| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 1.68 MB | Adobe PDF |
Authors
Abstract(s)
In recent years, cryptocurrency has grown in importance and weight, in financial markets, with Bitcoin being the first decentralized peer-to-peer payment network and altcoins enhancing Bitcoin's speed and privacy. With the initial coin offerings in 2016, Ethereum came to gain market in comparison to Bitcoin. The technology underlying cryptocurrencies is revolutionary, with blockchain technology having been extensively researched in several areas and classified into three basic types: public, private, and federated/consortium blockchain, according to Zheng et al. (2018). In this dissertation, a systematic literature review about the methods used to forecast various cryptocurrencies price and return volatility is done. The SLR (Systematic Literature Review) technique and data analytics approach were used to analyze the publications from Elsevier, Emerald, and Google Scholar. Text mining tools were utilized to analyze the articles, which were run through R software. The output revealed that the GARCH model was the most used in the selection literature, followed by the Wavelet-Base DCC, and Machine-Learning methods. Various authors presented many GARCH-type models to explain and estimate the price and return volatility of Bitcoin and other cryptocurrencies in order to present which models type can better explain the cryptocurrencies volatility. Though, to present more accurate GARCH models that predict the volatility of cryptocurrencies, there are authors who go beyond the traditional GARCH and investigate hybrid GARCH models with machine learning techniques.
Nos últimos anos, as criptomoedas cresceram apresentando um peso significativo nos mercados financeiros. A Bitcoin foi a primeira rede descentralizada de pagamento peer-to-peer e as altcoins vieram melhorar a velocidade e privacidade do Bitcoin. Com o Initial Coin Offerings de moedas em 2016, a Ethereum chegou para reduzir mercado à Bitcoin. A tecnologia blockchain subjacente aos ativos criptográficos tem mostrado características revolucionárias para o mercado financeiro. O blockchain tem sido extensivamente estudado e é classificado em três tipos básicos: blockchain público, privado e federado / consórcio, segundo Zheng et al., 2018. Nesta dissertação, é feita uma revisão de literatura sistemática (RSL) sobre os modelos usados na literatura revista para prever a volatilidade do preço e dos retornos de várias criptomoedas. Através de RSL e a abordagem de data Analytics foram submetidos vários artigos científicos da Elsevier, Emerald e Google Scholar à mineração de texto no software R. Desta análise revelou-se que o modelo GARCH foi o mais usado na literatura selecionada, seguido do Wavelet-Base e do Machine-Learning. Vários autores apresentaram modelos de tipo GARCH para explicar a volatilidade ao nível do preço e dos retornos da Bitcoin e de outras criptomoedas, apresentando comparações entre as variantes de GARCH que melhor prevê a volatilidade dos preços e dos retornos das criptomoedas. Para apresentar modelos GARCH mais precisos na previsão da volatilidade das criptomoedas existem autores que vão para além do tradicional GARCH e investigam modelos GARCH híbridos com técnicas de Machine-Learning.
Nos últimos anos, as criptomoedas cresceram apresentando um peso significativo nos mercados financeiros. A Bitcoin foi a primeira rede descentralizada de pagamento peer-to-peer e as altcoins vieram melhorar a velocidade e privacidade do Bitcoin. Com o Initial Coin Offerings de moedas em 2016, a Ethereum chegou para reduzir mercado à Bitcoin. A tecnologia blockchain subjacente aos ativos criptográficos tem mostrado características revolucionárias para o mercado financeiro. O blockchain tem sido extensivamente estudado e é classificado em três tipos básicos: blockchain público, privado e federado / consórcio, segundo Zheng et al., 2018. Nesta dissertação, é feita uma revisão de literatura sistemática (RSL) sobre os modelos usados na literatura revista para prever a volatilidade do preço e dos retornos de várias criptomoedas. Através de RSL e a abordagem de data Analytics foram submetidos vários artigos científicos da Elsevier, Emerald e Google Scholar à mineração de texto no software R. Desta análise revelou-se que o modelo GARCH foi o mais usado na literatura selecionada, seguido do Wavelet-Base e do Machine-Learning. Vários autores apresentaram modelos de tipo GARCH para explicar a volatilidade ao nível do preço e dos retornos da Bitcoin e de outras criptomoedas, apresentando comparações entre as variantes de GARCH que melhor prevê a volatilidade dos preços e dos retornos das criptomoedas. Para apresentar modelos GARCH mais precisos na previsão da volatilidade das criptomoedas existem autores que vão para além do tradicional GARCH e investigam modelos GARCH híbridos com técnicas de Machine-Learning.
Description
Keywords
Cryptocurrencies Volatility GARCH Machine-learning Criptomoedas Volatilidade