Cryptocurrency and fiat currency analysis: A Bitcoin forecasting study with macroeconomic variables

Abstract

Cryptocurrencies, especially Bitcoin, have become a focal point in both financial markets and academic discussions, primarily due to their decentralized structure and significant price volatility. This thesis aims to evaluate the predictive capacity of various time series models in forecasting Bitcoin prices, incorporating a selection of macroeconomic and financial variables, specifically Euro to US Dollar, Japanese Yen to US Dollar, Chinese Yuan to US Dollar, the US Economic Policy Uncertainty (EPU) index and Ethereum (ETH) prices. To explore the predictive differences, two distinct regimes were analyzed: a broader period from 2017 to 2024 and a shorter, more volatile window from 2021 to 2024. The study utilized three primary models in each regime, an ARIMA model, a VECM or VAR model including all variables, and a more refined VECM or VAR model focusing exclusively on Bitcoin’s key causal variables for that regime. In the first regime, ARIMA stood out as the best-performing model, exhibiting low error rates and effectively capturing the general price trends in both in-sample and out-of-sample forecasts. Following ARIMA, a VECM model was tested using all variables, which was subsequently improved upon by implementing a VAR model focused on Bitcoin’s causal variables. This VAR model showed a slight enhancement in predictive performance compared to the VECM with all variables, demonstrating that careful selection of key influencing factors can refine forecasting accuracy, although the improvement was marginal. In contrast, the second regime posed challenges due to its shorter time span and higher volatility. Here, ARIMA continued to show robust performance during training and testing but did not necessarily translate into better out-of-sample forecasts. The VECM with causal variables improved upon the performance of a VAR model with all variables, although it did not outperform ARIMA. The findings suggest that model performance is closely tied to the characteristics of the sample and market conditions. While ARIMA was more suitable for both regimes, VECM or VAR models can also offer advantages in volatile and complex scenarios but require careful variable selection. The conclusions underscore the challenges of forecasting in volatile markets like cryptocurrencies and the importance of adapting models to the nature of the data. Based on the outcomes of this study, future research could explore machine learning techniques for handling nonlinearities and short-term volatility, potentially overcoming limitations of traditional time series models. Additionally, incorporating a broader range of exogenous variables, such as social sentiment or geopolitical events, could improve model robustness. Given Bitcoin's sensitivity to factors beyond financial indicators, using data from sources like social media, policy changes, or network activity may reveal new predictive relationships.

As criptomoedas, especialmente a Bitcoin, tornaram-se um ponto focal tanto nos mercados financeiros como nas discussões académicas, principalmente devido à sua estrutura descentralizada e à significativa volatilidade dos preços. Esta tese tem como objetivo avaliar a capacidade preditiva de vários modelos de séries temporais na previsão dos preços da Bitcoin, incorporando uma seleção de variáveis macroeconómicas e financeiras, especificamente as taxas cambiais EUR/USD, JPY/USD e CNY/USD, o índice de incerteza política económica dos EUA (EPU) e os preços de Ethereum (ETH). Para explorar as diferenças preditivas, foram analisados dois regimes distintos: um período mais amplo de 2017 a 2024 e uma janela mais curta e mais volátil de 2021 a 2024. O estudo utilizou três modelos primários em cada regime, um modelo ARIMA, um modelo VECM ou VAR incluindo todas as variáveis e um modelo VECM ou VAR mais trabalhado, focado exclusivamente nas principais variáveis causais do Bitcoin para esse regime. No primeiro regime, o modelo ARIMA destacou-se como o modelo de melhor desempenho, exibindo baixos erros e a capturar com eficácia as tendências gerais de preço nas previsões dentro e fora da amostra. A seguir ao ARIMA, foi testado um modelo VECM utilizando todas as variáveis, que foi posteriormente melhorado através da implementação de um modelo VAR centrado nas variáveis causais da Bitcoin. Este modelo VAR mostrou uma ligeira melhoria no desempenho de previsão em comparação com o VECM com todas as variáveis, demonstrando que uma seleção mais cuidadosa dos principais fatores de influência pode melhorar a precisão da previsão, embora a melhoria tenha sido mínima. Em contrapartida, o segundo regime colocou desafios devido ao seu período mais curto e à sua maior volatilidade. Neste caso, o modelo ARIMA continuou a apresentar um desempenho robusto durante o treino e o teste, mas não se traduziu necessariamente em melhores previsões fora da amostra. O modelo VECM com variáveis causais melhorou o desempenho do modelo VAR com todas as variáveis, embora não tenha superado o ARIMA. Os resultados sugerem que o desempenho do modelo está diretamente ligado às caraterísticas da amostra e às condições de mercado. Embora o ARIMA tenha sido mais adequado para ambos os regimes, os modelos VECM ou VAR também podem oferecer vantagens em cenários voláteis e complexos, mas exigem uma seleção cuidadosa das variáveis. As conclusões sublinham os desafios da previsão em mercados voláteis como o das criptomoedas e a importância de adaptar os modelos à natureza dos dados. Com base nos resultados deste estudo, a investigação futura poderá explorar técnicas de aprendizagem automática para lidar com não linearidades e volatilidade a curto prazo, potencialmente ultrapassando as limitações dos modelos tradicionais de séries temporais. Além disso, a incorporação de um lote mais alargado de variáveis exógenas, como o sentimento social ou eventos geopolíticos, poderia melhorar a robustez do modelo. Dada a sensibilidade da Bitcoin a fatores que vão para além dos indicadores financeiros, a utilização de dados como os meios de comunicação social, as alterações políticas ou redes sociais pode revelar novas relações preditivas.