Volatilidad de las criptomonedas y riesgo en las colas
Una investigación empírica utilizando modelos ARMA-GARCH-X
DOI:
https://doi.org/10.20397/2177-6652/2026.v26i1.3386Palabras clave:
Cryptocurrencies; Risk Management; ARMA-GARCH; Value-at-Risk; Expected Shortfall.Resumen
Objetivo: El objetivo de este estudio es evaluar el rendimiento de diferentes especificaciones del modelo ARMA-GARCH en la gestión del riesgo de las principales criptomonedas, investigando si la inclusión de variables exógenas mejora la calibración de medidas de riesgo como el valor en riesgo (VaR) y el déficit esperado (ES).
Metodología: Para alcanzar este objetivo, se probaron 4032 especificaciones del modelo ARMA-GARCH aplicadas a las diez principales criptomonedas en negociación. El estudio incorporó el Índice de Miedo y Ganancia y el Volumen de Negociación de Bitcoin como variables exógenas en una estructura ARMA-GARCH-X, comparando el rendimiento de las diferentes especificaciones en relación con un benchmark ARMA(1,1)-GARCH(1,1).
Originalidad: A pesar del creciente interés en la gestión del riesgo de los criptoactivos, todavía existen lagunas en la literatura sobre la eficacia de la incorporación de variables exógenas en los modelos de predicción, así como sobre el aumento de la calidad de las predicciones a medida que se utilizan modelos más complejos.
Principales resultados: Los resultados indican que la inclusión de variables externas mejora la calibración del riesgo en algunos activos, aunque las ganancias son marginales y heterogéneas. También se observa la ausencia de una parametrización óptima única, siendo necesario ajustar las órdenes ARMA, las especificaciones GARCH y las distribuciones de error para cada criptomoneda.
Contribuciones teóricas/metodológicas: Desde el punto de vista metodológico, el estudio contribuye al demostrar la importancia de la calibración específica de los modelos ARMA-GARCH para diferentes criptomonedas en la estimación del riesgo. Además, los resultados sugieren que, aunque los modelos más complejos pueden mejorar la estimación del riesgo de cola, las ganancias en capacidad predictiva en relación con los modelos más simples son limitadas.
Palabras clave: Criptoactivos; Gestión de riesgos; ARMA-GARCH, Value-at-Risk; Expected Shortfall.
Citas
Abreu, D. P. A. de, Coaguila, R. A. I., & Camargos, M. A. de. (2022). Evolution of the degree of efficiency of the cryptocurrency market from 2014 to 2020: An analysis based on its fractal components. Revista de Administração Da UFSM, 15(2), Artigo 2.
Acerbi, C., & Tasche, D. (2002). On the coherence of expected shortfall. Journal of Banking & Finance, 26(7), 1487–1503. https://doi.org/10.1016/S0378-4266(02)00283-2
Acereda, B., Leon, A., & Mora, J. (2020). Estimating the expected shortfall of cryptocurrencies: An evaluation based on backtesting. Finance Research Letters, 33, 101181. https://doi.org/10.1016/j.frl.2019.04.037
Artzner, P., Delbaen, F., Eber, J.-M., & Heath, D. (1999). Coherent Measures of Risk. Mathematical Finance, 9(3), 203–228. https://doi.org/10.1111/1467-9965.00068
Baur, D. G., & Dimpfl, T. (2018). Asymmetric volatility in cryptocurrencies. Economics Letters, 173, 148–151. https://doi.org/10.1016/j.econlet.2018.10.008
Baur, D. G., Hong, K., & Lee, A. D. (2018). Bitcoin: Medium of exchange or speculative assets? Journal of International Financial Markets, Institutions and Money, 54, 177–189. https://doi.org/10.1016/j.intfin.2017.12.004
Cai, C. W., Xue, R., & Zhou, B. (2023). Cryptocurrency puzzles: A comprehensive review and re-introduction. Journal of Accounting Literature, 46(1), 26–50. https://doi.org/10.1108/JAL-02-2023-0023
Charfeddine, L., Benlagha, N., & Maouchi, Y. (2020). Investigating the dynamic relationship between cryptocurrencies and conventional assets: Implications for financial investors. Economic Modelling, 85, 198–217. https://doi.org/10.1016/j.econmod.2019.05.016
Charles, A., & Darné, O. (2019). The accuracy of asymmetric GARCH model estimation. International Economics, 157, 179–202. https://doi.org/10.1016/j.inteco.2018.11.001
Conlon, T., & McGee, R. (2020). Safe haven or risky hazard? Bitcoin during the Covid-19 bear market. Finance Research Letters, 35, 101607. https://doi.org/10.1016/j.frl.2020.101607
Engle, R. (2002). Dynamic Conditional Correlation: A Simple Class of Multivariate Generalized Autoregressive Conditional Heteroskedasticity Models. Journal of Business & Economic Statistics, 20(3), 339–350. https://doi.org/10.1198/073500102288618487
Fung, K., Jeong, J., & Pereira, J. (2022). More to cryptos than bitcoin: A GARCH modelling of heterogeneous cryptocurrencies. Finance Research Letters, 47, 102544. https://doi.org/10.1016/j.frl.2021.102544
Gandal, N., & Halaburda, H. (2014). Competition in the Cryptocurrency Market (SSRN Scholarly Paper 2501640). https://papers.ssrn.com/abstract=2501640
Hasan, F., Al-Okaily, M., Choudhury, T., & Kayani, U. (2024). A comparative analysis between FinTech and traditional stock markets: Using Russia and Ukraine war data. Electronic Commerce Research, 24(1), 629–654. https://doi.org/10.1007/s10660-023-09734-0
Huang, Y., Wang, H., Chen, Z., Feng, C., Zhu, K., Yang, X., & Yang, W. (2024). Evaluating Cryptocurrency Market Risk on the Blockchain: An Empirical Study Using the ARMA-GARCH-VaR Model. IEEE Open Journal of the Computer Society, 5, 83–94. https://doi.org/10.1109/OJCS.2024.3370603
Kristoufek, L., & Vosvrda, M. (2019). Cryptocurrencies market efficiency ranking: Not so straightforward. Physica A: Statistical Mechanics and Its Applications, 531, 120853. https://doi.org/10.1016/j.physa.2019.04.089
Lánský, J. (2017). Bitcoin System. Acta Informatica Pragensia, 6(1), 20–31. https://doi.org/10.18267/j.aip.97
Liu, Y., Tsyvinski, A., & Wu, X. (2022). Common risk factors in cryptocurrency. The Journal of Finance, 77(2), 1133-1177. https://doi.org/10.1111/jofi.13119
López-Cabarcos, M. Á., Pérez-Pico, A. M., Piñeiro-Chousa, J., & Šević, A. (2021). Bitcoin volatility, stock market and investor sentiment. Are they connected?. Finance Research Letters, 38, 101399. https://doi.org/10.1016/j.frl.2019.101399
Malek, J., Nguyen, D. K., Sensoy, A., & Tran, Q. V. (2023). Modeling dynamic VaR and CVaR of cryptocurrency returns with alpha-stable innovations. Finance Research Letters, 55, 103817. https://doi.org/10.1016/j.frl.2023.103817
Markowitz, H. (1952). Portfolio Selection. The Journal of Finance, 7(1), 77–91. https://doi.org/10.1111/j.1540-6261.1952.tb01525.x
Nakamoto, S. (2008). Bitcoin: A Peer-to-Peer Electronic Cash System. https://bitcoin.org/bitcoin.pdf
Ngunyi, A., Mundia, S., & Omari, C. (2019). Modelling Volatility Dynamics of Cryptocurrencies Using GARCH Models. http://repository.dkut.ac.ke:8080/xmlui/handle/123456789/978
Orujov, S., Elvira, V., Poterie, A., Rajabov, F., & Septier, F. (2025). VS-LTGARCHX: A Flexible Variable Selection in Log-TGARCHX Models. Journal of Time Series Econometrics, 17(1), 1-34. https://doi.org/10.1515/jtse-2023-0035
Silva, L., & Maciel, L. (2025). Cryptocurrency price returns volatility modeling and forecasting with GARCH models. RAUSP Management Journal, 60(1), 220-234. https://doi.org/10.1108/RAUSP-04-2023-0056
Sözen, Ç. (2025). Volatility dynamics of cryptocurrencies: a comparative analysis using GARCH-family models. Future Business Journal, 11(1), 166. https://doi.org/10.1186/s43093-025-00568-w
Suryono, R. R., Budi, I., & Purwandari, B. (2020). Challenges and Trends of Financial Technology (Fintech): A Systematic Literature Review. Information, 11(12), Artigo 12. https://doi.org/10.3390/info11120590
Trimborn, S., & Härdle, W. K. (2018). CRIX an Index for cryptocurrencies. Journal of Empirical Finance, 49, 107–122. https://doi.org/10.1016/j.jempfin.2018.08.004
Troster, V., Tiwari, A. K., Shahbaz, M., & Macedo, D. N. (2019). Bitcoin returns and risk: A general GARCH and GAS analysis. Finance Research Letters, 30, 187–193. https://doi.org/10.1016/j.frl.2018.09.014
Urquhart, A. (2016). The inefficiency of Bitcoin. Economics Letters, 148, 80–82. https://doi.org/10.1016/j.econlet.2016.09.019
Wang, G.-J., Ma, X., & Wu, H. (2020). Are stablecoins truly diversifiers, hedges, or safe havens against traditional cryptocurrencies as their name suggests? Research in International Business and Finance, 54, 101225. https://doi.org/10.1016/j.ribaf.2020.101225
Wei, M., Sermpinis, G., & Stasinakis, C. (2023). Forecasting and trading Bitcoin with machine learning techniques and a hybrid volatility/sentiment leverage. Journal of Forecasting, 42(4), 852-871. https://doi.org/10.1002/for.2922
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Revista Gestão & Tecnologia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Os direitos, inclusive os de tradução, são reservados. É permitido citar parte de artigos sem autorização prévia desde que seja identificada a fonte. A reprodução total de artigos é proibida. Em caso de dúvidas, consulte o Editor.
