Cryptocurrency price forecasting : an empirical application

Mestrado em Econometria Aplicada e Previsão A presente dissertação é desenvolvida no âmbito dos modelos Autorregressivo Integrado de Médias Móveis (ARIMA) e de Alisamento Exponencial, tendo como principal objetivo realizar uma comparação de métodos de previsão. Em particular, as previsões serão feitas usando essas diferentes classes de métodos e serão realizados exercícios de validação cruzada para encontrar o modelo de previsão mais adequado. O objeto de estudo serão ativos financeiros; especificamente, cinco criptomoedas (criptoativos) - Bitcoin, Ether, Litecoin, XRP e Bitcoin Cash - escolhidas com base na sua importância e representatividade. Os dados de preços utilizados são semanais. Foram apresentados os testes a ser efetuados ao logaritmo dos preços e dos retornos de cada criptomoeda, de modo a provar que se cumprem alguns factos estilizados das séries financeiras. Após a demostração dos resultados dos testes e da caracterização de cada ativo, é feita uma demonstração do código de R utilizado durante o trabalho. Os modelos que demonstraram ser mais adequados para prever os preços das criptomoedas em análise foram ARIMA de diferentes ordens, para cada ativo. This dissertation is developed within the scope of the Autoregressive Integrated Moving Average (ARIMA) and Exponential Smoothing models, with the main objective of comparing forecasting methods. In particular, forecasts will be made using these different classes of methods and cross-validation exercises will be performed to find the most suitable forecast model. Financial assets will be object of study; specifically, five (crypto) cryptocurrencies - Bitcoin, Ether, Litecoin, XRP and Bitcoin Cash - chosen based on their importance and representativity. The price data used are weekly. The tests to be carried out on the cryptocurrency's logarithm of prices and returns were presented, in order to prove that some stylized facts of the financial series are fulfilled. After showing the test results and the characterization of each asset, a demonstration of the R code used during the work is done. The models that proved to be more adequate to predict the prices of the cryptocurrencies under analysis were ARIMA models of different orders, for each asset. info:eu-repo/semantics/publishedVersion