Khảo sát hiệu ứng bất đối xứng trong biến động giá của các chuỗi tiền điện tử
Từ khóa:
Hiệu ứng bất đối xứng, Mô hình GARCH, tiền điện tửTóm tắt
Nghiên cứu này sử dụng các mô hình GARCH, bao gồm EGARCH(1,1), GJR-GARCH(1,1), TGARCH(1,1) và APARCH(1,1) để khảo sát sự bất đối xứng trong biến động tỷ suất sinh lợi của các loại tiền điện tử như Bitcoin, Ethereum, Ripple (XRP), Binance Coin (BNB) và DigiByte (DGB) trong khoảng thời gian từ ngày 01 tháng 01 năm 2018 đến ngày 31 tháng 5 năm 2023. Kết quả cho thấy mô hình EGARCH(1,1) là mô hình tốt nhất để mô tả hiệu ứng bất đối xứng trong biến động tỷ suất sinh lợi của các chuỗi tiền điện tử. Sự biến động tăng nhiều hơn trong phản ứng với cú sốc tích cực hơn là cú sốc tiêu cực, hàm ý một hiệu ứng bất đối xứng khác với hiệu ứng thường thấy trên thị trường chứng khoán. Kết quả nghiên cứu giúp nhà đầu tư và nhà quản lý rủi ro trong thị trường tiền điện tử hiểu rõ hơn về sự biến động giá, nhận biết, đánh giá rủi ro một cách chính xác hơn và đưa ra các chiến lược đầu tư phù hợp.
Tài liệu tham khảo
Aaron, S. (2023), Digibyte Price Prediction 2023 and Beyond: Tendencies, retrieved on July 24, 2023, from <https://www.bitdegree.org/crypto/tutorials/digibyte-price-prediction>.
Altunöz, U. (2023), ‘Analyzing the Volatility Dynamics of Crypto Currency and the Occurrence of Speculative Bubbles: The Examples of Bitcoin, Ethereum, and XRP’, Istanbul Journal of Economics, 73(1), 615-644. DOI: https://doi.org/10.26650/ISTJECON2023-1021393.
Ashmore, D. & Powell, F. (2023), Top 10 cryptocurrencies of July 2023, retrieved on August 7, 2023, from <https://www.usatoday.com/money/blueprint/investing/cryptocurrency/top-10-cryptocurrencies/>.
Baur, D. G. (2012), ‘Asymmetric Volatility in the Gold Market’, Journal of Alternative Investments, 14(4), 26-38. DOI: https://doi.org/10.3905/jai.2012.14.4.026.
Baur, D. G. & Dimpfl, T. (2018), ‘Asymmetric volatility in cryptocurrencies’, Economics Letters,
, 148–151.
Baur, D. G., Dimpfl, T. & Kuck, K. (2018), ‘Bitcoin, Gold and the US Dollar–A Replication and Extension’, Finance Research Letters, 25, 103-110. DOI: https://doi.org/10.1016/j.frl.2017.10.012.
Bhatnagar, Mukul, Taneja, Sanjay & Rupeika-Apoga, Ramona (2023), ‘Demystifying the Effect of the News (Shocks) on Crypto Market Volatility’, Journal of Risk and Financial Management, 16(2). DOI: 10.3390/jrfm16020136.
Black, F. (1976), ‘Studies of stock market volatility changes’, Proceedings of the 1976 Meeting of the Business and Economic Statistics Section, American Statistical Association, Washington DC., 177-181.
Bollerslev, T. (1986), ‘Generalized Autoregressive Conditional Heteroskedasticity’, Journal of Econometrics, 31, 307-327. DOI: https://doi.org/10.1016/0304-4076(86)90063-1.
Bouri, E., Azzi, G., & Dyhrberg, A.H. (2017), ‘On the return-volatility relationship in the
Bitcoin market around the price crash of 2013’, Economics E-Journal, 11(2), 1–16.
Campbell, J. Y., & Hentschel, L. (1992), ‘No news is good news: An asymmetric model of changing volatility in stock returns’, Journal of Financial Economics, 31(3),
-318.
Cheikh, N. B., Zaied, Y. B. & Chevallier, J. (2020), ‘Asymmetric volatility in cryptocurrency markets: new evidence from smooth transition GARCH models’, Finance Research Letters, 35, 101293. DOI: https://doi.org/10.1016/j.frl.2019.09.008.
Christie, A. A. (1982), ‘The stochastic behavior of common stock variances’, Journal of Financial Economics, 10, 407-432.
Chu, J., Chan, S., Nadarajah, S. & Osterrieder, J. (2017), ‘GARCH Modelling of Cryptocurrencies’, Journal of Risk Financial Management, 10(17), 1-15.
Dickey, D. A. & Fuller, W. A. (1981), ‘Likelihood Ratio Statistics for Autoregressive Time Series with Unit Roo’, Econometrica, 49, 1057-1072. DOI: http://dx.doi.org/10.2307/1912517.
Ding, Z., Engle, R. & Granger, C. (1993), ‘Long Memory Properties of Stock Market Returns and a New Model’, Journal of Empirical Finance, 1, 83-106. DOI: https://doi.org/10.1016/0927-5398(93)90006-D.
Dyhrberg, A. H. (2016a), ‘Bitcoin, gold, and the dollar - a GARCH volatility analysis’, Finance
Research Letters, 16(C), 85-92.
Dyhrberg, A. H. (2016b), ‘Hedging Capabilities of Bitcoin. Is It the Virtual Gold?’, Finance Research Letters, 16, 139-144. https://doi.org/10.1016/j.frl.2015.10.025.
Engle, R. F. (1982), ‘Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of United Kingdom Inflation’, Econometrica, 50, 987-1007.
DOI: https://doi.org/10.2307/1912773.
Eroğlu Sevinç, D. & Yüce Akıncı, G. (2021), ‘Modeling the Volatility of Bitcoin Returns Using EGARCH Method’, Yaşar Üniversitesi E-Dergisi, 16(62), 787-800. DOI: 10.19168/jyasar.861308.
Fakhfekh, Mohamed & Jeribi, Ahmed (2020), ‘Volatility Dynamics of Crypto “Currencies” Returns: Evidence from Asymmetric and Long Memory GARCH Models’, Research in International Business and Finance, 51, 101075. DOI: https://doi.org/10.1016/j.ribaf.2019.101075.
Gherghina, Ş. C. & Simionescu, L. N. (2023), ‘Exploring the asymmetric effect of COVID-19 pandemic news on the cryptocurrency market: evidence from nonlinear autoregressive distributed lag approach and frequency domain causality’, Financial Innovation, 9. DOI: https://doi.org/10.1186/s40854-022-00430-w.
Glosten, L. R., Jagannathan, R., & Runkle, D. (1993), ‘On the relation between the expected values and the volatility of the nominal excess return on stocks’, The Journal of Finance, 48, 1779–1801. DOI: https://doi.org/10.1111/j.1540-6261.1993.tb05128.x.
HACOM (2021), Top 10 đồng tiền điện tử được chú ý nhất hiện nay, truy cập ngày 25/9/2021, từ <https://hacom.vn/top-10-dong-tien-dien-tu-duoc-chu-y-nhat-hien-nay>.
Ibrahim, Yousef (2020), ‘Spillover of COVID-19: Impact on Stock Market Volatility’, International Journal of Psychosocial Rehabilitation, 24(6), 18069-18081. DOI: 10.37200/V24I6/34211.
Kakinaka, Shinji & Umeno, Ken (2022), ‘Asymmetric volatility dynamics in cryptocurrency markets on multi-time scales’, Research in International Business and Finance, 62(C). DOI: https://doi.org/10.1016/j.ribaf.2022.101754.
Katsiampa, P. (2017), ‘Volatility Estimation for Bitcoin: A Comparison of Garch Models’, Economics Letters, 158, 3-6. DOI: https://doi.org/10.1016/j.econlet.2017.06.023.
Klein, T., Thu, H. P., & Walther, T., (2018), ‘Bitcoin is not the New Gold – A comparison of volatility, correlation, and portfolio performance’, International Review of Financial
Analysis, 59, 105–116.
Lưu Khánh Huyền (2022), TOP 5 các đồng tiền ảo nên đầu tư nhất vì độ HOT của chúng chưa bao giờ dừng, truy cập ngày 06/6/2022, từ <https://infina.vn/blog/danh-sach-cac-dong-tien-ao-nen-dau-tu-nhat/>.
Nelson, D. (1991), ‘Conditional heteroskedasticity in asset returns: A new approach’, Econometrica, 59(2), 347–370. DOI: https://doi.org/10.2307/2938260.
Phillips, P. C., & Perron, P. (1988), ‘Testing for a unit root in time series regression’, Biometrika, 75(2), 335–346. DOI: https://doi.org/10.1093/biomet/75.2.335.
Vũ Hero (2023), Top 10 đồng tiền ảo phổ biến đáng để đầu tư nhất hiện nay 2023, truy cập ngày 16/6/2023, từ <https://nganhangviet.org/dong-tien-ao-pho-bien-hien-nay/>.
Wan, D., Cheng, K., & Yang, X. (2014), ‘The reverse volatility asymmetry in Chinese
financial market’, Applied Financial Economics, 24(1), 1555-1575. DOI: 10.1080/09603107.2013.818208.
Zakoian, J. (1994), ‘Threshold Heteroskedastic Models’, Journal of Economic Dynamics and Control, 18, 931-955. DOI: http://dx.doi.org/10.1016/0165-1889(94)90039-6.
