PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2019 | 24 | nr 3 | 35--45
Tytuł artykułu

Heteroskedasticity in Excess Bitcoin Return Data: Google Trend vs. GARCH Effects

Warianty tytułu
Heteroskedastyczność w danych zwrotu bitcoinów: trend Google vs. efekty GARCH
Języki publikacji
EN
Abstrakty
W artykule przeanalizowano właściwości dystrybucji związanych z heteroskedastycznymi punktami zwrotnymi nadwyżki bitcoinów, wykorzystując zapytania w wyszukiwarce Google jako przybliżenie czasu dostarczenia informacji w okresach miesięcznych od czerwca 2010 r. do maja 2019 r. W analizowanym okresie badanie pokazuje, że współczynniki zmienności stają się wysoce nieistotne statystycznie, gdy opóźniona liczebność zapytań w Google jest uwzględniona w równaniu wariancji warunkowej modelu GJR-GARCH-M. To sugeruje, iż liczba zapytań zapewnia znaczną moc wyjaśniającą w odniesieniu do wariantu heteroskedastycznego zwrotu nadmiaru bitcoinów, który można prześledzić na podstawie procesu ARCH zdefiniowanego w specyfikacji GJR-GARCH-M. Znaczny negatywny związek między zmiennością warunkową a liczbą zapytań wyszukiwania wskazuje, że pojawienie się informacji w Internecie (online) zmniejsza premię za ryzyko na rynku bitcoinów, co może poprawić stabilność rynku.(abstrakt oryginalny)
EN
This paper examines the mixture of distribution properties associated with heteroskedastic excess Bitcoin return data, using the volume of Google search queries as a proxy for the information arrival time, from a monthly data sampling period of June 2010 to May 2019. The results show that the volatility coefficients become highly statistically insignificant when the lagged volume of search queries is included in the conditional variance equation of the GJR-GARCH-M model. This clearly suggests that the volume of search queries is shown to provide significant explanatory power regarding the variance of heteroskedastic excess Bitcoin return, which can be traced from the ARCH process defined in the GJR-GARCH-M specification. A significant negative relationship between the conditional volatility and the volume of search queries indicates that Internet (online) information arrival reduces the risk premium in the Bitcoin market, which may improve market stability.(original abstract)
Słowa kluczowe
Rocznik
Tom
24
Numer
Strony
35--45
Opis fizyczny
Twórcy
  • School of Economics, Wuhan University of Technology, China
autor
  • Central Bank of Bosnia and Herzegovina, Sarajevo, Bosnia and Herzegovina
Bibliografia
  • Baur D.G., Hong K., Lee A.D., 2018, Bitcoin: Medium of exchange or speculative assets?, Journal of International Financial Markets, Institutions and Money, 54, pp. 177-189.
  • Bollerslev T., Sizova N., Tauchen G., 2011, Volatility in equilibrium: Asymmetries and dynamic dependencies, Review of Finance, 16(1), pp. 31-80.
  • Bouoiyour J., Selmi R., Tiwari A.K., Olayeni O.R., 2016, What drives Bitcoin price?, Economics Bulletin, 36(2), pp. 843-850.
  • Brauneis A., Mestel R., 2019, Cryptocurrency-portfolios in a mean-variance framework, Finance Research Letters, 28, pp. 259-264.
  • Chan W.H., Le M., Wu Y.W., 2019, Holding Bitcoin longer: The dynamic hedging abilities of Bitcoin, The Quarterly Review of Economics and Finance, 71, pp. 107-113.
  • Clark P.K., 1973, A subordinated stochastic process model with finite variance for speculative prices, Econometrica, 40(1), pp. 135-155.
  • Engle R.F., Lilien D.M., Robins R.P., 1987, Estimating time varying risk premia in the term structure: The ARCH-M model, Econometrica, 55(2), pp. 391-407.
  • Garcia D., Tessone C.J., Mavrodiev P., Perony N., 2014, The digital traces of bubbles: Feedback cycles between socio-economic signals in the Bitcoin economy, Journal of the Royal Society Interface, 11(99), 20140623.
  • Georgoula I., Pournarakis D., Bilanakos C., Sotiropoulos D. N., Giaglis G.M., 2015, Using Time-Series and Sentiment Analysis to Detect the Determinants of Bitcoin Prices, 9th Mediterranean Conference on Information Systems, MCIS 2015, Samos, Greece, October 2-5.
  • Glosten L.R., Jagannathan R., Runkle D.E., 1993, On the relation between the expected value and the volatility of the nominal excess return on stocks, The Journal of Finance, 48(5), pp. 1779-1801.
  • Kjærland F., Khazal A., Krogstad E., Nordstrøm F., Oust A., 2018, An analysis of bitcoin's price dynamics, Journal of Risk and Financial Management, 11(4), pp. 2-18.
  • Kristoufek L., 2013, Bitcoin meets Google Trends and Wikipedia: Quantifying the relationship between phenomena of the Internet era, Scientific Reports, 3, p. 3415.
  • Kristoufek L., 2015, What Are the Main Drivers of the Bitcoin Price? Evidence from Wavelet Coherence Analysis, PLoS ONE 10: e0123923.
  • Kurihara Y., Fukushima A., 2018, How does price of bitcoin volatility change?, International Research in Economics and Finance, 2(1), pp. 8-14.
  • Lamoureux C.G., Lastrapes W.D., 1990, Heteroskedasticity in stock return data: Volume versus GARCH effects, The Journal of Finance, 45(1), pp. 221-229.
  • Liu W., 2018, Portfolio diversification across cryptocurrencies, Finance Research Letters, 29, pp. 200--205.
  • Mandelbrot B.B., 1963, The Variation of Certain Speculative Prices, The Journal of Business, 36(4), pp. 394-419.
  • Pavel C., Rajcaniova M., Kancs A., 2016, The economics of Bitcoin price formation, Applied Economics 48, pp. 1799-815.
  • Roll R., 1988, R2. Journal of Finance, 43(3), pp. 541-566.
  • Senarathne C.W., 2019a, The leverage effect and information flow interpretation for speculative bitcoin prices: Bitcoin volume vs ARCH effect, European Journal of Economic Studies, 8(1), pp. 77-84.
  • Senarathne C.W., 2019b, The information flow interpretation of margin debt value data: Evidence from the New York Stock Exchange, Applied Economics Journal, 26(1), pp. 31-46.
  • Senarathne C.W., 2019c, The impact of internet information flow regarding 'innovation'on common stock returns: Volume vs Google search querries, Management of Sustainable Development, 11(1), pp. 43-49.
  • Senarathne C.W., Jayasinghe P., 2017, Information flow interpretation of heteroskedasticity for capital asset pricing: An expectation-based view of risk, Economic Issues, 22(1), pp. 1-24.
  • Senarathne C.W., Wei J., 2018, The impact of patent citation information flow regarding economic innovation on common stock returns: Volume vs. patent citations, International Journal of Innovation Studies, 2(4), pp. 137-152.
  • Shen D., Li X., Zhang W., 2018, Baidu news information flow and return volatility: Evidence for the sequential information arrival hypothesis, Economic Modelling, 69, pp. 127-133.
  • Shen D., Zhang W., Xiong X., Li X., Zhang Y., 2016, Trading and non-trading period Internet information flow and intraday return volatility, Physica A: Statistical Mechanics and its Applications, 451, pp. 519-524.
  • Trautman L.J., Dorman T., 2018, Bitcoin as Asset Class, https://ssrn.com/abstract=3218007 or http://dx.doi.org/10.2139/ssrn.3218007.
  • Urquhart A., 2017, Price clustering in Bitcoin, Economics Letters, 159, pp. 145-148.
  • Urquhart A., 2018, What causes the attention of Bitcoin?, Economics Letters, 166, pp. 40-44.
  • Zhang Y., Feng L., Jin X., Shen D., Xiong X., Zhang W., 2014, Internet information arrival and volatility of SME price index, Physica A: Statistical Mechanics and Its Applications, 399, pp. 70-74.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171575002

Zgłoszenie zostało wysłane

Zgłoszenie zostało wysłane

Musisz być zalogowany aby pisać komentarze.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.