Show simple item record

2019-02-25Masterarbeit DOI: 10.18452/19763
Cryptocurrency returns: short-term forecast using Google Trends
dc.contributor.authorPulec, Vojtech
dc.date.accessioned2019-02-25T09:19:11Z
dc.date.available2019-02-25T09:19:11Z
dc.date.issued2019-02-25
dc.identifier.urihttp://edoc.hu-berlin.de/18452/20559
dc.description.abstractDie Unsicherheit über den intrinsischen Wert von Kryptowährungen und der nachgewiesene Einfluss der Aufmerksamkeit an dem Marktwert verschiedener Vermögenswerte haben uns veranlasst, den Einfluss der Aufmerksamkeit auf den Marktwert von Kryptowährungen zu untersuchen. Als Aufmerksamkeitsindikator haben wir das Volumen von Google-Suchen zu bestimmten der Suchwörter Suchbegriffe genutzt das Suchvolumen von Google-Suchmenge, die auf Schlüsselwörtern basieren, die sich auf unseren Satz von Kryptowährungen einer sehr genauen Granularität beziehen. Unter Verwendung von ARMA und VECM haben wir getestet, ob die Google-Suchmenge die Vorhersage für Kryptowährungspreisentwicklung im Zeitrahmen von 15 Minuten bis zu einem Tag verbessert. Anschließend haben wir den Handel mit dieser Out-of-Sample Prognose simuliert und kamen zu dem Schluss, dass im Fall von häufigem Handel ohne Gebühren, einfache, univariate, autoregressive Modelle besser Ergebnisse produzieren. Unter Vernachlässigung von Gebühren jedoch, verbessert sich durch die Einbeziehung der Variablen für das Google-Suchvolumen das Handelsergebnisse, insbesondere bei stündlichen und täglichen Frequenzen. Unter Verwendung solcher Frequenzen übertraf das Modell univariate Modelle sowie das Wachstum der zugrunde liegenden Vermögenswerte.ger
dc.description.abstractUncertainty about intrinsic value of cryptocurrencies and proven impact of attention on market value of various assets motivated us to investigate an impact of attention on cryptocurrencies' market value. As an attention indicator, we employed Google search volume data based on keywords related to our set of cryptocurrencies of a minute granularity. Using ARMA and VECM, we tested, whether Google search volume improves prediction for cryptocurrencies' price development in timeframe from 15 minutes to a day. Subsequently, we simulated trading using this out-of-sample forecast and came to conclusion, that in case of frequent trading with no fees, simple univariate autoregressive models are performing better. However, when fees are not omitted, inclusion of Google search volume variable improves trading results, especially in case of hourly and daily frequencies. Under such frequencies, it outperformed univariate models as well as the growth of the underlying assets.eng
dc.language.isoeng
dc.publisherHumboldt-Universität zu Berlin
dc.rights(CC BY 3.0 DE) Namensnennung 3.0 Deutschlandger
dc.rights.urihttp://creativecommons.org/licenses/by/3.0/de/
dc.subjectGoogle Trendsger
dc.subjectKryptowährungger
dc.subjectSuchvolumenger
dc.subjectGranularitätger
dc.subjectTradingger
dc.subjectVECMger
dc.subjectGoogle Trendseng
dc.subjectCryptocurrencyeng
dc.subjectSearch Volumeeng
dc.subjectGranularityeng
dc.subjectTradingeng
dc.subjectVECMeng
dc.subject.ddc332 Finanzwirtschaft
dc.titleCryptocurrency returns: short-term forecast using Google Trends
dc.typemasterThesis
dc.identifier.urnurn:nbn:de:kobv:11-110-18452/20559-2
dc.identifier.doihttp://dx.doi.org/10.18452/19763
dc.date.accepted2019-02-04
dc.contributor.refereeHärdle, Wolfgang Karl
local.edoc.pages111
local.edoc.type-nameMasterarbeit
local.edoc.institutionWirtschaftswissenschaftliche Fakultät

Show simple item record