Christian Hotz-Behofsits (Department für Marketing), Florian Huber und Thomas Zörner (beide Department für Volkswirtschaft) erhielten für eine Publikation zum Thema Bitcoin-Forecasting den Young Economists Award 2018 der Nationalökonomischen Gesellschaft (NOeG).

Christian Hotz-Behofsits, Florian Huber, Thomas Zörner erhielten kürzlich für ihre Publikation „Predicting crypto-currencies using sparse non-Gaussian state space models“, veröffentlicht im Journal of Forecasting, den "NOeG Young Economists Award 2018" zuerkannt.

Die Verleihung des Awards (Link: www.noeg.ac.at/young-economists) fand im Rahmen der NOeG-Jahrestagung 2018 an der Technischen Universität Wien statt (Link: http://noeg2018.econ.tuwien.ac.at).

Full Working Paper: https://arxiv.org/abs/1801.06373

Die steigende Beliebtheit und Akzeptanz von Kryptowährungen zeigt auf, dass diese Art von Zahlungsmittel eine hohe ökonomische und wirtschaftspolitische Relevanz besitzt. In der vorliegenden Arbeit beschäftigen wir uns mit der Frage, in wie weit sich der Preis von Kryptowährungen prognostizieren lässt. Dies können wir sowohl im Vergleich mit sehr einfachen Modellen als auch im Zuge einer Portfoliooptimierung zeigen. Hierbei prognostizieren wir tägliche Renditen von den drei Kryptowährungen mit der höchsten Marktkapitalisierung (Bitcoin, Ethereum und Litecoin). Zudem verwenden wir Informationen zu gehandeltem Volumen, alternative Anlageklassen sowie angebots- und nachfrageseitige Faktoren. Unser Beobachtungszeitraum erstreckt sich von November 2016 bis Oktober 2017, wobei ein Teil der Beobachtungen zur Schätzung der Modelle benutzt und die verbliebenen Beobachtungen für eine Validierung der Prognosen verwendet wird.

Zur Schätzung verwenden wir eine breite Auswahl an ökonometrischen Modellen, welche an die typischen Herausforderungen der Modellierung von Finanzmarktzeitreihen angepasst wurden. Hierzu zählen unter anderem die plötzlichen Veränderungen der bedingten Varianzen, stark steigende sowie parallel verlaufende Trends zwischen den einzelnen Zeitreihen. Um diesen Charakteristiken Rechnung zu tragen, schlagen wir ein zeitabhängiges vektorautoregressives Modell mit t-verteilten Störgrößen und stochastischer Volatilität vor. Typische Herausforderungen bei dieser Art von Modellen, wie beispielsweise eine starke Überparametrisierung, lösen wir durch den Einsatz von Bayesianischen Methoden, welche durch eine flexible Prior-Spezifizierung mit sogenannten shrinkage-priors, irrelevante Prädiktoren herausfiltern können. Des Weiteren erreichen wir dadurch eine flexible Modellspezifikation, die es insbesondere erlaubt, zeitvariierende Strukturen zu berücksichtigen. Zur Prognoseevaluierung verwenden wir die Modelle selbst um deren Ergebnisse gegenüber unseres simplen Basismodells (der random-walk) zu vergleichen. Des Weiteren zeigt eine einfache Portfoliooptimierung, dass eine dynamische Kombination der Modelle zu den besten Portfolio-Renditen führen kann.