|
| Συλλογές |
|
| Τίτλος |
Innovations in finance: a detailed exploration of cryptocurrencies and derivative modeling
|
| Εναλλακτικός τίτλος |
Καινοτομίες στα χρηματοοικονομικά: μια αναλυτική εξερεύνηση των κρυπτονομισμάτων και της μοντελοποίησης των παραγώγων τους
|
| Δημιουργός |
Νέλιος, Παναγιώτης, Nelios, Panagiotis
|
| Συντελεστής |
Vrontos, Ioannis
Yannacopoulos, Athanasios
Besbeas, Panagiotis
Athens University of Economics and Business, Department of Statistics
|
| Τύπος |
Text
|
| Φυσική περιγραφή |
79p.
|
| Γλώσσα |
en
|
| Αναγνωριστικό |
http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=11524
|
| Περίληψη |
This thesis explores the history and evolution of cryptocurrencies, with a particular focus on Bitcoin and Ethereum, and the underlying blockchain technology that supports them. Following a detailed examination of traditional derivatives and the emergence of cryptocurrency derivatives, the study delves into an empirical analysis of Value at Risk (VaR) using various Generalized Autoregressive Conditional Heteroskedasticity (GARCH) models for both Ethereum and Bitcoin futures. The GARCH models evaluated include sGARCH, eGARCH, iGARCH, and gjrGARCH, each with normal and Normal Inverse Gaussian (NIG) distributions. The analysis begins with an assessment of model performance using Akaike Information Criterion (AIC), Bayesian Information Criterion (BIC), log- likelihood values, and diagnostic tests such as the Ljung-Box and ARCH-LM tests. The eGARCH_NIG model consistently demonstrated superior performance, exhibiting the lowest AIC and BIC values and providing the most conservative VaR estimates for both long and short positions. Additionally, the study revealed that NIG distribution models generally outperformed normal distribution models, likely due to their ability to capture the heavy tails and skewness characteristic of cryptocurrency returns. The thesis concludes with recommendations for future research, suggesting the exploration of advanced models that incorporate regime-switching, jumps, and time-varying parameters. Integrating machine learning techniques to enhance model selection and prediction accuracy is also proposed, paving the way for innovative approaches in financial modeling and risk assessment. This study aims to contribute to the development of effective risk management strategies, promoting stability and confidence in the rapidly evolving field of cryptocurrency derivatives.
Η παρούσα διπλωματική εργασία εξερευνά την ιστορία και την εξέλιξη των κρυπτονομισμάτων, με ιδιαίτερη έμφαση στο Bitcoin και το Ethereum, και την υποκείμενη τεχνολογία blockchain που τα υποστηρίζει. Μετά από μια λεπτομερή εξέταση των παραδοσιακών παραγώγων και της εμφάνισης των παραγώγων κρυπτονομισμάτων, η μελέτη προχωρά σε μια εμπειρική ανάλυση της Αξίας σε Κίνδυνο (VaR) χρησιμοποιώντας διάφορα μοντέλα Γενικευμένης Αυτοπαλινδρόμησης Υπό Συνθήκες Ετεροσκεδαστικότητας (GARCH) για τα συμβόλαια μελλοντικής εκπλήρωσης του Ethereum και του Bitcoin. Τα μοντέλα GARCH που αξιολογήθηκαν περιλαμβάνουν τα sGARCH, eGARCH, iGARCH και gjrGARCH, καθένα με κανονικές και Κανονικές Αντίστροφες (NIG) κατανομές. Η ανάλυση ξεκινά με μια αξιολόγηση της απόδοσης των μοντέλων χρησιμοποιώντας τα κριτήρια AkaikeInformationCriterion (AIC), BayesianInformationCriterion (BIC), τιμές λογαριθμικής πιθανοφάνειας (log-likelihood) και διαγνωστικά τεστ όπως τα Ljung-Box και ARCH-LM. Το μοντέλο eGARCH_NIG παρουσίασε σταθερά ανώτερη απόδοση, με τις χαμηλότερες τιμές AIC και BIC και παρέχοντας τις πιο συντηρητικές εκτιμήσεις VaR για τόσο τις μακροπρόθεσμες όσο και τις βραχυπρόθεσμες θέσεις. Επιπλέον, η μελέτη αποκάλυψε ότι τα μοντέλα με κατανομή NIG υπερέβησαν γενικά τα μοντέλα με κανονική κατανομή, πιθανώς λόγω της ικανότητάς τους να συλλαμβάνουν τις παχιές ουρές και την ασυμμετρία που χαρακτηρίζουν τις αποδόσεις των κρυπτονομισμάτων. Η διπλωματική εργασία καταλήγει με συστάσεις για μελλοντική έρευνα, προτείνοντας την εξερεύνηση προηγμένων μοντέλων που ενσωματώνουν αλλαγή καθεστώτος, άλματα και παραμέτρους που μεταβάλλονται με το χρόνο. Επίσης, προτείνεται η ενσωμάτωση τεχνικών μηχανικής μάθησης για τη βελτίωση της επιλογής μοντέλων και της ακρίβειας των προβλέψεων, ανοίγοντας το δρόμο για καινοτόμες προσεγγίσεις στη χρηματοοικονομική μοντελοποίηση και την αξιολόγηση κινδύνου. Αυτή η μελέτη αποσκοπεί στη συμβολή στην ανάπτυξη αποτελεσματικών στρατηγικών διαχείρισης κινδύνου, προωθώντας τη σταθερότητα και την εμπιστοσύνη στον ταχέως εξελισσόμενο τομέα των παραγώγων κρυπτονομισμάτων.
|
| Λέξη κλειδί |
Έρευνα
Κρυπτονομίσματα
Μοντελοποίηση
Research
Cryptocurrencies
Modeling
|
| Διαθέσιμο από |
2024-09-30 15:07:43
|
| Ημερομηνία έκδοσης |
26-09-2024
|
| Ημερομηνία κατάθεσης |
2024-09-30 15:07:43
|
| Δικαιώματα χρήσης |
Free access
|
| Άδεια χρήσης |
https://creativecommons.org/licenses/by/4.0/
|