Key points are not available for this paper at this time.
O Bitcoin possui a maior participação na capitalização total dos mercados de criptomoedas, atualmente ultrapassando 70 bilhões de USD. Neste trabalho, focamos no preço do Bitcoin em termos de moedas padrão e sua volatilidade nos últimos cinco anos. O retorno médio dia a dia durante esse período é de 0,328%, resultando em um crescimento exponencial de 6 USD para mais de 4.000 USD por 1 BTC atualmente. Uma análise de múltiplas escalas é realizada a partir do nível dos dados de ticks, passando pelas escalas de 5 minutos, 1 hora e 1 dia. A distribuição dos volumes de negociações (1 segundo, 1 minuto, 1 hora e 1 dia) agregados a partir dos dados de ticks do Kraken BTCEUR é fornecida para mostrar os artefatos da negociação algorítmica (transações de venda com picos de volume distribuídos em múltiplos inteiros da unidade BTC). Oportunidades de arbitragem são estudadas utilizando as moedas EUR, USD e CNY. Enquanto o spread de arbitragem para o par de moedas EUR-USD é encontrado estreito da ordem de um por cento, no período de amostragem de 1 hora, o spread de arbitragem para USD-CNY (e de forma semelhante EUR-CNY) é encontrado mais substancial, atingindo até mais de 5 por cento em raras ocasiões. A volatilidade das taxas de câmbio do BTC é modelada usando a distribuição dia a dia do retorno logarítmico e a Volatilidade Realizada, a soma dos retornos logarítmicos quadrados em uma base de 5 minutos. Neste trabalho, demonstramos que o modelo Autoregressivo Heterogêneo para a Volatilidade Realizada de Andersen et al. (2007) se aplica razoavelmente bem ao conjunto de dados BTCUSD. Finalmente, uma rede neural feed-forward com 2 camadas ocultas usando amostragem diária de 10 dias para preditores de retorno é aplicada para estimar o retorno logarítmico do dia seguinte. Os resultados mostram que tal previsão de rede neural artificial é capaz de capturar aproximadamente a distribuição real de retorno logarítmico; métodos mais sofisticados, como redes neurais recorrentes e técnicas LSTM (Memória de Longo e Curto Prazo) do aprendizado profundo, podem ser necessários para maior precisão na previsão.
Pichl et al. (Sun,) estudaram essa questão.