Avaliação do uso de modelos GARCH para criptomoedas : uma análise das dez criptomoedas mais líquidas entre 2018-2022

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Carvalho, Douglas Torres de
Orientador(a): Vieira, José Guilherme Silva, 1976-
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Bitcoin
Economia - Métodos estatísticos
Avaliação de riscos
Economia
Link de acesso: https://hdl.handle.net/1884/93743
Resumo: Orientador: Prof. Dr. José Guilherme Silva Vieira
id UFPR_6d1b95edbcc5f28d6d17964f98005036
oai_identifier_str oai:acervodigital.ufpr.br:1884/93743
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str
spelling Universidade Federal do Paraná. Setor de Ciências Sociais Aplicadas. Programa de Pós-Graduação em EconomiaVieira, José Guilherme Silva, 1976-Carvalho, Douglas Torres de2024-12-12T17:17:32Z2024-12-12T17:17:32Z2024https://hdl.handle.net/1884/93743Orientador: Prof. Dr. José Guilherme Silva VieiraDissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências Sociais Aplicadas, Programa de Pós-Graduação em Economia. Defesa : Curitiba, 03/07/2024Inclui referênciasResumo: Este trabalho tem como objetivo identificar o modelo GARCH que melhor se aplica para cada um dos dez criptoativos estudados: Bitcoin, Ethereum, Theter, BNB, XRP, Cardano, Dogecoin, Tron, Litecoin e ChainLink, no período de janeiro de 2018 a dezembro de 2022. Para isso, foram utilizados modelos ARIMA para a média condicional e modelos GARCH de primeira ordem para a variância condicional. Diferentes modelos GARCH foram analisados, incluindo GARCH, EGARCH, GJRGARCH, Power ARCH (APARCH), Component GARCH (CSGARCH) e IGARCH, e o modelo ótimo foi escolhido com base nos critérios de informação AIC, BIC e RMSE. Os dados utilizados foram obtidos publicamente online, através da biblioteca crypto2 do software gratuito R, com base no site CoinMarketCap. Foram investigadas as estatísticas descritivas de cada um dos criptoativos analisados e testada a estacionariedade dos seus log-retornos. O modelo ARIMA que melhor se aplicou para cada um dos criptoativos foi definido e foram testados efeitos ARCH para cada um desses modelos ARIMA. Finalmente, foi determinado o modelo GARCH com melhor goodness-of-fit in-sample e out-of-sample. Os resultados mostraram que os modelos GARCH testados se aplicaram de forma diferente para cada um dos criptoativos estudados, indicando que é necessário modelar o comportamento dessas criptomoedas de forma individual.Abstract: This work aims to identify the GARCH model that best fits each of the ten crypto assets studied: Bitcoin, Ethereum, Theter, BNB, XRP, Cardano, Dogecoin, Tron, Litecoin, and ChainLink, in the period from January 2018 to December 2022. ARIMA models were used for conditional mean and first order GARCH models for conditional variance. Different GARCH models were analyzed, including GARCH, EGARCH, GJRGARCH, Power ARCH (APARCH), Component GARCH (CSGARCH), and IGARCH, and the optimal model was chosen based on the information criteria AIC, BIC and RMSE. The data used was obtained publicly online through the crypto2 library of the free software R, based on the CoinMarketCap website. The descriptive statistics of each crypto were investigated, and the stationarity of their log returns was tested. The ARIMA model that best applied to each crypto asset was defined, and ARCH effects were tested for each of these ARIMA models. Finally, the GARCH model with the best goodness-of-fit was determined for in-sample and out-of-sample. The results showed that the GARCH models tested applied differently to each of the crypto assets studied, indicating that it is necessary to model the behavior of these cryptocurrencies individually.1 recurso online : PDF.application/pdfBitcoinEconomia - Métodos estatísticosAvaliação de riscosEconomiaAvaliação do uso de modelos GARCH para criptomoedas : uma análise das dez criptomoedas mais líquidas entre 2018-2022info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - D - DOUGLAS TORRES DE CARVALHO.pdfapplication/pdf1634461https://acervodigital.ufpr.br/bitstream/1884/93743/1/R%20-%20D%20-%20DOUGLAS%20TORRES%20DE%20CARVALHO.pdf63eae9a7bb9c339938a7dea42d32f0bcMD51open access1884/937432024-12-12 14:17:32.14open accessoai:acervodigital.ufpr.br:1884/93743Repositório InstitucionalPUBhttp://acervodigital.ufpr.br/oai/requestinformacaodigital@ufpr.bropendoar:3082024-12-12T17:17:32Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Avaliação do uso de modelos GARCH para criptomoedas : uma análise das dez criptomoedas mais líquidas entre 2018-2022
title Avaliação do uso de modelos GARCH para criptomoedas : uma análise das dez criptomoedas mais líquidas entre 2018-2022
spellingShingle Avaliação do uso de modelos GARCH para criptomoedas : uma análise das dez criptomoedas mais líquidas entre 2018-2022
Carvalho, Douglas Torres de
Bitcoin
Economia - Métodos estatísticos
Avaliação de riscos
Economia
title_short Avaliação do uso de modelos GARCH para criptomoedas : uma análise das dez criptomoedas mais líquidas entre 2018-2022
title_full Avaliação do uso de modelos GARCH para criptomoedas : uma análise das dez criptomoedas mais líquidas entre 2018-2022
title_fullStr Avaliação do uso de modelos GARCH para criptomoedas : uma análise das dez criptomoedas mais líquidas entre 2018-2022
title_full_unstemmed Avaliação do uso de modelos GARCH para criptomoedas : uma análise das dez criptomoedas mais líquidas entre 2018-2022
title_sort Avaliação do uso de modelos GARCH para criptomoedas : uma análise das dez criptomoedas mais líquidas entre 2018-2022
author Carvalho, Douglas Torres de
author_facet Carvalho, Douglas Torres de
author_role author
dc.contributor.other.pt_BR.fl_str_mv Universidade Federal do Paraná. Setor de Ciências Sociais Aplicadas. Programa de Pós-Graduação em Economia
dc.contributor.advisor1.fl_str_mv Vieira, José Guilherme Silva, 1976-
dc.contributor.author.fl_str_mv Carvalho, Douglas Torres de
contributor_str_mv Vieira, José Guilherme Silva, 1976-
dc.subject.por.fl_str_mv Bitcoin
Economia - Métodos estatísticos
Avaliação de riscos
Economia
topic Bitcoin
Economia - Métodos estatísticos
Avaliação de riscos
Economia
description Orientador: Prof. Dr. José Guilherme Silva Vieira
publishDate 2024
dc.date.accessioned.fl_str_mv 2024-12-12T17:17:32Z
dc.date.available.fl_str_mv 2024-12-12T17:17:32Z
dc.date.issued.fl_str_mv 2024
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1884/93743
url https://hdl.handle.net/1884/93743
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 1 recurso online : PDF.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/93743/1/R%20-%20D%20-%20DOUGLAS%20TORRES%20DE%20CARVALHO.pdf
bitstream.checksum.fl_str_mv 63eae9a7bb9c339938a7dea42d32f0bc
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv informacaodigital@ufpr.br
_version_ 1847526255845441536

Registros relacionados