نوع مقاله : مقاله مستخرج از رساله دکتری

نویسندگان

• سعید صدرزاده مقدم ¹
• کامبیز هژبر کیانی ²

¹ دانشجوی دکتری اقتصاد گرایش اقتصاد سنجی دانشگاه آزاد واحد علوم و تحقیقات تهران

² استاد گروه اقتصاد، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران، گروه اقتصاد، تهران، ایران

چکیده

در این مطالعه به منظور بررسی و مقایسه دو رویکرد مدل‌سازی در اقتصادسنجی از نظر دقت پیش‌بینی، سری زمانی قیمت بیت‌کوین برای بازه زمانی 2015 تا 2023 میلادی انتخاب شده است. بیت‌کوین بعنوان محبوب‌ترین و شناخته شده‌ترین رمزارز، در سالیان اخیر تبدیل به یک دارایی مهم برای بسیاری از سرمایه‌گذاران بازارهای مالی و حتی مردم عادی گردیده، لذا مطالعات بسیاری برای کشف ساختار قیمتی و تغییرات این دارایی در طول زمان در حال انجام می‌باشد. نوسانات بسیار بالای این رمزارز پیچیدگی‌های زیادی در این مطالعات ایجاد کرده است. رویکرد مدل‌سازی برای داده‌های با تواترهای زمانی متفاوت (MIDAS) بعنوان یک رویکرد جدید در مدل‌سازی در سالیان گذشته مطرح و با توجه به حذف محدودیت‌های مهم در مدل‌سازی اقتصادسنجی، به صورت روزافزون در حال بررسی و مطالعه است. در این مطالعه میزان دقت پیش‌بینی مدل خودرگرسیون جمعی میانگین متحرک همراه با واریانس ناهمسان شرطی و مدل‌سازی با رویکرد داده‌های ترکیبی با تواتر زمانی متفاوت مقایسه شده است. مدل‌سازی انجام شده در این تحقیق براساس داده‌های درون روزانه‌ای قیمت بیت‌کوین (با تواتر بالا – 5 دقیقه‌ای) بر روی متغیرهای بازدهی روزانه و هفتگی بیت‌کوین صورت گرفته است. ابتدا یک مدل خودرگرسیون جمعی میانگین متحرک با وجود اثرات ناهمسانی در واریانس شرطی و با در نظر گرفتن انواع مدل‌های گارچ و توزیع‌های متفاوت در هریک و سپس مدل داده‌های با تواتر زمانی متفاوت با توابع وزنی مختلف برآورد گردیده است. درنهایت با تقسیم بازه نمونه‌گیری به دو بخش، پیش‌بینی بازدهی سری زمانی بیت‌کوین با استفاده از هر دو رویکرد انجام و با اطلاعات واقعی مقایسه شده است. نتایج نشان می‌دهد مدل سازی با رویکرد داده‌های با تواتر زمانی متفاوت نتایج بهتری در خصوص پیش‌بینی بازدهی هر دو سری زمانی بازدهی روزانه و هفتگی بیت‌کوین ارائه می نماید. محاسبات و برآوردها توسط زبان برنامه نویسی R انجام شده است.

کلیدواژه‌ها

• مدل میداس
• خودرگرسیون میانگین متحرک
• واریانس ناهمسان شرطی
• بیت‌کوین .داده های پرتواتر

عنوان مقاله [English]

Choosing the Optimal Model for Predicting Asset Returns: A Comparison of ARIMA-GARCH and MIDAS Models

نویسندگان [English]

• saeed sadrzadeh moghadam ¹
• kambiz kiani ²

¹ Ph.D. Candidate, Department of Economics, Faculty of Management and Economics, Islamic Azad University, Science and Research Branch, Tehran

² Prof. Department of Economics, Faculty of Management and Economics, Islamic Azad University, Science and Research Branch, Tehran, Iran.

چکیده [English]

This study aims to compare and evaluate two modeling approaches in econometrics in terms of forecasting accuracy, using a time series of Bitcoin prices for the period 2015 to 2023 AD. Bitcoin, as the most popular and well-known cryptocurrency, has become an important asset for many investors in financial markets and even ordinary people in recent years, many studies have been conducted to discover the price structure and changes of this asset over time. The high volatility of this cryptocurrency has created many complexities in these studies. Mixed data sampling (MIDAS) is a new approach for modeling data with different time frequencies in recent years and the elimination of important limitations in econometric modeling, it is increasingly being studied and investigated. In this study, the forecasting accuracy of ARIMA-GARCH and MIDAS models is compared. The models used in this research are based on intraday data of Bitcoin prices (with high frequency-5 minutes) on the variables of daily and weekly returns of Bitcoin. First, a variant of the ARIMA-GARCH model with different types of GARCH models and distributions and then the MIDAS model with different weighting functions are estimated. Finally, by dividing the sampling interval into two parts, both approaches are used to forecast the return of the Bitcoin time series and compared with the actual information. The results show that modeling with the mixed data sampling approach provides better results in terms of forecasting the return of both time series of daily and weekly returns of Bitcoin.

کلیدواژه‌ها [English]

• MIDAS
• ARIM . Conditional Heteroscedasticity
• BitCoin . high-frequency data