Volatilidad Condicional y Pérdidas Potenciales en Inversiones en Bitcoin Un Enfoque de Análisis de Riesgo
Barra lateral del artículo
Contenido principal del artículo
Resumen
En menos de un año, Bolivia ha pasado de prohibir el uso de criptomonedas a incorporar su uso de manera frecuente. Esta investigación examina la dinámica de los retornos y el riesgo asociado al Bitcoin, la criptomoneda de mayor valor en el ecosistema cripto, mediante modelos diseñados para activos de alta volatilidad. El análisis se basa en una serie temporal de datos diarios recopilados durante doce años, con énfasis en la medición de retornos negativos. Los resultados muestran que la media de los retornos es positiva y estadísticamente significativa, aunque su capacidad explicativa sobre la variabilidad total es limitada, lo cual es consistente con el comportamiento típico de series financieras de alta frecuencia. En cuanto a la volatilidad, se confirma la presencia de heterocedasticidad condicional, con efectos ARCH y GARCH altamente significativos. La persistencia de la volatilidad, evidenciada por un coeficiente GARCH cercano a uno, indica que los episodios de alta o baja volatilidad tienden a mantenerse en el tiempo. Estos hallazgos destacan la relevancia de modelar adecuadamente la varianza condicional en el análisis de activos financieros como el Bitcoin. Adicionalmente, se identificó la necesidad de ajustar la escala de los datos, recomendándose una rescalación previa para mejorar la precisión en futuras estimaciones.
Detalles del artículo
Número
Sección
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
La Revista Búsqueda se publica bajo una licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0).
Esta licencia permite a cualquier persona: Compartir, copiar y redistribuir el material en cualquier medio o formato. Adaptar remezclar, transformar y construir sobre el material para cualquier propósito, incluso comercialmente. La única condición es la atribución adecuada del trabajo original. Esto significa que se debe dar crédito apropiado, proporcionar un enlace a la licencia y, en su caso, indicar si se realizaron cambios. Bajo esta licencia, los autores conservan la totalidad de sus derechos de autor sobre sus obras, y se les permite el uso comercial de sus artículos, así como depositarlos en cualquier repositorio institucional o temático (autoarchivo), siempre que se respete la atribución original.
Para acceder al texto completo de la licencia, visite: https://creativecommons.org/licenses/by/4.0/deed.es
Cómo citar
Referencias
Bakar, N. A., & Rosbi, S. (2018). Weighted Moving Average of Forecasting Method for Predicting Bitcoin Share Price using High Frequency Data: A Statistical Method in Financial Cryptocurrency Technology. International Journal of Advanced Engineering Research and Science.
Bergsli, L. Ø., Lind, A. F., Molnár, P., & Polasik, M. (2022). Forecasting volatility of Bitcoin. Research in International Business and Finance 59.
Bolivia, B. C. (6 de Mayo de 2014). Resolución de Directorio Nº 044/2014. La Paz, La Paz, Estado Plurinacional de Bolivia.
Bolivia, B. C. (15 de Diciembre de 2020). Resolución de Directorio Nº144/2020. La Paz, La Paz, Estado Plurinacional de Bolivia.
Chen, Z., Li, C., & Sun, W. (2019). Bitcoin price prediction using machine learning: An approach to sample dimension engineering. Journal of Computational and Applied Mathematics.
Critien, J. V., Gatt, A., & Ellul, J. (2022). Bitcoin price change and trend prediction through twitter sentiment and data volume. Journal of Financial Innovation.
Diario, E. (30 de 12 de 2023). Cebec observa bajo nivel de Reservas Internacionales. Economía.
Katsiampa, P. (2017). Volatility estimation for Bitcoin: A comparison of GARCH models. Economics Letters , 3-6.
Katsiampa, P. (2017). Volatility estimation for Bitcoin: A comparison of GARCH models. Sheffield Hallam University, 3-6.
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, 105-116.
Lamonthe Fernández, P., Lamonthe López, P., Fernández Gámez, M. A., & Fernández Miguélez, S. M. (2020). Identificación de factores de influencia en el precio de las criptomonedas: evidencia para bitcoin y ethereum. Cuadernos Económicos, GLOBALIZACIÓN Y SOSTENIBILIDAD, 100(18). https://doi.org/10.32796/cice.2020.100.7126
Lopez Garcia, A. (2023). Análisis comparativo de redes neuronales profundas para la predicción del precio de mercado de bitcoin. Revista Electrónica de Comunicaciones y Trabajos de ASEPUMA, 1-16.
Macias Vargas, F. A. (2003). Estimación del valor de riesgo para un portafolio de Tes: Simulación de Monte Carlo y aproximación Delta-Gamma. Universidad de Los Andes, Bogota.
Ramirez Giraldo, M. P., & Cardenas Escobar, A. Z. (2022). Cryptocurrencies World El mundo de las criptomonedas. 20th LACCEI International Multi-Conference forEngineering, Education, and Technology (pp. 18-22). Florida - USA: BocaRaton.
Roy, S., Nanjiba, S., & Chakrabarty, A. (2018). Bitcoin Price Forecasting Using Time Series Analysis. 21st International Conference of Computer and Information Technology (ICCIT).
Teker, D., Teker, S., & Gümüştepe, E. D. (2024). BACKCASTING BITCOIN PRICES: IMPLEMENTATION. International Journal of Economics, Commerce and Managment, 12(12), 2-9.
Velásquez, J. D. (2023). Comparación de algoritmos de Deep Learning para pronósticos en los precios de Criptomonedas. Ingenieria y Competitividad.
Yıldırım , H., & Bekun, F. V. (2023). Predicting volatility of bitcoin returns with ARCH, GARCH and EGARCH models. Future Business Journal.