Аннотация результатов, полученных в 2024 году
(1) В ходе исследования было проанализировано наличие связи между реализованной волатильностью Bitcoin и тремя показателями экономической и рыночной неопределенности, а именно, индексами VIX, TEU_ENG и TMU_ENG. Изучаемый временной интервал был разделен на два периода: доковидный (с 02.01.2018 по 28.02.2020) и постковидный (с 02.03.2020 по 31.12.2022). Для выявления краткосрочной и долгосрочной связи между волатильностью Bitcoin и индексами неопределенности на каждом из периодов была оценена ARDL модель. В качестве контрольных переменных в модель включены доходность фьючерса E-mini S&P 500, цена на нефть WTI, обменный курс EUR/USD, чье влияние на волатильность Bitcoin было подтверждено в работах, представленных в литературном обзоре. Получено, что модели на двух рассматриваемых интервалах (доковидный, постковидный) различаются. В обоих периодах в долгосрочной перспективе наблюдается значимое влияние «индекса страха» VIX, цены нефти WTI, обменного курса EUR/USD и самой волатильности криптовалюты на реализованную волатильность Bitcoin. В обоих периодах выявлено отрицательное значимое влияние индекса VIX на волатильность Bitcoin. В краткосрочной перспективе в доковидном и постковидном периодах значимый положительный эффект наблюдается для показателя рыночной неопределенности, рассчитанного на основе данных Twitter, TMU_ENG. В доковидном периоде также обнаружено значимое положительное краткосрочное влияние индекса VIX, что примечательно, т.к. в долгосрочной перспективе данное влияние значимо отрицательное. Однако в период с июля 2014 г. по сентябрь 2021 г. краткосрочный эффект меняется на противоположный (отрицательный), а также становится значимым отрицательным краткосрочный эффект для показателя GPR в США. Результаты исследования подтверждают наличие связи между индексами неопределенности VIX и TMU_ENG и волатильностью Bitcoin. При этом направленность связи различается в краткосрочной и долгосрочной перспективах, а также в зависимости от изучаемого периода. Полученный результат может быть использован в дальнейшем при построении моделей для прогнозирования волатильности криптовалюты Bitcoin с использованием дополнительных факторов (индексов неопределенности). Подробнее см. https://doi.org/10.22394/1993-7601-2024-74-35-50. (2) Изучение того, в какой мере использование нефинансовой информации может повысить точность прогноза волатильности криптовалюты (на примере биткойна) Мы применяем HAR-log-RV модели, которые оцениваем в скользящих окнах для контроля на наличие структурных сдвигов в данных. Предложена и реализована процедура определения оптимального размера скользящего окна для получения наилучшего прогноза на исторических данных цены Биткоина с 01.01.2018 до 31.12.2022. Оптимальное окно имеет размер 300 дней. Предложен метод получения длинных рядов однодневных наблюдений на основе данных сервиса Google Trends. Метод основан на итеративной выгрузке данных и их одновременном шкалировании. Предложена спецификация типа HAR для данных Google Trend, которая учитывает неоднородность поисковых запросов Google. Использование этой спецификации и ежедневных «доходностей» данных Google Trend классической HAR модели позволило существенно повысить точность прогноза волатильности цен Биткоина. Показано, что модели с данными GT, полученные по ключевому слову "bitcoin", показывают лучшие результаты, по сравнению с моделями в которых используются данные по более широкому набору ключевых слов (что добавляет излишний «шум» в данные и не улучшает прогнозную силу моделей). Из более чем десяти рассмотренных моделей была выбрана лучшая на основе показателей точности прогноза. С помощью MCS-теста мы показали, что прогнозная сила этой модели статистически отличается от других рассмотренных моделей. Только немногие работы приводят значения оценок точности на отложенной выборке предлагаемых в них моделей прогноза. Наша модель показыает MAPE около 19%, в то время как лучшая из моделей из литературы показала точность 25.6%. Подробнее см. http://journal.econorus.org/jlast.phtml (ссылка будет активна после выхода тома 4, 2024).

Аннотация результатов, полученных в 2025 году
• Получено оптимальное значение длины скользящего окна для прогноза однодневной волатильности криптовалюты при помощи HAR-log-RV модели равное 300 дням. • Показано, что учет данных по волатильности эфириума в HAR-log-RV модели для волатильности Биткоина повышает точность прогноза. • Использование реализованной ковариации двух криптовалют в HAR-log-RV модели для волатильности Биткоина повышает точность прогноза. • Векторные HAR-log-RV модели не имеют преимущества перед скалярными. • Использование нефинансовых данных таких как частота запросов Google Trends и данных по новостной активности и среднему сентименту новостей по каждой криптовалюте по данным базы GDELT значительно улучшает прогнозную силу HAR-log-RV моделей.