پیش ‌بینی نوسانات قیمت بیت ‌کوین با استفاده از مدل‌های خودرگرسیون ناهمگن (har)

پیش‌بینی نوسانات دارایی‌های مالی به‌ویژه در بازارهای پرنوسان مانند ارزهای دیجیتال، یکی از چالش‌های مهم در تحلیل مالی است. این پیش‌بینی‌ها نه تنها می‌توانند به سرمایه‌گذاران کمک کنند تا تصمیمات بهتری در زمینه خرید و فروش اتخاذ کنند، بلکه امکان مدیریت موثرتر ریسک‌ها و شناسایی فرصت‌های سودآوری را نیز فراهم می‌آورند. در نهایت، توانایی پیش‌بینی نوسانات بازار می‌تواند موجب بهبود استراتژی‌های مدیریت پرتفوی و کاهش ضررهای غیرمنتظره برای سرمایه‌گذاران شود. این تحقیق به بررسی و پیش‌بینی نوسانات قیمت بیت‌کوین به‌عنوان یکی از مهم‌ترین ارزهای دیجیتال پرداخته است. مدل‌های خودرگرسیون ناهمگن (har) و خانواده‌های آن به‌عنوان ابزارهای اصلی برای مدل‌سازی نوسانات در این پژوهش انتخاب شدند. این مدل‌ها به‌دلیل قابلیت بالای خود در تحلیل نوسانات در مقیاس‌های زمانی مختلف، برای مطالعه داده‌های نوسانی از اهمیت ویژه‌ای برخوردارند. با توجه به ویژگی‌های خاص بازار ارزهای دیجیتال، که شامل تغییرات سریع و غیرقابل پیش‌بینی در قیمت‌ها است، استفاده از مدل‌هایی که می‌توانند نوسانات کوتاه‌مدت و بلندمدت را همزمان مدل‌سازی کنند، ضروری به نظر می‌رسد. در این مطالعه، داده‌های تاریخی با فراوانی بالا در بازه‌های زمانی 60 دقیقه‌ای، روزانه، هفتگی و ماهانه از قیمت بیت‌کوین در دوره زمانی 2018 تا 2022 مورد تحلیل قرار گرفتند. نتایج حاصل از تحلیل‌ها نشان می‌دهد که مدل‌های خودرگرسیون ناهمگن (har) و نسخه‌های گسترش‌یافته آن، مانند harj، harq و harqj، توانایی بالایی در پیش‌بینی نوسانات قیمت بیت‌کوین دارند. علاوه بر این، وارد کردن عامل پرش به این مدل‌ها باعث افزایش دقت پیش‌بینی‌ها و بهبود نتایج شده است. این یافته‌ها بر اهمیت استفاده از مدل‌های پیشرفته و ترکیبی در پیش‌بینی نوسانات بازارهای مالی تاکید می‌کند و می‌تواند راهگشای توسعه استراتژی‌های بهینه برای سرمایه‌گذاران در بازار ارزهای دیجیتال باشد.

predicting bitcoin price volatility using heterogeneous autoregressive (har) models

predicting financial asset volatility is highly important because this information can help investors make more informed decisions regarding buying and selling. accurate predictions can also reduce financial risks and identify profitable opportunities. ultimately, the ability to forecast market changes improves portfolio management strategies and minimizes unexpected losses for investors. this study examines and predicts bitcoin price volatility by using innovative data analysis models. the heterogeneous autoregressive (har) model and its variants were selected as the primary tools for modeling volatility because of their high capability to analyze volatility data across different time scales. given the unique characteristics of cryptocurrency markets and rapid, unpredictable price fluctuations, the use of models that can simultaneously capture both short- and long-term volatility is of significant importance. in this study, high-frequency historical bitcoin price data from 2018 to 2022, covering 60-minute, daily, weekly, and monthly intervals, were analyzed using the har, harj, harq, and harqj models. the results indicate that heterogeneous models have strong predictive power for bitcoin price volatility, and incorporating jump factors into these models further improves their forecasting accuracy.predicting financial asset volatility is highly important because this information can help investors make more informed decisions regarding buying and selling. accurate predictions can also reduce financial risks and identify profitable opportunities. ultimately, the ability to forecast market changes improves portfolio management strategies and minimizes unexpected losses for investors. this study examines and predicts bitcoin price volatility by using innovative data analysis models. the heterogeneous autoregressive (har) model and its variants were selected as the primary tools for modeling volatility because of their high capability to analyze volatility data across different time scales. given the unique characteristics of cryptocurrency markets and rapid, unpredictable price fluctuations, the use of models that can simultaneously capture both short- and long-term volatility is of significant importance. in this study, high-frequency historical bitcoin price data from 2018 to 2022, covering 60-minute, daily, weekly, and monthly intervals, were analyzed using the har, harj, harq, and harqj models. the results indicate that heterogeneous models have strong predictive power for bitcoin price volatility, and incorporating jump factors into these models further improves their forecasting accuracy.