基于已实现波动率的比特币风险实证研究

【摘要】 加密货币已经成为世界级现象，各国政府、企业和投资者都面临着巨大的挑战和机遇。 比特币在加密货币中最为人所知的是稳定币。 相较于比特币的支付功能，人们更倾向于将比特币作为一种投资获利和对冲风险的资产。 因此，对比特币市场风险的研究非常重要。 许多学者利用比特币的日数据构建了不同的GARCH模型来分析其收益的波动性，近两年利用比特币高频数据的研究也逐渐展开。 本文旨在研究适用于比特币波动率拟合、预测和VaR计算的模型。 在理论部分，本文首先介绍了文章中采用的收益率形式和可能适用的四种分布，简述了四种GARCH族模型的基本内容，详细介绍了已实现波动率和已实现的极端波动。 以及预测已实现的波动率序列的模型，最后阐述了已实现的GARCH模型的结构和参数估计的方法。 在对时间序列模型和已实现波动率模型进行理论介绍的基础上比特币高频策略，在实证部分，本文主要从以下几个方面考虑不同模型的构建。 首先，利用低频数据构建GARCH模型和EGARCH模型，利用高频数据构建HAR模型和ARFIMA模型，利用低频数据和高频数据构建实现的GARCH模型。 其次，考虑到收益率的峰厚尾特点，在构建GARCH型模型时，使残差服从五种不同的分布。 第三，利用不同的已实现波动率序列构建HAR模型、ARFIMA模型和已实现的GARCH模型。 实证结果表明，在GARCH模型中，EGARCH模型的模拟效果最好，但实现的GARCH模型更能适应波动率的快速波动，残差分布的变化会影响GARCH模型的模拟效果. 在预测已实现波动率的模型中，HAR模型的拟合效果优于ARFIMA模型，使用已实现区间波动率的模型拟合效果优于使用已实现波动率的模型，拟合使用已实现波动率的对数形式的模型效果优于使用已实现波动率的模型。 实现波动率序列的模型比使用已实现波动率的一般形式的模型更适合。 在波动率预测方面，ARFIMA-lnRRV模型对未来波动率的预测效果最好。 在VaR预测方面，所有模型均通过回测测试，能够准确预测VaR。 其中，实现的GARCH模型预测的整体VaR较小比特币高频策略，但失败次数较多。 已实现波动率模型预测的VaR总体失效次数较少，但部分模型预测的VaR偏大。 最好的预测器是使用对数实现范围波动的 ARFIMA 模型。