Rodeo or Ascot: which hat to wear at the crypto race?
Wirtschaftswissenschaftliche Fakultät
Die vorliegenden Arbeit besteht aus zwei Teilen. Im ersten Teil werden einige Indizes auf Kryptowährungen an Hand von zwei Kriterien ausgewertet: Genauigkeit in der Repräsentation des Kryptomarktes und statistische Eigenschaften. Verschiedene Maße werden angewendet, um den nicht normalverteilten Renditen von Kryptowährungen gerecht zu werden. Unter den analysierten Indizes zeichnet sich der CRIX durch die stabilsten Eigenschaften aus, wohingegen der Index Bitwise 10 am akkuratesten die Marktdynamiken abbildet. Der zweite Beitrag dieser Arbeit besteht in der statistischen Modellierung der Dynamiken des Kryptomarktes. Mit Hilfe des SVCJ Models in Kombination mit einem Rolling Window Ansatz ist es möglich, die extremen Schwankungen des Kryptomarktes einzufangen und die Funktionsweise des Marktes zu verstehen. Parameter-Schätzungen ändern sich zwar im Zeitverlauf und sind abhängig vom Messhorizont, jedoch sind einige wiederkehrende Muster erkennbar, welche durch Clusteranalysen unterstützt werden: wenn der Markt steigt, stabilisiert sich die Volatilität auf niedrigem Niveau und sowohl die Größe als auch die Volatilität von Sprüngen nehmen ab. Wenn der Markt jedoch fällt, steigt die Volatilität und benötigt länger um zu ihrem Trend zurückzukehren. Generell sind Sprünge des Preises und der Volatilität unabhängig. Mit dem Wachstum des Kryptomarktes in 2017 kam es zu einem Regimewechsel der Volatilität der Volatilität. Alle Codes sind verfügbar auf Quantlet.de. The contribution of this paper is twofold. Firstly, it evaluates the performance
of several cryptocurrency (CC) indices by two criteria: accuracy in representing
the CC sector and statistical properties. Multiple measures are applied to account
for the non-normally distributed returns of the CCs. Among the analyzed
indices, the CRIX developed by Trimborn and Härdle [2018] reveals the most
stable characteristics, whereas Bitwise 10 is the closest in tracking the overall
market dynamics. The second contribution of this paper lies in the econometric
analysis of the CC market. By modeling its dynamics via an SVCJ model
with a rolling window, it is possible to catch the extreme ups and downs of
the CC market and to understand the functioning of its dynamics. Parameter
estimates are not robust over time and vary with the window size. However,
several recurring patterns are observable, which are robust to changes of the
window size and supported by clustering of parameter estimates: during bullish
periods, volatility stabilizes at low levels and the size and volatility of jumps in
mean decreases. In bearish periods though, volatility increases and takes longer
to return to its long-run trend. Furthermore, jumps in mean and jumps in
volatility are independent. With the rise of the CC market in 2017, a level shift
of the volatility of volatility occurred. All codes are available on quantlet.de
Files in this item