Prediksjon og analyse av Bitcoins volatilitet: En integrert tilnærming med GARCH og maskinlæring

Abstract

Denne masteroppgaven utforsker hvordan maskinlæringsmodeller og tradisjonelle GARCH-modeller evner seg til å predikere volatilitet i kryptovalutamarkedet, med Bitcoin som case-studie. Bitcoin som er kjent for sin høye volatilitet, påvirkes av både interne markedsdynamikker og eksterne økonomiske faktorer. Ved å kombinere teori fra finans og økonomi med moderne algoritmer, søker vi å forbedre prediksjonene for volatiliteten. Studien vurderer ytelsen til modeller som Random forest, support vector machine, neural network og en kombinert modell og sammenligner disse med GARCH-modellene sGARCH (1,1) og TGARCH (1,1). Resultatene viser at RF-modellen utmerker seg i generell nøyaktighet, mens GARCH-modellene gir bedre resultater i perioder med lav volatilitet. Samtidig demonstrerer maskinlæringsmodellene potensialet for å håndtere høyere volatilitet, men med større feilmarginer. For å gi en praktisk tilnærming til forskningen, anvender vi Value at risk (VaR) og forventet tap (ES) for å måle modellens evne til å estimere fremtidig risiko. Resultatene understreker viktigheten av å velge riktig modell. Denne oppgaven bidrar til en dypere forståelse av Bitcoin-markedets dynamikk og gir innsikt i hvordan man kan anvende avanserte prediksjonsmetoder for å forbedre risikostyring og investeringsbeslutninger i kryptovalutamarkedet. Videre forskning kan bygge videre på disse funnene.