Статьи, Журналы
Анализ волатильности криптовалют с использованием моделей условной гетероскедастичности
Статьи, Журналы
Анализ волатильности криптовалют с использованием моделей условной гетероскедастичности
Езиев, У.А. Анализ волатильности криптовалют с использованием моделей условной гетероскедастичности / У. А. Езиев // Финансовые рынки и банки. — Москва, 2026 — N 5. — С.341-344. — Библиогр. в конце ст.
Езиев, У.А., (2026), "Анализ волатильности криптовалют с использованием моделей условной гетероскедастичности", Финансовые рынки и банки, Москва, 2026, N 5, С.341-344.
Езиев У А. Анализ волатильности криптовалют с использованием моделей условной гетероскедастичности. Финансовые рынки и банки. 2026; (N 5). С.341-344.
Поделиться
Вконтакте 
Одноклассники 
Telegram Источник
Аннотация
В статье проведен эмпирический анализ волатильности Bitcoin и Ethereum на дневных данных за период 2018-2024 гг. с применением моделей GARCH(1,1), EGARCH(1,1) и GJR-GARCH(1,1). Установлено, что ряды логарифмических доходностей криптовалют характеризуются выраженной лептокуртичностью, кластеризацией волатильности и значимыми ARCH-эффектами. Асимметричные спецификации (EGARCH, GJR-GARCH) с распределением Стьюдента обеспечивают более точную аппроксимацию условной дисперсии по сравнению с симметричным GARCH. Выявлен инвертированный эффект рычага: положительные ценовые шоки усиливают волатильность сильнее отрицательных, что принципиально отличает криптовалюты от акций. Полученные оценки условной волатильности использованы для расчета Value-at- Risk и Expected Shortfall. Показаны ограничения GARCH-моделей при экстремальных рыночных движениях и обозначены направления интеграции результатов в алгоритмические системы оценки финансового риска.
-
УДК:336.74
Рекомендовано к ознакомлению
- 1. Глинский, В.В. Применение теории случайных процессов с катастрофами на рынках криптовалют / В. В. Глинский, К. А. Зайков, Л. К. Серга // Проблемы прогнозирования. — Москва, 2026 — N 3(216). — С.74-87.
- 2. Синельникова-Мурылева, Е.В. Сравнение современных методов прогнозирования доходностей криптовалют с бенчмарком SARIMA / Е. В. Синельникова-Мурылева, Б. А. Шканов // Экономический журнал Высшей школы экономики. — Москва, 2026 — N 1. Том 30. — С.102-127.
- 3. Тетерин, М.А. Прогноз волатильности криптовалют с использованием Google Trends и GDELT / М. А. Тетерин // Экономическая политика. — Москва, 2025 — N 4. — С.82-117.
- 4. Маркова, О.М. Конкуренция криптовалют и сопровождающие их риски / О. М. Маркова, Е. Б. Стародубцева // Банковское дело. — Москва, 2026 — N 4(386). — С.50-56.
- 5. Крупочкин, А.В. Архитектура режимно-зависимой прогностической системы для рынка криптовалют / А. В. Крупочкин // Финансовый бизнес. — Москва, 2025 — N 10. — С.141-144.
- 6. Панин, В.В. Распределение совокупного дохода в индустрии майнинга биткоина / В. В. Панин, К. Р. Янишин // Экономические науки. Научно-информационный журнал. — Москва, 2026 — N 3(256). — С.604-615.
- 7. Роль технического анализа как метода прогнозирования динамики цен криптовалют / А. Р. Клинков, К. Н. Кабанцов, Е. Е. Харламова, И. А. Тарасова // Финансовый менеджмент. — Москва, 2026 — N 3. — С.63-76.
- 8. Кучеров, И.И. Квантильный XGBoost и SHAP в построении и объяснении прогнозных моделей для AI-токенов / И. И. Кучеров // Экономика и математические методы. — Москва, 2025 — N 4. Том 61. — С.111-125.
- 9. Гарнов, А.П. Современные тенденции развития криптоиндустрии / А. П. Гарнов, А. Ю. Соснина // Банковское дело. — Москва, 2023 — N 5. — С.59-64.
- 10. Децентрализованные финансы.(DeFi) / С. В. Криворучко, М. А. Абрамова, А. Б. Фиапшев [и др.]. — Москва : КноРус, 2026. — 175 с.. — ISBN 978-5-406-15352-9.
Отзывы читателей
0