Ekonometrická analýza ceny Bitcoinu na globálním trhu

Abstract

Bitcoin je největší kryptoměna světa. Představuje specifickou třídu aktiv s vysokou cenovou volatilitou a rostoucí provázaností s tradičními finančními trhy. Pochopení faktorů určujících jeho cenový vývoj je klíčové pro investory i tvůrce hospodářské politiky. Dosavadní empirická literatura přitom neposkytuje konsenzuální závěry ohledně relativního přínosu kryptoměnových, makroekonomických a on-chain prediktorů. Cílem práce je ekonometrická analýza a predikce týdenních výnosů ceny Bitcoinu s využitím makrofinančních a on-chain prediktorů. Záměrem je rovněž identifikace specifikací s nejvyšší praktickou využitelností na nezávislém hold-out vzorku roku 2025. Využita je automatizovaná selekční pipeline prohledávající tisíce kandidátních specifikací napříč pěti strukturálními větvemi. Specifikace jsou hodnoceny kombinovaným skóre zahrnujícím kvalitu fit i diagnostiku reziduí. Odhadnuty byly modely OLS, modely podmíněné volatility třídy GARCH a metody strojového učení. Výsledky poukazují na dominantní vliv synchronní ceny Etherea na týdenní výnosy Bitcoinu. Jeho vyloučení vede k výraznému poklesu vysvětlující i predikční síly napříč všemi metodami. Z doplňkových přístupů dosáhl Random Forest nejnižší predikční chyby, což naznačuje přítomnost nelineárních vztahů v datech. Modely GARCH prokázaly silnou setrvačnost podmíněné variance a přínos pro konstrukci pravděpodobnostních predikovacích intervalů. Sestavená pipeline představuje jednotný rámec pro selekci, diagnostiku a out-of-sample validaci napříč třemi třídami modelů a přispívá k hlubšímu pochopení faktorů ovlivňujících krátkodobý vývoj ceny Bitcoinu.

Bitcoin is the world's largest cryptocurrency. It represents a specific asset class characterised by high price volatility and growing integration with traditional financial markets. Understanding the factors driving its price dynamics is crucial for investors and policymakers. Yet the existing empirical literature offers no consensus on the relative contribution of crypto-specific, macroeconomic, and on-chain predictors. The aim of this thesis is the econometric analysis and prediction of weekly Bitcoin price returns using macro-financial and on-chain predictors. It also seeks to identify specifications with the highest practical utility on an independent hold-out sample covering the year 2025. An automated selection pipeline searching thousands of candidate specifications across five structural branches was employed. Specifications are evaluated by a composite score combining goodness-of-fit and residual diagnostics. OLS models, GARCH-class conditional volatility models, and machine learning methods were estimated. The results indicate a dominant influence of the synchronous Ethereum price on weekly Bitcoin returns. Its exclusion leads to a substantial decline in explanatory and predictive power across all methods. Among supplementary approaches, Random Forest achieved the lowest prediction error, suggesting the presence of nonlinear relationships in the data. GARCH models confirmed strong conditional variance persistence and proved valuable for constructing probabilistic prediction intervals. The developed pipeline provides a unified framework for selection, diagnostics, and out-of-sample validation across three model classes, contributing to a deeper understanding of the factors driving short-term Bitcoin price dynamics.