22日。

导言在过去十年中，虚拟货币的兴起引发了经济文献中越来越多的兴趣——尽管理论模型和实证研究都试图收集（每日或每周）数据，但这掩盖了虚拟货币价格形成等诸多复杂性。之前的研究关注了与区块链技术相关的各种因素及其对金融市场的影响（例如Grinberg 2011；Barber et al.2012；Mooreformation（例如Buchholz et al.2012；Kristoufek 2013；van Wijk 2013；Boouiyour和Selmi2018）。虚拟货币价格的几个决定因素已被确定为重要因素。2012; Boouiyour和Selmi 2015；奥尔堡等人，2018年；Baur等人，2018年；Jang和Leedevelopments（van Wijk 2013，Ciian等人，2016，2018）。尽管该领域的文献不断增多，但现有证据仍然与利用高频数据的高度复杂的比特币价格动态相当不一致。至高频数据。和Ciaian等人（2016），在本研究中，为了理解比特币价格形成背后的机制，我们依赖于一个概念框架whichvalue），在第二步中，基于之前对比特币价格形成的实证研究，我们指定了一个GARCH模型，以使用2013-2018年期间的小时数据来估计影响比特币价格的因素（分别为第3节和第4节）。与无条件波动率模型相比，背离的必要性带来了巨大的改进。动态需求对比特币价格形成具有统计意义的影响（第5节）。比特币价格对比特币速度的反应是负面的，而对比特币存量、利率和比特币经济规模的正面冲击对比特币价格产生了上行压力。

本研究中分析的高频（每小时）数据有助于获得更多的见解，在比特币价格分析的背景下，这些见解仍然使用平均每日ordata来掩盖。2、概念框架2.1。比特币与标准货币比特币经济与标准货币类似，从比特币发行之日起，比特币经济对所有市场参与者预先定义和公开的货币供应总量进行监管。这一比特币特征与标准货币形成对比，标准货币的货币供应量取决于宏观经济发展和央行的货币政策）。这意味着比特币货币供应量是外生的。要求提供个人身份信息。投机性（投资）需求源于潜在的盈利机会，即资产回报（如利率）导致其价格下跌，从而导致资本损失（负收益可能是由其作为抵御通货膨胀或金融市场的保障而驱动的（Folkinshteyn et al.2015；Baur et al.2018；Ciian et al.2018）。2.2. 《比特币模型》（modelBitCoin，Ciaian et al.（2016，2018）和Baur et al.（2018）表明，可以通过考虑供求关系来研究比特币的价格形成。目前的研究依赖于一个概念框架，该框架同时考虑交易需求和货币投机需求（价值存储），以了解比特币价格形成背后的机制。MScirculation，B和虚拟货币的汇率（即每单位虚拟货币的美元），P:MS=PB（1）比特币交易可以在分散的代理之间执行。

类似于世界各地计算机的标准网络。货币交易需求MD可以定义为比特币经济规模G的恒定比例k，而货币投机需求是一个函数l（i）L/r</kin循环，而G近似于交易量（Howden 2013）：MD=kG+L（i）（2）表示为：P=kG+L（i）B（3）。根据方程式（3），比特币的价格随速度、比特币存量和利率而降低，但随比特币经济规模而增加。等式（3）表明，只有当市场参与者将比特币用作中介商品和服务交换的媒介或作为价值存储（即用于投机目的）时，比特币的价格才能维持。3、经济计量方法3.1。之前的研究强烈表现为极端的价格波动，这表明市场还不成熟。GARCH模型。他们发现，将2010-2015年的数据与2015年上半年的数据进行比较，波动性有所下降。因此，在第一个时间间隔内，阈值GARCHmarket还远未成熟。价格受到受欢迎程度的影响，尽管网络内容和比特币价格也有联系；它们表现出某种可预测的力量。Chen等人（2016年）使用GARCH模型的各种规格来分析CRIXof对数似然、AIC和BIC。Dyhrberg（2016a）运用非对称GARCH方法研究了英国《金融时报》股票交易所指数中的hedgagainst股票，并对短期内的美元进行了比较。在相关研究中，Dyhrberg（2016b）使用GARCH模型探索比特币的金融资产能力。结果表明，比特币在价值商店中占有一席之地。然而，日本的宏观经济变量并不重要。寻求投资或进入技术市场的途径。比特币市场上的HAR模型。

他发现，实际波动率与Boouiyour和Selmi（2015）的结果非常一致。通过一元和多元GARCH模型以及与美国市场发展相关的向量自回归进行建模。Katsiampa（2017）通过比较GarchCondition方差估计了比特币的波动性（Katsiampa，2017）。3.2. 经验规范适用于捕捉波动率聚类，这是金融时间序列（包括比特币）的特征，其中数据通常显示连续的高波动率和连续的低波动率。在比特币案例中，也可以观察到汇率波动文献。让rt表示比特币价格的对数回报：rt=ln（Pt）- ln（Pt-1） （4）rtttGARCH（1,1）模型可以指定为：rt=ut+σtεt（5），其中u是条件平均值；σ是波动过程；εtdenotes波动率残差。是一个AR（1）过程，意味着前期收益用于预测当期收益：rt=β+βrt-1+εtwithεt≈ i、 身份证号码。θ, σ然后使用自回归条件异方差残差的拉格朗日乘数（LM）检验，检验估计平均方程的|θ|<1（6）残差是否存在拱效应。因变量的方差被建模为因变量和自变量或外生变量过去值的函数。GARCH框架允许方差不仅取决于过去的冲击，还取决于其自身的最新方差。

GARCH（q，p）的条件方差规格遵循Bollerslev（1986），可表示为：σt=ω+p∑t=1aiεt-智商∑j=1βjσt-j（7）σttωεt-iσt-jai+βj<条件；ω>0，ai>0，βj>0是GARCH参数的限制条件。根据方程（7），条件方差是三项的函数：（i）恒定项，ω（ii）前期波动率的新闻，测量为平均方程的平方残差，εt-i（主要术语）；和（iii）上期预测方差σt-j（GARCH术语）。GARCH模型的关键特征是α和β之和，表明价格震荡后波动持续多长时间。根据Vlastakis和Markellos（2012），为了研究解释变量对比特币波动性条件方差方程的影响。结果GARCH模型的均值和方差方程用五个差分进行估计，ARCH（p，q）表示模型中剩余收益平方滞后的数量（“p”）和方差滞后的数量（“q”）。在变量之间，由于我们对几个变量使用了两种替代代理（2016），表2总结了它们的差异。模型1.1-1.2（模型2.1-2.2）考虑了比特币数量（logvolume）和比特币用户数量（logno）以及两个速度变量（logvelocity，logvelocity2）的互换性。4.1. 数据共5万次观测。作为响应变量，我们使用每日比特币价格的对数回报。

对数收益的使用在实证金融中有很好的记录。本研究中，使用对数收益的一个优点是数据是标准化的，并且是价格的对数（见第3节中的等式（4））。关于解释变量，我们通过交易量来衡量比特币经济G，交易量可以进一步分解为交易数量，而G/K是一个未观察到的变量。比特币的可替代性意味着不能直接跟踪其频率。因此，我们通过两种替代方法来代理速度，首先计算每分钟的速度，然后按小时进行聚合。为了说明比特币的投机需求，我们使用从圣路易斯联邦储备银行提取的10年期国债指数证券（每日）代理利率i。https://research.stlouisfed.org/useraccount/datalists/202281/download4.2.规范测试重复计量经济学方法本质上基于平稳性假设。比特币收益单位根的零假设，因此，比特币价格的对数收益序列的平稳性得到保证。GARCH模型必须满足两个前提条件：集群波动率和异方差的序列相关性。为了确定残差中是否存在集群波动性，首先我们绘制了高波动性曲线，而低波动性曲线之后似乎是低波动性曲线。同样，构成我们序列特征的过度峰度和厚尾表明，误差项是条件异方差的，可以用GARCH模型表示。GARCH所需的第二个标准是异方差的序列相关性。

为了确定异方差是否存在序列相关性，我们对自回归条件异方差进行了恩格尔拉格朗日乘数检验。该检验中的无效假设是，异方差不存在序列相关性。均值方程中异方差的序列相关。4.3. 估计结果平均值。表3中报告了均值和方差方程的结果。大多数变量与零没有显著差异（表3，第3-10行），这符合我们的预期，因为所有解释变量都滞后一个时期。如果这些变量在统计上具有显著性，则可能提供套利机会。因此，没有套利机会。在方差方程中，我们可以观察到所有解释变量都是显著方程（表3第3-10行）。我们还可以观察到，ARCH和GARCH术语在统计上都具有显著性（表3中的第19行和第20行），这意味着前一期（ARCH）以及前一期比特币的波动性会影响当前期比特币的波动性（GARCH）。关于估计系数的迹象，它们都符合我们的预期，都是积极的。系数大于ARCH系数（表3第19行和第20行），这意味着在预测比特币的波动性时应使用效应。5、虚拟货币价格形成机制的结论。除其他研究外，之前的研究有一个可能导致结果不确定的原因，其根源在于基础数据——虚拟货币价格形成的巨大复杂性。利用高频数据的价格形成动力学。据我们所知，这是第一篇利用高频数据在GARCH框架下估计比特币价格决定因素的论文。比特币价格形成的概念模型。

第二步，利用2013年至2018年期间的每小时数据，以先前影响比特币价格的因素为基础。需求对比特币价格形成具有统计上的显著影响。比特币存量、利率和比特币经济规模对获得额外见解施加了上行压力，而这些见解仍被平均每日或每周价格掩盖。其他虚拟货币也在追逐。6、参考参考文献【1】比特币的数量？《金融研究快报》即将出版。[2] Barber，S.、X.Boyen、E.Shi和E.Uzun（2012年）。如何让比特币成为更好的货币。在金融加密和数据安全领域。第7397卷，《计算机科学讲稿》，编辑：Keromytis，A.D.，399-414。柏林：斯普林格。[3] Baur，D.G.、K.Hong和A.D.Lee（2018年）。比特币：交易媒介还是投机资产？《国际金融市场、机构和货币杂志》54:177-189。[4] Bollerslev，T.（1986）。广义自回归条件异方差。计量经济学杂志31:307-27。[5] Boouiyour，J.和R.Selmi（2015年）。比特币看起来像什么？MPRA文件编号58091。德国：慕尼黑大学图书馆。[6] 公报，36（2）：1-9。[7] 比特币的特性：它真的不仅仅是一种多样化吗？《金融研究快报》20:192-198。[8] Brooks，Ch.（2014）。金融计量经济学导论。剑桥大学出版社。[9] Brownlees，C.T.、Engle，R.F.、Kelly，B.T.（2011）。《通过calmand storm进行波动性预测的实用指南》（2011年8月1日）。http://dx.doi.org/10.2139/ssrn.1502915[10] 比特币需求，经济学312。www.bitcointrading。com/pdf/bitsandsets。pdf。[11] 基于GARCH模型的比特币波动率。https://ssrn.com/abstract=2961405[12]https://ssrn.com/abstract=[13] 《风险与财务管理杂志》，10（4），1-15。[14] 《经济学》，48（19），1799-1815年。[15] Ciian，P.，M.Rajcaniova，D。