Прогнозирование волатильности Ethereum с применением HAR-RV моделей.

Данное исследование направлено на анализ и прогнозирование реализованной волатильности Ethereum, используя модели семейства Heterogeneous AutoRegressive (HAR), учитывающих долгую память финансовых данных. В контексте быстро развивающегося и высоковолатильного криптовалютного рынка, где Ethereum занимает 2ю строчку в топе по капитализации, важна разработка методов прогнозирования волатильности с высокой точностью для управления рисками и разработки торговых стратегий. Исследование включает в себя анализ рынка с 2017 по 2023 год, оценку волатильности через ряд методов, включая реализованную волатильность, bipower variation и quarticity, скачки, эффект левериджаиа и влияние монетарной политики США. Основная цель работы — определение модели из семейства HAR с наибольшей прогнозной силой. Для этого проводится анализ различных спецификаций моделей (логарифмическая и квадратическая) и оптимизация, не только параметров самих моделей, но и длин скользящих окон, в которых они рассматриваются. В работе используются такие статистические методы для оценки точности моделей, как среднеквадратичное отклонение (MSE), функция на основе квази-правдоподобия (QLIKE), а также проводится MCS тест для выбора наиболее эффективных моделей между разными спецификациями. Научная новизна исследования заключается в комплексном анализе моделей данного семейства, всего в работе рассматривается более 5,5 млн моделей различной спецификации, а лучший достигнутый параметр MAPE составляет 28,14%. Результаты исследования могут значительно повлиять на практику торговли и управления рисками на рынках криптовалют, предоставляя их участникам более точные и надежные инструменты для работы с волатильностью.