A kriptovaluták, mint például a Bitcoin, Ethereum és más digitális eszközök, az utóbbi években egyre nagyobb népszerűségnek örvendenek. Ezek a digitális pénznemek különösen nagy volatilitást mutatnak, ami azt jelenti, hogy árfolyamuk gyakran és jelentős mértékben változik rövid időn belül. A volatilitás mögött számos tényező állhat, mint például a piaci spekuláció, szabályozási változások, technológiai fejlesztések és globális gazdasági események. A volatilitás kezelése és előrejelzése érdekében különböző statisztikai és ökonometriai modelleket fejlesztettek ki. Az egyik ilyen modell a SETAR (Self-Exciting Threshold AutoRegressive) modell, amely kifejezetten hasznos lehet olyan idősorok elemzésére, amelyek nem-lineáris dinamikával és rezsimfüggő viselkedéssel rendelkeznek, mint például a kriptovaluta árfolyamok. A feladat célja a SETAR modellek alkalmazása és hatékonyságának vizsgálata erősen volatilis kriptovaluta árak elemzésére. Az alábbiakban találhatóak a részletes feladatok: Gyűjtsön záróárfolyam adatokat legalább két különböző kriptovalutáról (pl. Bitcoin, Ethereum). Tisztítsa meg az adatokat, kezelje a hiányzó értékeket és normalizálja az adatokat az elemzéshez. Végezzen leíró statisztikai elemzést az adatokon, hogy megértse a kriptovaluták volatilitásának mértékét és mintázatait. Készítsen grafikus ábrázolásokat (pl. idősortáblázatok, hisztogramok) az adatok vizuális bemutatására. Határozza meg a SETAR modell paramétereit, beleértve a rezsimek számát és a küszöbértékeket. Illessze a SETAR modellt a kriptovaluta árfolyam adataira, és becsülje meg a modell paramétereit. Vizsgálja meg a modell illeszkedését és teljesítményét különböző diagnosztikai tesztek segítségével. Hasonlítsa össze a SETAR modell előrejelzési teljesítményét más lineáris és nem-lineáris modellekkel (pl. ARIMA, GARCH).

Cryptocurrencies like Bitcoin, Ethereum, and other digital assets have gained significant popularity in recent years. These digital currencies are known for their high volatility, meaning their prices can change frequently and substantially within short periods. Various factors can contribute to this volatility, such as market speculation, regulatory changes, technological developments, and global economic events. To manage and predict this volatility, different statistical and econometric models have been developed. One such model is the SETAR (Self-Exciting Threshold AutoRegressive) model, which is particularly useful for analyzing time series with nonlinear dynamics and regime-dependent behavior, such as cryptocurrency prices. The goal of this task is to apply SETAR models and evaluate their effectiveness in analyzing highly volatile cryptocurrency prices.