Granger causality in the cryptocurrency market: a machine learning approach

Abstract

This dissertation examines Granger causality and its role in identifying predictive relationships within the cryptocurrency market. First of all, the properties of Vector Autoregressions are outlined and their use in modeling the joint dynamics of multiple time series is discussed. Based on this foundation, the thesis analyzes Granger causality and several of its methodological extensions relevant for studying interactions among financial variables. Then, machine learning approaches that can serve as alternatives or complements to traditional causality testing are explored. In particular, shrinkage methods are examined, focusing on Lasso Regression and its variants, as well as an advanced alternative to these methods, the One Covariate at a Time Multiple Testing (OCMT) procedure. Moreover, the use of Neural Networks to capture potential nonlinear dependencies is investigated and related to causal detection. Finally, an empirical application using major cryptocurrencies evaluates how these methods detect directional predictability and interaction patterns. Αυτή η διπλωματική εργασία εξετάζει την αιτιότητα κατά Granger και τον ρόλο της στην ταυτοποίηση σχέσεων πρόβλεψης μέσα στην αγορά των κρυπτονομισμάτων. Πρώτα απ' όλα, αναφέρονται οι ιδιότητες των διανυσματικών αυτοπαλινδρομήσεων και συζητιέται η χρήση τους στην μοντελοποίηση της από κοινού δυναμικής των πολλαπλών χρονοσειρών. Στηριζόμενη σε αυτή τη βάση, η διπλωματική εργασία αναλύει την αιτιότητα κατά Granger και πολλές από τις μεθοδολογικές της επεκτάσεις οι οποίες είναι σχετικές με την μελέτη αλληλεπιδράσεων μεταξύ των οικονομικών μεταβλητών. Έπειτα, εξερευνώνται προσεγγίσεις της μηχανικής μάθησης οι οποίες μπορούν να αποτελέσουν εναλλακτικές ή συμπληρώματα στην κλασική αιτιότητα. Ιδιαίτερα, εξετάζονται μέθοδοι συρρίκνωσης, θέτοντας στο επίκεντρο την παλινδρόμηση Lasso και τις παραλλαγές της, καθώς και μια προχωρημένη εναλλακτική σε αυτές τις μεθόδους, τη διαδικασία OCMT (One Covariate at a Time Multiple Testing). Επιπλέον, ερευνάται η χρήση των νευρωνικών δικτύων για να αποτυπώσουν πιθανές μη γραμμικές εξαρτήσεις και σχετίζονται με την ανίχνευση αιτιότητας. Τέλος, μία εμπειρική εφαρμογή, χρησιμοποιώντας σημαντικά κρυπτονομίσματα, εκτιμά πώς αυτές οι μέθοδοι ανιχνεύουν κατευθυντήρια προβλεψιμότητα και μοτίβα αλληλεπίδρασης.