Bitcoin Fiyatlarındaki Değişimin Markov Rejim Değişim Modeli ile Analizi

Amaç – Çalışmada önemli fiyat dalgalanmalarına sahip kripto paralardan en yüksek işlem hacmine sahip olan Bitcoin’in volatilite dinamiklerini tespit etmek için Bitcoin getirilerinin yükseliş/kazandıran ve düşüş/kaybettiren rejimleri, rejim geçiş olasılıkları ve rejimde kalma sürelerinin tespit edilmesi amaçlanmıştır. Yöntem – Çalışmada Bitcoin getirilerinin yükseliş/kazandıran ve düşüş/kaybettiren rejimleri, rejim geçiş olasılıkları ve rejimde kalma süreleri hem değişimlerin hem de rejim geçiş olasılıklarının hesaplanmasına imkan veren Markov Rejim Değişim Modeli kullanılmıştır. Bulgular – Çalışma kapsamında çalışmaya konu periyotta Bitcoin getiri serisi için en uygun modelin üç rejimli MSIH(3)-AR(1) modeli olduğu tespit edilmiştir. Modele ilişkin analizler yapıldığında ise söz konusu modelin doğrusal modele göre daha güçlü sonuçlar verdiği görülmektedir. Üç rejimden oluşan modelde katsayısı negatif olan rejim 1 daralma rejimi dönemini, katsayıları pozitif olan rejim 2 geçiş ve rejim 3 ise genişleme rejimi dönemini göstermektedir. Bitcoin getiri serisinin bir rejimdeyken bir sonraki dönemde aynı rejimde kalma olasılıkları yüksek iken bir sonraki dönemde özellikle rejim 1’den diğer rejimlere, diğer rejimlerden ise rejim 1’e geçiş olasılıklarının düşük olduğu tespit edilmiştir. Tartışma – Çalışma kapsamında ele alınan dönem için Bitcoin getirilerinin rejim kalıcılığının yüksek olduğu tespit edilmiştir. Bu bağlamda yatırımcıların, Bitcoin getirilerinin incelenen dönemde hangi rejimde olduğunu bilmesi durumunda, bir sonraki dönemde bu rejimde kalma olasılığını tahminini yaparak yatırım kararını buna göre verme imkanı bulunmaktadır. Bununla birlikte ortalama rejimlerde kalma sürelerinin düşük olduğu göz önüne alındığında özellikle Bitcoin’i portföylerinde bulunduran aktif yatırımcıların sürekli olarak bu aracın rejim değişimlerini takip etmesi durumunda portföylerinin faydasını arttırma imkanı yakalayacağı görülmektedir.

An Analysis of Bitcoin Prices with The Markov Regime Switching Model

Purpose – In the study, it is aimed to find the rising / gaining and falling / losing regimes, regime transition possibilities and duration of stay in the regime to determine the volatility dynamics of Bitcoin, which has the highest trade volume among crypto currencies. Design/methodology/approach – In the study, the rising / gaining and falling / losing regimes, regime transition possibilities and duration of stay in the regime were determined by the Markov Regime Switching Model, which allows both changes and regime transition probabilities to be calculated. Findings – In the study, for the study period it has been determined that the most suitable model for the Bitcoin return series is the three-regime MSIH (3) -AR (1) model which gives stronger results than the linear model. In the model consisting of three regimes, regime 1 with a negative coefficient indicates the contraction regime period, while regime 2 with positive coefficients indicates the transition and regime 3 the expansion regime period. It has been determined that while the Bitcoin returns series is in a regime, the probability of staying in the same regime for the next period is high, the possibility of transition from regime 1 to other regimes and from other regimes to regime 1 is low for the next period. Discussion – It has been determined that the regime persistence of Bitcoin returns is high for the period under study. In this context, if investors know the regime of Bitcoin returns in the current period, they have the opportunity to estimate the probability of staying in this regime and make their investment decision according to this information. However, considering that average duration of stay in the regimes is low, it is seen that active investors who keep Bitcoin in their portfolios will have the opportunity to increase the utility of their portfolios if they constantly follow the regime changes of this tool.

PDF

___

Ardia, D., Bluteau, K. and Rüede, M. (2019). Regime Changes in Bitcoin GARCH Volatility Dynamics, Finance Research Letter, 29, 266-271
Bayat, T., Kayhan, S. ve Koçyiğit, A. (2013). Türkiye’de İşsizliğin Asimetrik Davranışının Rejim Değişim Modeliyle İncelenmesi, Business and Economics Research Journal, V. 4, N. 2, pp.79-90
Brock, W., Dechert, W., and Scheinkman, J. (1987). A Test For Independence Based On The Correlation Dimension. Working Paper, University of Wisconsin at Madison, University of Houston and University of Chicago.
Chappell, D., (2018). Regime Heteroskedasticity in Bitcoin: A Comparison of Markov Switching Models, MPRA Paper 90682, University Library of Munich, Germany.
Chen, S.S. (2006), Revisiting the Interest Rate–Exchange Rate Nexus: A Markov– Switching Approach, Journal of Development Economics, Vol. 79, pp. 208–224.
Dadaloğlu, C. (2018). Ekonomik Yatırım Araçları Getirilerinin Saklı Markov Modeli ile Tahmin Edilmesi: Türkiye Örneği (Yüksek lisans tezi). Çukurova Üniversitesi Sosyal Bilimler Enstitüsü, Adana.
Davies, R. B., Harte, D. S. (1978), Hypothesis Testing When the Nuisance Parameter is Present Only Under The Alternative. Biometrica, 74, pp. 33–43.
Diebold, F.X., Lee, J.H. and Weinbach, G.C. (1994). Regime Switching With Time-Varying Transition Probabilities. In C. Hargreaves (ed.) Nonstationary Time Series Analysis and Cointegration, 283–302, Oxford: Oxford University Press.
Engel, C. (1994). Can The Markov- Switching Model Forecast Exchange Rates. Journal of International Economics, 36, 151–165.
Eroğlu, A. (2019). Yöneylem Araştırması, İstanbul Üniversitesi Açık ve Uzaktan Eğitim Fakültesi Yayınları
Evci, S. (2020). Bitcoin Piyasasında Haftanın Günü Anomalisi, Alanya Akademik Bakış, 4(1), 53-61
Evci, S., Şak, N. ve Adana Karaağaç, G. (2016). Altın Fiyatlarındaki Değişimin Markov Rejim Değişim Modelleriyle İncelenmesi, Business and Economics Research Journal, V.7, N.4, 66-77
Güleşce, A. (2019). Faiz Oranı Öngörüsü için Markov Değişim Modeli (Yüksek lisans tezi). Marmara Üniversitesi Sosyal Bilimler Enstitüsü, İstanbul.
Gültekin, Y. , Bulut, Y . (2016). Bitcoin Ekonomisi: Bitcoin Eko-Sisteminden Doğan Yeni Sektörler ve Analizi. Adnan Menderes Üniversitesi Sosyal Bilimler Enstitüsü Dergisi , 3 (3) , 82-92
Hamilton, J. D. (1989). A New Approach to The Economic Analysis of Nonstationary Time Series and the Business Cycle. Econometrica, Vol: 57, No. 2, 357-384.
Hamilton, J. D. (1996). Spesification Testing in Markov-Switching Time Series Models. Journal of Econometrics, Vol:70, No.1, 127-157.
https://coinmarketcap.com/
https//www. investing.com
Kim, C.J. ve Nelson, G. (1998) State-Space Models with Regime-Switching: Classical and Gibbs -Sampling Approaches with Application, MIT Press.
Koki, C., Leonardos, S. and Piliouras, G. (2020). Exploring the Predictability of Cryptocurrencies via Bayesian Hidden Markov Models, Papers 2011.03741, arXiv.org
Krolzig, H.M. (1997) Markov Switching Vector Autoregressions. Modelling, Statistical Inference and Application to Business Cycle Analysis, Berlin: Springer.
Krolzig, H.M. (2001) Estimation, Structural Analysis and Forecasting of RegimeSwitching Model With MSVAR for Ox, Oxford University Press.
Krolzig, H.M. (1988) Impulse-Response Analysis in Markov Switching Vector Autoregressive Models, Economics Department, University of Kent College, Canterbury City
Krolzig, H.M. (1998) Econometric Modelling of Markov-Switching Vector Autoregressions Using MS-VAR For Ox, Oxford University Press.
Krolzig, H.M. (2000) Predicting Markov-Switching Vector Autoregressive Processes. Oxford University Working Paper no. 2000w31.
Ma, F., Lang, C., Ma, Y. and Wahab, M.I.M. (2020). Cryptocurrency Volatility Forecasting: a Markov Regimeswitching MIDAS Approach. Journal of Forecasting. 39:1277–1290.
Maupin, T. (2019). Can Bitcoin, and Other Cryptocurrencies, be Modeled Effectively with a Markov-Switching Approach?. (Degree Project) Royal Institute of Technology School of Engineering Sciences, Stocholm, Sweden
Mba, J.C. and Mwambi, S. (2020). A Markov-Switching COGARCH Approach to Cryptocurrency Portfolio Selection and Optimization. Financial Markets and Portfolio Management, 34:199–214
Rojas, O., and Coronado, S. (2020). A Bayesian Study of Changes in Volatility Of Bitcoin. Contaduría y Administración, Article in Press, 1-17.
Sezgin Alp, Ö. ve Kırkbeşoğlu, E. (2015). Sigorta Endeksi Getirisinin Doğrusal Olmayan Yapısı, Finansal Araştırmalar ve Çalışmalar Dergisi • Cilt 7 • Sayı 13 • Temmuz 2015, ss. 245-260
Söylemez, Y. ve Yılmaz Türkmen, S. (2019). Bitcoin Volatilitesinin Analizinde Markov Rejim Değişken Karar Destek Modellerinin Kullanılması, 23. Finans Sempozyumu, Marmara Üniversitesi, İstanbul
Thies, S and Moln´ar, P. (2018) Bayesian Change Point Analysis of Bitcoin Returns. Finance Research Letters, December, 223-227