Cryptocurrency Volatility and Tail Risk: An Empirical Investigation Using ARMA-GARCH-X Models
An empirical investigation using ARMA-GARCH-X models
DOI:
https://doi.org/10.20397/2177-6652/2026.v26i1.3386Palavras-chave:
Cryptocurrencies; Risk Management; ARMA-GARCH; Value-at-Risk; Expected Shortfall.Resumo
Objetivo: Este estudo tem como objetivo avaliar o desempenho de diferentes especificações do modelo ARMA-GARCH na gestão de risco das principais criptomoedas, investigando se a inclusão de variáveis exógenas melhora a calibração de medidas de risco como Value-at-Risk (VaR) e Expected Shortfall (ES).
Metodologia: Para atingir esse objetivo, foram testadas 4.032 especificações do modelo ARMA-GARCH aplicadas às dez principais criptomoedas em negociação. O estudo incorporou o Índice de Medo e Ganância e o Volume de Negócios do Bitcoin como variáveis exógenas em uma estrutura ARMA-GARCH-X, comparando o desempenho das diferentes especificações em relação a um benchmark ARMA(1,1)-GARCH(1,1).
Originalidade: Apesar do crescente interesse na gestão de risco de criptoativos, ainda há lacunas na literatura quanto à eficácia da incorporação de variáveis exógenas em modelos de previsão, bem o incremento na qualidade das previsões à medida em que se utiliza modelagens mais complexas.
Principais resultados: Os resultados indicam que a inclusão de variáveis externas melhora a calibração de risco em alguns ativos, embora os ganhos sejam marginais e heterogêneos. Também se observa a ausência de uma parametrização ótima única, sendo necessário ajustar ordens ARMA, especificações GARCH e distribuições de erro para cada criptomoeda.
Contribuições teóricas / metodológicas: Do ponto de vista metodológico, o estudo contribui ao demonstrar a importância da calibração específica de modelos ARMA-GARCH para diferentes criptomoedas na estimação de risco. Ademais, os resultados sugerem que, embora modelos mais complexos possam melhorar a estimação do risco de cauda, os ganhos em capacidade preditiva em relação a modelos mais simples são limitados.
Palavras-Chave: Criptoativos; Gestão de Risco; ARMA-GARCH, Value-at-Risk; Expected Shortfall.
Referências
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
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2026 Revista Gestão & Tecnologia
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
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.
