This research is an attempt at deepening the understanding of hyped cryptocurrencies. A deductive nature is used where we attempt to estimate the linear dependencies of cryptocurrencies with four different time series models. Investigating linear dependencies of univariate time series offers the reader an understanding on how previous prices of cryptocurrencies affect future prices. The linear interdepencies for a multivariate scenario will provide an apprehension on how, and if, the cryptocurrency market is correlated. The dataset used consists of the prices between January 1, 2016 to March 31, 2019 of the four cryptocurrency rivals: Bitcoin, Ethereum, Ripple and Litecoin. The modeling is performed by using autoregression and fitting on 80% of the data. Thereafter, the models are forecasted on the last 20% of the data in order to test the accuracy of the model. The four types of model are used in this thesis and are named by the abbreviations AR(p), MSAR(p), VAR(p) and MSVAR(p) where AR(p) represents an autoregressive model of order p; MSAR(p) represents a Markov-Switching autoregressive model of order p; VAR(p) represents a multivariate model for of the AR(p) also known as the vector autoregressive model of order p; finally MSVAR(p) stands for a Markov-Switching vector autoregressive model of order p. As cryptocurrencies are said to be very volatile, we hope that the Markov-Switching approach would help to classify the level of volatility into different regimes. Further, we anticipate that the fitted time series for each regime will offer a greater accuracy than the regular AR(p) and VAR(p) models. By using scale-dependent error estimators, the thesis concludes that the Markov-Switching approach does in fact improve the efficiency of chosen time series models for our cryptocurrencies. / Denna forskning är ett försök att fördjupa förståelsen för välkända kryptovalutor. En deduktiv forskningsmetodik används där vi försöker att uppskatta de linjära beroendena av kryptovalutor med fyra olika tidsseriemodeller. En undersökning på linjära beroenden av univariata tidsserier ger läsaren en förståelse för hur tidigare priser på kryptovalutor påverkar framtida priser. För det multivariata fallet kommer vi försöka att uppskatta korrelationen inom kryptomarknaden. Den datan som används består av priserna mellan 1 januari 2016 och 31 mars 2019 av de följande kryptovalutor: Bitcoin, Ethereum, Ripple och Litecoin. Modelleringen utförs genom att använda autoregression på 80% av datan. Därefter prognostiseras modellerna för de sista 20% av datan för att testa modellens noggrannhet. De fyra typer av modeller som används är: AR(p) som representerar en autoregressiv modell av ordning p; MSAR(p) som representerar en Markov-Switching autoregressiv modell av ordning p; VAR(p) som representerar en AR(p) modell i ett multivariat fall, som kallas för en vektor autoregressiv modell av ordning p; MSVAR(p) som representerar en Markov-Switching vektor autoregressiv modell av ordning p. Eftersom kryptovalutor sägs vara väldigt volatila hoppas vi på att Markov-Switching metoden skulle bidra till att klassificera volatiliteten i olika regimer. Genom klassificeringen hoppas vi på att de anpassade tidsserierna kommer att ge större noggrannhet för varje regim än de vanliga AR(p) och VAR(p) modellerna. Med två skalaberoende feltyper drar vi slutsatsen att Markov-Switching metoden faktiskt förbättrar effektiviteten hos de valda tidsseriemodellerna för våra kryptovalutor.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-252569 |
Date | January 2019 |
Creators | Maupin, Thomas |
Publisher | KTH, Matematisk statistik |
Source Sets | DiVA Archive at Upsalla University |
Language | English |
Detected Language | English |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Relation | TRITA-SCI-GRU ; 2019:098 |
Page generated in 0.0023 seconds