Sobre la relación del precio de las criptomonedas con el precio de las acciones de EE. UU. y el oro utilizando modelos de cópula
Autores: Kim, Jong-Min; Kim, Seong-Tae; Kim, Sangjin
Idioma: Inglés
Editor: MDPI
Año: 2020
Acceso abierto
Artículo científico
2020
Sobre la relación del precio de las criptomonedas con el precio de las acciones de EE. UU. y el oro utilizando modelos de cópula
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Relación
Bitcoin
Oro
S&P 500
GARCH-Dynamic Conditional Correlation
GC-DCC
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 24
Citaciones: Sin citaciones
Este documento examina la relación de los principales activos financieros, Bitcoin, Oro y S&P 500 con la Correlación Condicional Dinámica GARCH (DCC), la Correlación Condicional No Lineal Asimétrica GARCH DCC (NA-DCC), la GARCH-DCC basada en cópula gaussiana (GC-DCC) y la No Lineal Asimétrica-DCC basada en cópula gaussiana (GCNA-DCC). Bajo situaciones financieras de alta volatilidad como la ocurrencia de la pandemia de COVID-19, existe una dificultad computacional para usar el método DCC tradicional en las criptomonedas seleccionadas. Para resolver esta limitación, se aplican GC-DCC y GCNA-DCC para investigar la relación variable en el tiempo entre Bitcoin, Oro y S&P 500. En términos de log-verosimilitud, mostramos que GC-DCC y GCNA-DCC son mejores modelos que DCC y NA-DCC para mostrar la relación de Bitcoin con Oro y S&P 500. También consideramos las relaciones entre la correlación condicional variable en el tiempo con la volatilidad de Bitcoin y la volatilidad de S&P 500 mediante un modelo de Regresión Marginal de Cópula Gaussiana (GCMR). Los hallazgos empíricos muestran que el precio del S&P 500 y del Oro son estadísticamente significativos para Bitcoin en términos de log-retorno y volatilidad.
Descripción
Este documento examina la relación de los principales activos financieros, Bitcoin, Oro y S&P 500 con la Correlación Condicional Dinámica GARCH (DCC), la Correlación Condicional No Lineal Asimétrica GARCH DCC (NA-DCC), la GARCH-DCC basada en cópula gaussiana (GC-DCC) y la No Lineal Asimétrica-DCC basada en cópula gaussiana (GCNA-DCC). Bajo situaciones financieras de alta volatilidad como la ocurrencia de la pandemia de COVID-19, existe una dificultad computacional para usar el método DCC tradicional en las criptomonedas seleccionadas. Para resolver esta limitación, se aplican GC-DCC y GCNA-DCC para investigar la relación variable en el tiempo entre Bitcoin, Oro y S&P 500. En términos de log-verosimilitud, mostramos que GC-DCC y GCNA-DCC son mejores modelos que DCC y NA-DCC para mostrar la relación de Bitcoin con Oro y S&P 500. También consideramos las relaciones entre la correlación condicional variable en el tiempo con la volatilidad de Bitcoin y la volatilidad de S&P 500 mediante un modelo de Regresión Marginal de Cópula Gaussiana (GCMR). Los hallazgos empíricos muestran que el precio del S&P 500 y del Oro son estadísticamente significativos para Bitcoin en términos de log-retorno y volatilidad.