실현 변동성을 활용한 비트코인의 변동성 예측 분석

국문 초록 (Abstract)

본 연구는 실현 변동성을 사용하는 이질적 자기회귀(HAR) 모델과 GARCH 계열의 변동성 예측 모델을 사용하여 비트코인의 변동성 예측 성능을 측정하고 비교한다. 비트코인은 기존의 전통자산과 구별되는 특성을 지니고 있으며, 최근 비트코인과 같은 고빈도 데이터의 변동성 예측을 위해 실현 변동성이 사용되는 HAR 모델이 주로 연구되고 있다. HAR 모델과의 비교를 위하여 GARCH 계열 모델은 EGARCH 모델과 GARCH 모델 중 실현 변동성을 사용하는 RGARCH 모델을 사용하였다. 또한 GARCH 계열의 모델에 조건부 오차항의 분포를 정규분포 및 skewed student’s t 분포, skewed generalized 분포를 적용하였다. 비트코인의 1-day ahead 변동성 예측 결과 지속성을 설명하면서 간단하게 표현되는 HAR 모델의 예측 성능이 GARCH 계열의 모델보다 우수한 성능을 나타냈다. GARCH 계열 모델 사이에는 비대칭성을 설명하는 skewed 분포 가정시 정규분포를 가정하는 것보다 적합한 결과를 나타냈다.

다국어 초록 (Multilingual Abstract)

This study measures and compares the volatility forecasting performance of Bitcoin using a Heterogeneous Autoregressive (HAR) model based on realized volatility and GARCH-type volatility models. Bitcoin exhibits distinct characteristics compared to traditional assets, and recently, HAR models, which utilize realized volatility, have been widely studied for forecasting volatility in high-frequency data such as Bitcoin. For comparison with the HAR model, we used the EGARCH model and the RGARCH model, which utilizes realized volatility among GARCH-type models. Furthermore, the distributions of the conditional error term in the GARCH-type models were applied to the normal distribution, the skewed Student's t distribution, and the skewed generalized distribution. The results of 1-day ahead volatility forecasting for Bitcoin indicate that the HAR model, which provides a simple yet effective representation of volatility persistence, outperforms the GARCH-type models. Among the GARCH-type models, the skewed distributions, which account for asymmetry, outperformed the normal distribution.

목차 (Table of Contents)

• 제1장 서론 1
• 1. 연구배경 및 목적 1
• 제2장 선행연구 4
• 1. 실현 변동성을 활용한 변동성 예측 모델의 연구 4
• 2. 비트코인과 변동성 예측 모델 5
• 제3장 연구방법론 8
• 1. 실현 측도(Realized Measure) 8
• 2. 변동성 예측 모델 9
• (1) EGARCH model 9
• (2) RGARCH model 10
• (3) HAR model 10
• 3. 모델 비교 지표 11
• (1) 성능 비교 지표 11
• (2) 손실 함수 11
• 제4장 데이터 14
• 1. 표본선정 및 자료수집 14
• 제5장 실증 분석 17
• 1. In-sample 예측 분석 17
• (1) EGARCH models 17
• (2) RGARCH models 19
• (3) HAR model 21
• 2. Out-of-sample 예측 분석 22
• (1) 1일 선행 예측 22
• 3. 강건성 검정(Robustness) 27
• (1) 실현 커널(Realized Kernel) 27
• (2) 추정 기간 크기(Window size)의 변화 28
• (3) 국면 전환시(Regime switch) 예측 분석 34
• 제6장 결론 36
• 참고문헌 38
• ABSTRACT 41