Econometric Analysis of Bitcoin and its 2013 Bubbles

Abstract

V bakalářské práci zkoumáme pomocí ARIMA, GARCH a LPPL modelů tři periody Bitcoinové řady mezi roky 2012-2015 - kompletní řadu, dub- novou bublinu v roce 2013 a listopadovou bublinu v roce 2013. Nejdříve provádíme standardní GARCH analýzu, na niž navazuje GARCH rolující es- timace. Výsledky těchto analýz ukázaly, že volatilita Bitcoinu se v průběhu zkoumané periody výrazně liší, a že pro všechny tři časové periody se jako nejlepší specifikace zachycující volatilitu ukázala GARCH(1,1). Dále jsme vypozorovali, že v průběhu listopadové bubliny byl výrazně větší počet nově vstupujících iracionálních obchodníků na trh než v průběhu dubnové bubliny, což pravděpodobně způsobilo větší nestabilitu na trhu s Bitcoiny. Nicméně výsledky Ljung-box testu částečně zpochybňují konzistentnost odhadnutých parametrů GARCH analýzou. Z tohoto důvodu používáme LPPL model a zkoumáme jeho klíčové proměnné - rychlost růstu β, frekvence log os- cialace ω spolu se "scaling ratio" λ - nejdříve standardní metodologií a poté "loop analýzou". Z výsledků jsme vyvodili, že listopadová bublina měla výrazně rychlejší oscilaci a nižší akceleraci růstu ve srovnání s dub- novou bublinou. Na závěr přicházíme s...

This thesis examines Bitcoin in 2012-2015 period along with the two Bit- coin bubbles - April 2013 and November 2013 - using ARIMA, GARCH and LPPL models. First, we perform standard GARCH analysis along with GARCH rolling estimation and find that the volatility of Bitcoin differs sub- stantially over time and that this relation is best captured by GARCH(1,1) in all studied periods. We also conclude that during the November bubble the number of irrational traders entering the market was much higher than in the April bubble which probably caused greater instability on the Bit- coin market. However, based on Ljung-box test we find these results to be questionable. For that reason, we present LPPL model and study its key parameters - power law growth rate β, frequency of log oscillation ω and its scaling ratio λ - in more detail using standard methodology and "loop analysis". We find that the November bubble experiences much faster os- cillation and lower acceleration rate of power law in comparison with the April bubble. By the end we propose hypothesis that ∆λ serves as a better indicator of the upcoming bubble crash than simple scaling ratio which we concluded to be true in our analysis of the two Bitcoin bubbles. However, further examination of other financial bubbles is needed, in order to support this...