Прогноз волатильности криптовалют с использованием Google Trends и GDELT

Криптовалюты стали важной частью современного финансового рынка. Одними из крупнейших являются Bitcoin, Ether, Litecoin и XRP, их капитализация составляет львиную долю рынка цифровых активов. При этом рынок криптовалют отличается от рынка традиционных финансовых активов более высоким уровнем волатильности цен, что делает методологию построения более точных прогнозов дневной волатильности для этих активов особенно значимой. Оценка дневной волатильности финансового актива является важным аспектом при разработке инвесторами торговых стратегий, определении направления политики риск-менеджмента, а также для учета в регуляторной политике рынка цифровых активов со стороны финансовых регуляторов. Настоящее исследование фокусируется на интеграции в HAR-RVмодель дополнительной нефинансовой информации, извлеченной из сети Интернет, для улучшения качества прогнозов реализованной волатильности четырех крупнейших криптовалют. В настоящем исследовании используются переменные, построенные на основе источников GDELT и Google Trends в качестве экзогенных для учета общественного интереса и сентимента (эмоциональных, поведенческих факторов). Переменные включаются в стандартную HAR-log-RV-модель, все вариации моделей для каждого актива оцениваются в скользящем окне на периоде с 1 января 2018 года по 23 июня 2024-го. Было получено более 2000 вневыборочных прогнозов на один день вперед, на основе которых рассчитываются функции потерь. Набор вневыборочных ошибок моделей для каждого актива тестируется с помощью процедуры MCS для определения набора статистически лучших прогнозных моделей. Предложенные в исследовании источники данных и построенные на их основе переменные позволяют значительно улучшить прогнозы реализованной волатильности четырех крупнейших криптовалют.

1. Аганин А. Д., Маневич В. А., Пересецкий А. А., Погорелова П. В. Сравнение моделей прогноза волатильности криптовалют и фондового рынка // Экономический журнал ВШЭ. 2023. № 27(1). С. 49–77. DOI: 10.17323/1813-8691-2023-27-1-49-77.

2. Маневич В. А., Пересецкий А. А., Погорелова П. В. Волатильность фондового рынка и волатильность криптовалют // Прикладная эконометрика. 2022. № 65. С. 65–76. DOI: 10.22394/1993-7601-2022-65-65-76.

3. Aalborg H.A., Molnár P., de Vries J.E. What Can Explain the Price, Volatility and Trading Volume of Bitcoin? // Finance Research Letters. 2019. No 29. P. 255–265. DOI: 10.1016/j.frl.2018.08.010.

4. Al Guindy M. Cryptocurrency Price Volatility and Investor Attention // International Review of Economics & Finance. 2021. No 76. P. 556–570. DOI: 10.1016/j.iref.2021.06.007.

5. Alipour P., Charandabi S. E. Analyzing the Interaction Between Tweet Sentiments and Price Volatility of Cryptocurrencies // European Journal of Business and Management Research. 2023. No 8(2). P. 211–215. DOI: 10.24018/ejbmr.2023.8.2.1865.

6. Anamika A., Subramaniam S. Do News Headlines Matter in the Cryptocurrency Market? // Applied Economics. 2022. No 54. P. 6322–6338. DOI: 10.1080/00036846.2022.2061904.

7. Andersen T. G., Bollerslev T. Answering the Skeptics: Yes, Standard Volatility Models Do Provide Accurate Forecasts // International Economic Review. 1998. No 39(4). P. 885–905. DOI: 10.2307/2527343.

8. Andersen T. G., Bollerslev T., Christoffersen P. F., Diebold F. X. Volatility and Correlation Forecasting // Handbook of Economic Forecasting. 2006. No 1. P. 777–878. DOI: 10.1016/ S1574-0706(05)01015-3.

9. Arratia A., López-Barrantes A. X. Do Google Trends Forecast Bitcoins? Stylized Facts and Statistical Evidence // Journal of Banking and Financial Technology. 2021. No 5(1). P. 45– 57. DOI: 10.1007/s42786-021-00027-4.

10. Aslanidis N., Bariviera A.F., López Ó.G. The Link Between Cryptocurrencies and Google Trends Attention // Finance Research Letters. 2022. No 47. Article 102654. DOI: 10.1016/j.frl.2021.102654.

11. Barndorff-Nielsen O. E., Shephard N. Econometric Analysis of Realized Covariation: High Frequency Based Covariance, Regression, and Correlation in Financial Economics // Econometrica. 2004. No 72(3). P. 885–925. DOI: 10.1111/j.1468-0262.2004.00515.x.

12. Bergsli L.Ø., Lind A.F., Molnár P., Polasik M. Forecasting Volatility of Bitcoin // Research in InternationalBusinessandFinance.2022.No59.Article101540.DOI:10.1016/j.ribaf.2021.101540.

13. Bouri E., Gkillas K., Gupta R., Pierdzioch C. Forecasting Realized Volatility of Bitcoin: The Role of the Trade War // Computational Economics. 2021. No 57. P. 29–53. DOI: 10.1007/s10614-020-10022-4.

14. Brauneis A., Sahiner M. Crypto Volatility Forecasting: Mounting a HAR, Sentiment, and Machine Learning Horserace // Asia-Pacifi Financial Markets. 2024. 13 December. P. 1–33. DOI: 10.1017/s10690-024-09510-6.

15. Chen R. Forecasting Ethereum’s Volatility: An Expansive Approach Using HAR Models and Structural Breaks // Cogent Economics & Finance. 2024. No 12(1). Article 2300925. DOI: 10.1080/23322039.2023.2300925.

16. Chiriac R., Voev V. Modelling and Forecasting Multivariate Realized Volatility // Journal of Applied Econometrics. 2011. No 26(6). P. 922–947. DOI: 10.1002/jae.1152.

17. Clements A., Preve D. P. A Practical Guide to Harnessing the HAR Volatility Model // Journal of Banking & Finance. 2021. No 133. Article 106285. DOI: 10.1016/j.jbankfin.2021.106285.

18. Corsi F. A Simple Approximate Long-Memory Model of Realized Volatility // Journal of Financial Econometrics. 2009. No 7(2). P. 174–196. DOI: 10.1093/jjfinec/nbp001.

19. Dudek G., Fiszeder P., Kubus P., Orzeszko W. Forecasting Cryptocurrencies Volatility Using Statistical and Machine Learning Methods: A Comparative Study // Applied Soft Computing. 2024. No 151(2). Article 111132. DOI: 10.1016/j.asoc.2023.111132.

20. Dyhrberg A. H. Bitcoin, Gold and the Dollar — A GARCH Volatility Analysis // Finance Research Letters. 2016. No 16. P. 85–92. DOI: 10.1016/j.frl.2015.10.008.

21. Engle R.F. Autoregressive Conditional Heteroscedasticity With Estimates of the Variance of United Kingdom Inflation // Econometrica. 1982. № 54(4). P. 987–1007. DOI: 10.2307/1912773.

22. Engle R. F., Bollerslev T. Modelling the Persistence of Conditional Variances // Econometric Reviews. 1986. No 5(1). P. 1–50. DOI: 10.1080/07474938608800095.

23. Gyamerah S. A. Modelling the Volatility of Bitcoin Returns Using GARCH Models // Quantitative Finance and Economics. 2019. No 3(4). P. 739–753. DOI: 10.3934/ QFE.2019.4.739.

24. Hansen P. R., Lunde A., Nason J. M. The Model Confidence Set // Econometrica. 2011. No 79(2). P. 453–497. DOI: 10.3982/ECTA5771.

25. Harb E., Bassil C., Kassamany T., Baz R. Volatility Interdependence Between Cryptocurrencies, Equity, and Bond Markets // Computational Economics. 2024. No 63(3). P. 951–981. DOI: 10.1007/s10614-022-10318-7.

26. Kyriazis N., Papadamou S., Tzeremes P., Corbet S. The Differential Influence of Social Media Sentiment on Cryptocurrency Returns and Volatility During COVID-19 // The Quarterly Review of Economics and Finance. 2023. No 89. P. 307–317. DOI: 10.1016/j. qref.2022.09.004.

27. Liang C., Zhang Y., Li X., Ma F. Which Predictor Is More Predictive for Bitcoin Volatility? And Why? // International Journal of Finance & Economics. 2022. No 27(2). P. 1947–1961. DOI: 10.1002/ijfe.2252.

28. Liu L. Y., Patton A. J., Sheppard K. Does Anything Beat 5-Minute RV? A Comparison of Realized Measures Across Multiple Asset Classes // Journal of Econometrics. 2015. No 187(1). P. 293–311. DOI: 10.1016/j.jeconom.2015.02.008.

29. Ma F., Wei Y., Huang D., Chen Y. Which Is the Better Forecasting Model? A Comparison Between HAR-RV and Multifractality Volatility // Physica A: Statistical Mechanics and Its Applications. 2014. No 405. P. 171–180. DOI: 10.1016/j.physa.2014.03.007.

30. Manevich V., Ignatov D. Machine Learning, Neural Networks and Econometric Models for Prediction the Realized Volatility of Bitcoin and E-Mini S&P500. SSRN. Working Paper 4334006. 2023. DOI: 10.2139/ssrn.4334006.

31. Mastro D. Forecasting Realized Volatility: ARCH-Type Models vs. the HAR-RV Model. SSRN Working Paper 2519107. 2014. DOI: 10.2139/ssrn.2519107.

32. Nelson D. B. Asymptotic Filtering Theory for Multivariate ARCH Models // Journal of Econometrics. 1996. No 71(1–2). P. 1–47. DOI: 10.1016/0304-4076(94)01679-8.

33. Rabemananjara R., Zakoian J. M. Threshold ARCH Models and Asymmetries in Volatility // Journal of Applied Econometrics. 1993. No 8(1). P. 31–49. DOI: 10.1002/jae.3950080104.

34. Sapkota N. News-Based Sentiment and Bitcoin Volatility // International Review of Financial Analysis. 2022. No 82. Article 102183. DOI: 10.1016/j.irfa.2022.102183.

35. Teterin M., Peresetsky A. Google Trends and Bitcoin Volatility Forecast // Journal of the New Economic Association. 2024. No 4(65). P. 118–135. DOI: 10.31737/22212264_2024_4_118-135.

36. Teterin M., Peresetsky A. Can Ethereum Predict Bitcoin’s Volatility? // Applied Econometrics. 2025. No 77. P. 74–90. DOI: 10.22394/1993-7601-2025-77-74-90.

37. Ullah S., Attah-Boakye R., Adams K., Zaefarian G. Assessing the Influence of Celebrity and Government Endorsements on Bitcoin’s Price Volatility // Journal of Business Research. 2022. No 145. P. 228–239. DOI: 10.1016/j.jbusres.2022.01.055.

38. Wang Y., Andreeva G., Martin-Barragan B. Machine Learning Approaches to Forecasting Cryptocurrency Volatility: Considering Internal and External Determinants // International Review of Financial Analysis. 2023. No 90. Article 102914. DOI: 10.1016/j.irfa.2023.102914.