Google Trends and Bitcoin volatility forecast
Since the introduction of Bitcoin in 2008, the size of the cryptocurrency market is becoming increasingly important for investors. Thus, the forecast of cryptocurrency price volatility is of particular interest to portfolio investors, as they are interested in accurately estimating the standard deviation of their portfolios to calculate the Value-at- Risk (VaR) as a risk measure for more optimal portfolio management. The HAR-RV model introduced by F. Corsi (in 2009) became more effective than the traditional GARCH type models in forecasting in the volatility of fi nancial assets. In the last decade, cryptocurrencies started to dominate both the social media and the fi nancial press. At the same time, some academic papers use social media data to enhance the cryptocurrency volatility forecasting models. In our paper, we study how the use of Google Trends data could improve the precision of one-day-ahead of Bitcoin price volatility models forecasts. We use three different measures of the forecast precision. All models are estimated in rolling windows in order to control for possible structural breaks. Also, we estimate the optimal length of rolling windows to provide the best forecast precision on the historical Bitcoin price data from January 1, 2018 to December 31, 2022. We verify that the predictive power of the chosen model statistically differs from other models via MCS-test.
С появлением в 2008 г. биткоина размер рынка криптовалют вырос и стал важным для инвесторов. Таким образом, сегодня прогноз волатильности цены криптовалюты является предметом особого интереса для портфельных инвесторов, поскольку они заинтересованы в точной оценке стандартного отклонения их инвестиционных портфелей для вычисления сумм под риском (VaR) как меры риска для оптимального управления портфелем. HAR-RV-модель, предложенная F. Corsi (в 2009 г.), показала бóльшую эффективность при прогнозировании волатильности финансовых активов по сравнению с более традиционными моделями из семейства GARCH. В последнее десятилетие сообщения и статьи о криптовалютах стали все чаще появляться как в социальных медиа, так и в финансовой прессе. В то же время в некоторых академических исследованиях авторы используют данные социальных медиа для улучшения моделей прогноза волатильности криптовалют. В данной работе мы проводим анализ того, как использование данных Google Trends могут повысить точность моделей для однодневного прогноза волатильности цены биткоина. В исследовании мы используем три различные меры точности прогнозов. Все модели оцениваются в скользящих окнах для контроля на наличие структурных сдвигов в данных. Также мы подбираем оптимальный размер скользящего окна для получения наилучшего прогноза на исторических данных цены биткоина с 01.01.2018 по 31.12.2022. С помощью MCS-теста мы показываем, что прогнозная сила выбираемой модели статистически отличается от других.