در سال های اخیر، به دلیل توسعه و ارزش گذاری زیاد ارزهای دیجیتال، توجه فزاینده ای به ارزهای دیجیتال معطوف شده است. در این مطالعه، ما پیشنهاد می‌کنیم که چهار مورد از ارزهای دیجیتال اصلی را براساس ارزش بازار و در دسترس بودن داده‌ها تجزیه و تحلیل کنیم: بیت‌کوین، اتریوم، ریپل و لایت‌کوین. ما از تحلیل نوسانات بدون روند (معمولی و با رویکرد پنجره های کشویی) و تحلیل همبستگی متقاطع بدون روند و ضریب همبستگی مربوطه استفاده می کنیم. ما متوجه شدیم که بیت‌کوین و ریپل به‌عنوان دارایی‌های مالی کارآمد رفتار می‌کنند، در حالی که اتریوم و لایت‌کوین شواهدی از تداوم ارائه می‌دهند. هنگام همبستگی بیت کوین با سایر ارزهای دیجیتال مورد تجزیه و تحلیل، متوجه می شویم که برای مقیاس های زمانی کوتاه، همه ارزهای دیجیتال از نظر آماری همبستگی معنی داری با بیت کوین دارند، اگرچه ریپل بالاترین همبستگی را دارد. برای مقیاس های زمانی بالاتر، ریپل تنها ارز دیجیتال با همبستگی قابل توجه است.
1. مقدمه
با ظهور سرمایه گذاران جدید که به دنبال امکان افزایش درآمد خود از طریق فناوری های جدید هستند، پیشرفت های فناوری، محصولات و خدمات مالی جدید و همچنین فرصت های سرمایه گذاری جدید را به بازار معرفی می کند. یکی از بازارهای جدیدی که در سال های اخیر در حال ظهور است، بازار ارزهای مجازی است که به عنوان ارزهای دیجیتال نیز شناخته می شود. اگرچه بازار سرمایه گذاری جدیدی است، اما همزمان با تامین نیازهای بازده سرمایه گذاران خود، نوید انقلابی در بازار ارز را می دهد.
توسعه سریع ارزهای رمزنگاری شده نیز توجه محققان را به خود جلب کرده است، با حجم فزاینده ای از ادبیات در مورد این موضوع (در میان دیگران به Urquhart 2018 یا Corbet et al. 2018 مراجعه کنید). علاوه بر مطالعاتی که به تجزیه و تحلیل تکامل قیمت ها و/یا بازدهی ارزهای دیجیتال اختصاص داده شده است، که در بخش بعدی به آن پرداخته خواهد شد، سایر مطالعات مسائل مختلفی را تحلیل می کنند، از مقررات مربوط به ارزهای دیجیتال (برای مثال به Chaffee 2018 یا Li et مراجعه کنید. al. 2019) به پیوندهای احتمالی به فعالیت های غیرقانونی (به van Wegberg و همکاران 2018 یا Campbell-Verduyn 2018 مراجعه کنید).
در این مقاله، ما دو تکنیک مختلف (تحلیل نوسانات بدون روند (DFA) و تحلیل همبستگی متقاطع بدون روند (DCCA)) را با هدف تحلیل نوسانات قیمت ارزهای دیجیتال اصلی اعمال می‌کنیم. ما تصمیم به تجزیه و تحلیل رفتار بیت کوین، اتریوم، ریپل و لایت کوین داریم، زیرا این ارزها جزو ارزهای دیجیتال با سرمایه بیشتر هستند و همچنین از جمله ارزهایی هستند که داده های بیشتری در دسترس دارند.
ما با تجزیه و تحلیل وجود وابستگی در هر یک از سری های زمانی جداگانه با DFA ساده شروع می کنیم. با این تکنیک، می‌توانیم وابستگی یک سری زمانی معین را در کل ارزیابی کنیم. با انتقال تجزیه و تحلیل به یک سری زمانی مالی، می توانیم ببینیم که آیا از فرضیه بازار کارآمد پشتیبانی وجود دارد یا خیر. از آنجایی که بازار ارزهای دیجیتال بسیار سریع تکامل یافته است، تجزیه و تحلیل اینکه آیا وابستگی نیز در طول زمان تکامل یافته است مفید است. با این هدف، ما همچنین یک رویکرد پنجره‌های کشویی برای DFA ایجاد می‌کنیم و بنابراین می‌توانیم ببینیم که آیا چهار ارز دیجیتال مورد مطالعه اکنون به الگوی کارآمد نزدیک‌تر هستند یا خیر.
انگیزه اصلی مقاله درک تکامل وابستگی در ارزهای دیجیتال اصلی در طول زمان و درک اینکه آیا پس از سقوط قیمت ارزهای دیجیتال در پایان سال 2017، تغییراتی رخ داده است یا خیر. به طور خاص، همانطور که از رویکرد ویندوز کشویی استفاده می‌کنیم، می‌توانیم ارزیابی کنیم که آیا این شوک قیمتی الگوی کارایی ارزهای دیجیتال تحلیل‌شده را تغییر داده است یا خیر. در نهایت، با استفاده از DCCA و ضریب همبستگی آن، می‌توانیم همبستگی بین ارزهای دیجیتال را با مزیت به دست آوردن نتایج برای مقیاس‌های زمانی مختلف ارزیابی کنیم (در این مورد، بیت‌کوین را با بقیه همبستگی می‌کنیم). این مقاله نه تنها با گسترش تجزیه و تحلیل ارزهای دیجیتال اصلی، بلکه با انجام یک تحلیل پویا از کارایی به ادبیات موجود کمک می کند، که می تواند به نظارت مستمر این دارایی برای این دارایی ها کمک کند.
نتایج اصلی ما به شواهدی مبنی بر کارایی بیت‌کوین و ریپل اشاره می‌کند، اگرچه پس از کاهش قیمت در پایان سال 2017، همه ارزهای دیجیتال شواهدی از تداوم نشان می‌دهند. همچنین دریافتیم که در کوتاه‌مدت، ریپل، اتریوم و لایت‌کوین با بیت‌کوین همبستگی دارند، اما در بلندمدت، تنها اولی همبستگی قابل‌توجهی را نشان می‌دهد.
باقیمانده مقاله به شرح زیر سازماندهی شده است: بخش 2 یک بررسی مختصر ادبیات در مورد موضوعات مورد تجزیه و تحلیل را ارائه می دهد. بخش 3 داده ها و روشهای مورد استفاده در این کار را توضیح می دهد. بخش 4 نتایج را ارائه می دهد. و بخش 5 نتیجه می گیرد.
2. بررسی مختصر ادبیات
طبق اعلام بانک برای شهرک های بین المللی (2015) ، ارزهای رمزپایه اشکال پول مجازی هستند که برای اطمینان از ایجاد و توزیع ارزش به روش ایمن ، از طریق شبکه ای از رایانه ها ، به روش های رمزنگاری متکی هستند. ارزهای رمزنگاری شده ، به جای تکیه بر یک بانک متمرکز یا مرجع پولی ، به رمزگذاری ، الگوریتم ها و فن آوری های همسالان بستگی دارند تا کاربران بتوانند بدون عبور از هر واسطه ای پول را با خیال راحت انتقال دهند. اولین رمزنگاری غیر متمرکز در سال 2009 با نام بیت کوین ظاهر شد و از آن زمان تاکنون بیش از 500 ارز رمزنگاری شده است.
بر اساس کل سرمایه گذاری در بازار و در دسترس بودن داده ها ، ما تصمیم گرفتیم که چهار مورد از ارزهای اصلی را تجزیه و تحلیل کنیم: بیت کوین ، اتریوم ، ریپل و Litecoin. ما با تجزیه و تحلیل وابستگی آن سری های زمانی ، که با مفهوم کارآیی بازار ، مفهوم بسیار مشهور FAMA (1970) و فرضیه بازار کارآمد وی (EMH) همراه است ، شروع کردیم. به گفته نویسنده ، یک بازار کارآمد کالایی است که در آن قیمت ها تمام اطلاعات موجود یک دارایی معین را منعکس می کند ، با این وجود امکان پیش بینی قیمت آینده بر اساس اطلاعات تاریخی امکان پذیر نیست ، یعنی قیمت بازار غیرقابل پیش بینی و تصادفی است.
علیرغم شناسایی EMH توسط FAMA ، این تصور که قیمت سهام دارای یک رفتار تصادفی است ، جدید نبود. در قرن نوزدهم ، یک اقتصاددان فرانسوی با مدلهای تصادفی از قیمت کار می کرد (جووانوویچ و گال 2001) و در سال 1900 ، کارشناسی نتیجه گرفت که قیمت اوراق قرضه دولت فرانسه نیز متغیرهای تصادفی است (کارشناسی [1900] 1964). از آن به بعد ، و تا زمانی که شناسایی EMH توسط FAMA ، بسیاری از محققان دیگر حرکات قیمت در بازارهای مالی را بررسی کرده و از احتمال تصادفی حمایت می کنند (به عنوان مثال ، آزبورن 1959 ، 1962 ؛ گرنجر و مورگنسون 1963 ؛ و ساموئلسون 1965 ، از جملهدیگران). با این حال ، برخی از کارها احتمال عدم تناقض با پیاده روی تصادفی را مشخص کردند ، و برخی از حقایق تلطیف شده در داده های مالی مانند لپتوکورسیت یا خوشه بندی نوسانات را پیدا کردند (ماندلبروت 1963 ؛ ماندلبروت و والیس 1969).
EMH ارائه شده توسط FAMA (1970) به سنگ بنای مالی تجربی و نظری تبدیل شد ، با برخی بحث ها و بحث و جدال در ادبیات مالی ، یعنی استفاده از مارتینگال ها به جای پیاده روی های تصادفی برای توضیح قیمت ها ، زیرا مارتینگال ها مدل های کمتری محدود کننده هستند ، فقط به آن نیاز دارند. اولین لحظه بازده مستقل از اطلاعات موجود است. لحظات بالاتر ممکن است با استفاده از اطلاعات گذشته قابل پیش بینی باشد ، اما این ویژگی لزوماً به معنای عدم اعتبار از EMH نیست ، به این معنی که غیر خطی ها و وابستگی زمان می توانند بدون تأیید EMH شناسایی شوند (آندرو و همکاران 2001 ؛ مک کولیو همکاران 2008).
هدف ما این است که با توجه به تعداد زیادی از مطالعات در مورد این موضوع در ادبیات ، بررسی گسترده ای از EMH انجام دهیم. به عنوان مثال ، ین و لی (2008) مشخص کردند که بیشتر مطالعات با وجود برخی از نتایج متناقض ، از EMH پشتیبانی می کنند.
در مورد خاص ارزهای رمزنگاری شده ، برخی از کارها به تجزیه و تحلیل کارآیی این بازار خاص ، مانند مطالعات Urquhart (2016) ، Bariviera (2017) ، Nadarajah و Chu (2017) یا Tiwari و همکاران اختصاص داده شده است.(2018). به طور کلی ، این نویسندگان دریافتند که ارزهای رمزنگاری شده از EMH پیروی نمی کنند. اخیراً شواهدی از افزایش کارآیی در این بازار خاص وجود دارد (Khuntia and Pattanayak 2018).
تجزیه و تحلیل کارآیی در ارزهای رمزنگاری شده در ادبیات فزاینده ای در مورد این نوع دارایی خاص وجود دارد که Kyriazis (2019) یک نظرسنجی بسیار جامع انجام می دهد. در تنوع مطالعات ، چندین مقاله از روشهای فراکتال استفاده می کنند. به عنوان مثال ، Urquhart (2016) ، Bariviera (2017) ، Bariviera و همکاران.(2017) ، Tiwari و همکاران.(2018) ، یا ژانگ و همکاران.(2018a ، 2018b) و ژانگ و همکاران.(2019) همچنین از DFA استفاده کرد ، در حالی که Lahmiri و Bekiros (2018) از اصلاح چند عاملی DFA استفاده کردند. برآورد نمایندگان Hurst ، با روش های غیر از DFA ، توسط جیانگ و همکاران انجام می شود.(2018) و ژانگ و همکاران.(2019) (همچنین با استفاده از رویکرد ویندوز کشویی) و Köchling و همکاران.(2018) (به طور مشترک با روش های دیگر). El Alaoui و همکاران.(2018) همچنین از Multifactality استفاده کرد ، اما با DCCA. به طور کلی ، این مطالعات نتیجه می گیرند که ارزهای رمزنگاری ناکارآمد هستند ، اگرچه در برخی موارد ، ناکارآمدی با گذشت زمان کاهش می یابد.
نوع دیگری از مطالعه در بازارهای مالی ، تجزیه و تحلیل همبستگی بین دارایی های مالی است. در ابتدا ، تجزیه و تحلیل همبستگی در اصل از رویکردهای خطی استفاده می شود ، اما با توسعه روشها و تکامل ظرفیت محاسباتی ، سایر رویکردهای مختلف ایجاد شده است ، مانند روشی که در اینجا مورد استفاده قرار می گیرد. با توجه به مورد خاص بازار cryptocurrency ، Antonakakis و همکاران.(2019) و سیلوا و همکاران.(2019) برخی از نمونه هایی از مطالعات است که رفتار بین ارزهای مختلف رمزنگاری را تجزیه و تحلیل می کند.
نکته نهایی ، که هنگام تجزیه و تحلیل EMH مهم است ، این است که با وجود یافتن انحراف از رفتار مورد انتظار قیمت ها ، صرف نظر از در نظر گرفتن پیاده روی های تصادفی یا Martingales ، هیچ مطالعه ای برای تأیید رد EMH شناخته نشده است. این یک نکته مهم است زیرا حتی در حضور نوعی وابستگی ، ما نمی توانیم به طور مستقیم استنباط کنیم که سرمایه گذاران می توانند سودهای غیرطبیعی را به طور منظم بدست آورند.
3. روش و داده ها
بازار cryptocurrency می تواند به عنوان یک ابزار جدید اقتصادی و مالی در نظر گرفته شود (بارتوس 2015). به همین ترتیب ، و از آنجا که چندین عامل و منبع عدم اطمینان را در بر می گیرد ، می تواند به عنوان یک سیستم پیچیده در نظر گرفته شود. با توجه به این پیچیدگی ، همراه با غیر خطی احتمالی ، استفاده از روشهای معمولی ممکن است کافی نباشد و روشهای مربوط به اکونوفیزیک می تواند توضیحات بهتری در مورد متغیرها ارائه دهد (چاکربارتی و همکاران 2006).
با هدف ارزیابی همبستگی چند مقیاس هر یک از رمزنگاری های فردی ، ما از تجزیه و تحلیل نوسان دفع شده (DFA) ، پیشنهاد شده توسط پنگ و همکاران استفاده می کنیم.(1994). در ابتدا برای مطالعه پدیده های طبیعی استفاده می شود (علاوه بر کار اصلی ، به (پنگ و همکاران 1995) مراجعه کنید) ، از آن نیز در بازارهای مالی استفاده شده است. از آنجا که می تواند وابستگی یک سری زمانی معین را اندازه گیری کند ، می تواند برای تجزیه و تحلیل تأیید احتمالی EMH استفاده شود. بر اساس یک سری زمانی معین X T از طول N ، DFA با ادغام سری زمانی شروع می شود ، یعنی محاسبه
جایی که 〈x〉 مقدار متوسط مشاهده شده است. x t مبلغ تجمعی یا مشخصات سری زمانی اصلی است که سپس به ویندوزهای زمان با طول n تقسیم می شود. در آن پنجره ها ، حداقل مربعات معمولی برای محاسبه روند محلی استفاده می شود و پس از معادله افتتاح (1) با روند محاسبه شده ، به ما اجازه می دهد تا عملکرد نوسان داده شده توسط موارد زیر را بدست آوریم:
جایی که x ˜ t روند است. این فرآیند برای اندازه های مختلف پنجره های بعد N تکرار می شود ، و رابطه log-log بین f (n) و n یک قانون برابر با f (n) ∝ n α است ، جایی که نمایه α پارامتر مربوطه استبه دست آمده ، و می توان به شرح زیر تعبیر کرد: α = 0. 5 نشان می دهد که سری زمانی را می توان با یک پیاده روی تصادفی توصیف کرد (در این حالت ، به این معنی که بازار مالی داده شده می تواند به عنوان کارآمد در نظر گرفته شود). اگر 0. 5< α < 1, a positive long-range dependence exists in the time series, that is, it has persistent behaviour; if α < 0.5, this indicates the existence of negative long-range dependence (the time series is anti-persistent). A value of α = 1 identifies a pink noise and α >1 نشان می دهد که وابستگی دوربرد با قانون قدرت توضیح داده نمی شود ، اما این دو نتیجه معمولاً در سری زمانی مالی یافت نمی شود.
همانطور که قبلاً نیز گفته شد ، DFA قبلاً در داده های مالی مورد استفاده قرار گرفته است ، به عنوان مثال ، در کار Cao و Zhang (2015) ، Anagnostidis و همکاران.(2016) ، یا فریرا و همکاران.(2017) ، برای شناسایی تنها برخی از کارهای اخیر. حتی در مورد ارزهای رمزنگاری ، نمونه هایی از کار ال یاهیا و همکاران را داریم.(2018) ، ژانگ و همکاران.(2018a ، 2018b) ، یا Alvarez-Ramirez و همکاران.(2018).
از آنجا که ما همچنین می خواهیم تکامل Exponent DFA را تجزیه و تحلیل کنیم ، یک رویکرد ویندوز کشویی را اعمال می کنیم. در این حالت ، ما کل نمونه خود را در نمونه های متوالی از 1000 مشاهده تبدیل می کنیم ، یعنی با شروع محاسبه DFA برای نمونه از t = 1 ،… ، 1000 ؛سپس برای t = 2 ،… ، 1001 ؛و غیرهاستفاده از چنین اندازه ویندوز یک انتخاب منظم است ، و همچنین معمول است که این نوع رویکرد را در مطالعات مالی پیدا کنید (به Carbone و همکاران 2004 مراجعه کنید). در این حالت ، ما یک سری زمانی از نمایندگان α ایجاد می کنیم ، که به ما امکان می دهد تکامل رفتار وابستگی را با گذشت زمان ارزیابی کنیم. سایر مطالعات استفاده از این روش در داده های مالی ، توسط Cajueiro و Tabak (2004a ، 2004b ، 2006 ، 2008a ، 2008b) است.
بر اساس این سری های زمانی ، ما از شاخص کارآیی (EI) تعریف شده توسط Kristoufek و Vosvrda (2013) استفاده می کنیم و توسط
جایی که مiهر یک از مقادیر برای نمایش DFA است ، M * مقدار مورد انتظار برای راندمان بازار (0. 5 در مورد DFA) و R استiدامنه اندازه گیری (در مورد DFA ، برابر با 1). با محاسبه EI ، ما کارآمدترین دارایی را به عنوان یکی از کمترین مقدار داریم.
برای تجزیه و تحلیل همبستگی بین بیت کوین و سایر ارزهای مهم رمزنگاری ، ما از تجزیه و تحلیل همبستگی متقابل (DCCA) استفاده خواهیم کرد. DCCA که توسط Podobnik و Stanley (2008) پیشنهاد شده است ، با DFA شباهت هایی دارد ، هم در خصوصیات (امکان ارزیابی همبستگی برای مقیاس های مختلف) و در مراحل مختلف. بنابراین ، بر اساس سری زمانی اصلی Xtو yt، با ادغام هر دو سری ، به طور مشابه با روش شرح داده شده در معادله (1) شروع می شود. سری همچنین به پنجره های طول n تقسیم می شود ، بر اساس روند محاسبه شده توسط حداقل مربعات معمولی و برای محاسبه کواریانس باقیمانده ها ،
این روند برای همه جعبه های طول و نماینده DCCA که توسط یک قانون قدرت ارائه شده است ، تکرار می شود. با این حال ، ما از نمایش DCCA استفاده نمی کنیم. از آنجا که ما علاقه مند به اندازه گیری میزان رابطه هستیم ، ضریب همبستگی ایجاد شده توسط Zebende (2011) را اعمال می کنیم و توسط
این ضریب همبستگی DFA و DCCA را برای داشتن ضریب با خواص مورد نظر ، از جمله دیگران ، کارآمد و بین 1 تا 1 (به کریستوفک 2014 و ژائو و همکاران 2017) ترکیب می کند. برخی از کاربردهای این تکنیک در امور مالی ، به عنوان مثال ، در فریرا و دیونسیو (2015) ، فریرا و همکاران یافت می شود.(2016 ، 2019) ، یا پریرا و همکاران.(2018). ما با استفاده از روش پیشنهادی Podobnik و همکاران ، اهمیت همبستگی ها را آزمایش می کنیم.(2011).
همانطور که قبلاً گفته شد ، ما به دلیل سرمایه گذاری زیاد آنها در لحظه بازیابی داده ها ، بلکه بر اساس در دسترس بودن داده ها ، رفتار بیت کوین ، اتری ، ریپل و Litecoin را تجزیه و تحلیل می کنیم. در جدول 1 اطلاعات تحلیل شده شرح داده شده است.
نمونه ای که ما استفاده می کنیم برای هر یک از چهار ارز رمزنگاری تحت تجزیه و تحلیل متفاوت است و با توجه به در دسترس بودن به دست می آید ، زیرا هر cryptocurrency دارای تاریخ ایجاد متفاوت است. اگرچه بسیاری از ارزهای رمزپایه دیگر داده های موجود را در دسترس دارند ، زیرا ما از یک رویکرد کشویی ویندوز (با ویندوز از 1000 مشاهده) استفاده می کنیم ، ما به نمونه هایی احتیاج داریم که به ما امکان می دهد نه تنها به اندازه پنجره برسیم ، بلکه برای اطمینان از نتایج کافی نیز خواهیم داشتتحول در نمایندگان DFA را تجزیه و تحلیل کنید. بنابراین ، ما روز شروع تجزیه و تحلیل را به عنوان آگوست 2015 تعیین کردیم تا از اطلاعات مربوط به اتریوم نیز استفاده کنیم و به تجزیه و تحلیل سه ارز رمزنگاری عمده دیگر اجازه دهیم.
4. نتایج
شکل 1 تکامل قیمت های ارزهای رمزپایه تحت تجزیه و تحلیل را نشان می دهد. قیمت ها در پایان سال 2017/آغاز سال 2018 به اوج می رسند. بر اساس آن قیمت ها ، بازده لگاریتمی را محاسبه کردیم ، با جدول 2 آمار توصیفی مربوطه را نشان می دهد. تمام ارزهای رمزنگاری شده ارزش خود را افزایش دادند ، با این که بیت کوین بالاترین میانگین را بدست آورد. حداقل و حداکثر مقادیر نشان می دهد که تغییرات شدید رخ داده است ، با سه مورد از چهار ارز رمزنگاری که نشان دهنده پوستی مثبت است ، یعنی با بازده بالاتر مکرر از بازده پایین تر. استثناء Ethereum بود که نشان دهنده یک شکاف منفی است ، در این حالت به این معنی که بازده منفی بیشتر است. این واقعیت که این جدیدترین رمزنگاری در مطالعه است می تواند این نتیجه را توضیح دهد ، زیرا به سرعت به سقوط قیمت در این بازار رسید. سرانجام ، تمام ارزها مقادیر كورتوز بسیار بالایی را نشان می دهند ، به این معنی كه آنها توزیع لپتكورتیک دارند ، كه این یك واقعیت شكارتر در بازارهای مالی است.
ما تجزیه و تحلیل خود را با استفاده از DFA در کل نمونه هر رمزنگاری (جدول 3) ادامه می دهیم. با تجزیه و تحلیل نمایندگان ، می توان نتیجه گرفت که ، برای کل نمونه ، بیت کوین و اتریوم همبستگی دوربرد مثبت را نشان دادند (0. 5< α < 1), while Ripple and Litecoin presented a negative long-range correlation (α < 0.5), although in the case of Ripple, it is very near to the 0.5 level. Analysing the available sample, Ripple seems to be the most efficient cryptocurrency, followed by Bitcoin, while Ethereum and Litecoin are more distant from that pattern.
نمایندگان قبلی وابستگی کل سری زمانی را مشخص می کنند ، اما با هدف تجزیه و تحلیل این وابستگی به صورت پویا ، ما یک ویندوز کشویی DFA را بر اساس ویندوز از 1000 مشاهده انجام دادیم. با این تجزیه و تحلیل ، ما می توانیم تکامل آن نمایندگان را با گذشت زمان درک کنیم.
نتایج ارائه شده در شکل 2 ، که در آن خطوط سیاه نشان دهنده تکامل نمایندگان DFA در طول زمان و میله های قرمز انحراف استاندارد تخمین های DFA است ، جالب است. در مرحله اول ، این واقعیت که بیت کوین در بخش قابل توجهی از نمونه ، دارای نمای DFA در سطح 0. 5 است ، در حالی که این اتفاق با هیچ یک از ارزهای رمزنگاری دیگر رخ نمی دهد. در حقیقت ، اتریوم همیشه یک رفتار مداوم دارد ، در حالی که Litecoin و Ripple از یک رفتار ضد مداوم به یک عمل مداوم منتقل می شوند. جالب ترین ویژگی این است که در قسمت آخر نمونه ، پس از افت قیمت رمزنگاری ، بیشتر نمایندگان مثبت هستند.
استفاده از شاخص بهره وری (EI) ، با نتایج ارائه شده در جدول 4 ، به ما این امکان را می دهد که نتیجه بگیریم که Litecoin و Ethereum کمترین کارآمدترین ارزهای رمزپایه هستند ، زیرا بالاترین سطح EI را دارند ، در حالی که بیت کوین و ریپل نتایج نسبتاً مشابهی دارند ، اگرچه بایک مزیت جزئی برای بیت کوین.
هنوز هم بر اساس نمایندگان DFA ، ما از روش Ferreira (2018) برای تجزیه و تحلیل اهمیت نمایندگان Hurst استفاده می کنیم. بر اساس برآوردهای نمایشگر HURST و انحرافات استاندارد (به ترتیب توسط α α و S. d. (α) ، به ترتیب) ، آزمون آماری T = α ˜ - 0. 5 ثانیه است. د.(α) به ما اجازه می دهد تا فرضیه هر پارامتر برابر با 0. 5 را آزمایش کنیم. نتایج در شکل 3 ارائه شده است ، جایی که خطوط متراکم مقادیر بحرانی را نشان می دهد ، به این معنی که اگر آمار در داخل آن گروهها باشد ، فرضیه یک نماینده برابر با 0. 5 رد نمی شود. نتایج به ما امکان می دهد نتیجه بگیریم که به نظر می رسد بیت کوین در بیشتر نمونه ها یک رفتار کارآمد دارد ، اگرچه در پایان نمونه ، شواهد کمتری وجود دارد. برای ارزهای رمزنگاری باقی مانده ، آزمایش ایده ناکارآمدی را تأیید می کند ، حداقل در مقایسه با بیت کوین (اگرچه Litecoin ، در طول بخشی از نمونه ، دارای مقادیر آماری در زیر خطوط متراکم است).
ما با استفاده از ضریب همبستگی DCCA بین بیت کوین و سایر ارزهای رمزنگاری شده ، تجزیه و تحلیل آماری خود را نتیجه می گیریم ، با نتایج ارائه شده در شکل 4. Ripple بالاترین همبستگی با بیت کوین را دارد ، با سطح قابل توجهی در تمام مقیاس های زمانی. برای مقیاس زمانی کوتاه تر ، اتریوم همبستگی بالاتری نسبت به Litecoin دارد ، اما در حدود مقیاس زمانی 100 روز ، این موقعیت تغییر می کند و برای حدود 110 روز ، همبستگی ها دیگر قابل توجه نیستند ، به این معنی که در دراز مدت ، آن ارزهای رمزنگاری قابل توجهی نیستندبا بیت کوین ارتباط دارد.
در اینجا ، ما می خواهیم با نتایج ژانگ و همکاران مقایسه کنیم.(2019) ، که همچنین با رویکرد ویندوز کشویی ، نمایشگر Hurst از همان چهار ارز رمزنگاری را اندازه گیری کرد ، اما با استفاده از داده های داخل فرکانس بالا. با توجه به سطح وابستگی ، تفاوت اصلی در آن مطالعه در این است که اتریوم و بیت کوین الگوهای مشابهی را نشان می دهند. این واقعیت که نمونه کل کوچکتر است (مجموعه داده فقط برای بخشی از سال 2017 است) و استفاده از داده های فرکانس بالا می تواند اختلافات را توجیه کند ، از این رو بیشتر به این دلیل که نویسندگان به وضوح تشخیص می دهند که برای ویندوزهای کوتاه ، ارزهای رمزنگاری شده به نظر می رسدکارآمد.
همچنین برای الگوی همبستگی، مطالعه ژانگ و همکاران.(2019) نتایج متفاوتی را نشان می دهد و برخی تفاوت ها را شناسایی می کند، یعنی ارتباط قوی تر بین اتریوم و بیت کوین. علاوه بر تفاوت نمونه و نوع داده که قبلا ذکر شد، در این مورد خاص، نویسندگان از همبستگی پیرسون استفاده می‌کنند، در حالی که در مطالعه ما از معیار همبستگی متفاوتی استفاده می‌کنیم که کلی‌تر است و نه تنها خطی، بلکه غیر همبستگی را اندازه‌گیری می‌کند. همبستگی های خطی
5. نکات پایانی
ما پیشنهاد کردیم که ارزهای دیجیتال اصلی را با توجه به ارزش بازارشان، با استفاده از روشهای مختلف تجزیه و تحلیل کنیم. استفاده از DFA، به‌ویژه رویکرد پنجره‌های کشویی، به ما امکان می‌دهد تا تکامل وابستگی هر یک از ارزهای دیجیتال را در طول زمان شناسایی کنیم، که می‌تواند با کارایی آن دارایی‌ها مرتبط باشد. علاوه بر این، استفاده از DCCA، همانطور که پیشنهاد شد، چگونگی ارتباط اتریوم، لایت کوین و ریپل را با بیت کوین مشخص می کند. برای درک بهتر نتیجه گیری، بخش پایانی خود را به سه بخش فرعی تقسیم می کنیم.
5. 1. نتیجه گیری های اصلی
تجزیه و تحلیل DFA و استفاده از پنجره های کشویی به ما امکان می دهد تا در مورد تکامل وابستگی ارزهای دیجیتال مورد مطالعه نتیجه گیری کنیم. یکی از یافته های مطالعه ما این است که به نظر می رسد بیت کوین کارآمدترین ارز دیجیتال است. این یک نتیجه شگفت‌انگیز نیست، زیرا مطابق با مطالعات قبلی است، بلکه به این دلیل که بیت‌کوین بالغ‌ترین ارز دیجیتال است. در واقع، اگرچه در حال حاضر دارای ارزش بازار بالاتری هستند، سایر ارزهای دیجیتال جوان تر هستند. عدم بلوغ آنها در مقایسه با بیت کوین می تواند به توضیح این نتایج کمک کند.
هنوز در مورد نتایج DFA، جالب است بدانید که در پایان سال 2017، الگوی وابستگی بیت کوین تغییر کرد و به سمت رفتار پایدار حرکت کرد (علی رغم بهبودی در پایان نمونه). کاهش شدید قیمت ها در پایان سال 2017 می توانست باعث بی ثباتی بازار شود. جالب توجه است که لایت کوین و ریپل نیز افزایش مشابهی در ماندگاری داشتند، که نشان می‌دهد آن ارزهای رمزپایه تأثیر یکسانی داشتند. در مورد اتریوم، کل نمونه همان الگوی پایدار را نشان می دهد. نمونه کوچکتر و اندازه پنجره مورد استفاده می تواند این نتیجه را توضیح دهد.
با توجه به همبستگی ها، تمام ارزهای دیجیتال مورد مطالعه با بیت کوین همبستگی دارند و ریپل قوی ترین همبستگی را ارائه می دهد. با این حال، سطوح اهمیت با توجه به مقیاس های زمانی متفاوت متفاوت است. در حالی که برای مقیاس‌های زمانی کوتاه، همبستگی‌ها همه معنی‌دار هستند (علیرغم اینکه لایت‌کوین سطوح همبستگی نسبتاً پایینی دارد)، برای مقیاس‌های زمانی طولانی، تنها همبستگی‌های معنادار مربوط به ریپل است. بنابراین در دراز مدت می توان نتیجه گرفت که لایت کوین و اتریوم با بیت کوین همبستگی ندارند.
5. 2. پیامدهای بالقوه برای بازارها و سرمایه گذاران
شواهد وابستگی در ارزهای دیجیتال مختلف می‌تواند پیامدهای عملی برای نحوه عملکرد بازارها داشته باشد، زیرا وابستگی‌ها می‌توانند احتمال نوعی پیش‌بینی را افزایش دهند. وجود تداوم، به این معنی که احتمال وقوع یک نتیجه مشخص در دوره بعدی بیشتر است، می تواند اطلاعاتی را برای عوامل بازار فراهم کند. علاوه بر این، این واقعیت که برخی از ارزهای دیجیتال می‌توانند سیگنال ناکارآمدی بالاتری داشته باشند، می‌تواند اطلاعاتی درباره مکان سرمایه‌گذاری، اگر بخواهید بر بازار ارزهای دیجیتال تمرکز کنید، ارائه دهد.
علیرغم شواهد آشکار ناکارآمدی، و همانطور که قبلاً شناسایی شد، احتیاط لازم است، زیرا ممکن است لزوماً به معنای ظرفیت برای سودهای غیرعادی نباشد، زیرا این امر به مسائلی مانند نقدینگی یا حتی هزینه های مبادله بستگی دارد. علاوه بر این، همانطور که اشاره شد، ارزهای دیجیتال مختلف در مرحله بلوغ یکسانی نیستند. در نهایت، شناخت بالای بیت کوین در مقایسه با سایر ارزهای دیجیتال را نباید نادیده گرفت. این به همراه درجه های مختلف سررسید می تواند پیامدهایی داشته باشد، به عنوان مثال، برای نقدینگی.
با توجه به نتایج همبستگی ها، مهم است که ابتدا ارتباط ارزهای دیجیتال مختلف با بیت کوین را شناسایی کنیم. اگرچه در درجات مختلف، و در حالی که همبستگی در کوتاه مدت بیشتر است، ارتباط بین آن دارایی ها برای تصمیم گیری های سرمایه گذاری نمایندگان مهم است. علاوه بر این، اگر در کوتاه مدت، همبستگی ها قابل توجه باشد، در برخی موارد در بلندمدت، این همبستگی ها قابل توجه نیست، که می تواند برای اهداف متنوع سازی، اگر گزینه سرمایه گذاری در این بازار خاص باشد، استفاده شود.
5. 3. محدودیت ها و تحقیقات آینده
با وجود نتایج جالب، محدودیت اصلی این مطالعه کاهش حجم نمونه برخی از ارزهای دیجیتال است. این به این دلیل اتفاق می‌افتد که برخی از ارزهای دیجیتال تحلیل‌شده نسبتاً جدید در بازار هستند (و سایر ارزهای استفاده نشده مشاهدات کمتری دارند). به دنبال موفقیت ظاهری این بازار مالی جدید، بسیاری از ارزهای دیجیتال جدید ظاهر می‌شوند و برای ارزهای جدیدتر، برخی ناپختگی دارایی‌ها می‌تواند منجر به تداوم در بازار شود. این ویژگی ها باید در نظر گرفته شود و نتیجه گیری باید با احتیاط انجام شود.
محدودیت دیگر رویکرد همبستگی است، فقط در این بازار خاص. همانطور که در بالا ذکر شد، وجود همبستگی های غیر معنی دار می تواند برای اهداف متنوع استفاده شود، اگرچه این فقط در این بازار خاص صادق است. بدیهی است که اگر هدف تجزیه و تحلیل امکان تنوع با سایر دارایی ها باشد، تجزیه و تحلیل باید عمیق تر شود و باید آن دارایی ها را شامل شود که این امکانی برای تحقیقات آینده است. نظارت مستمر نماهای DFA نیز می تواند در آینده برای تجزیه و تحلیل احتمال پیش بینی سایر حباب های قیمت مورد استفاده قرار گیرد. در نهایت، استفاده از داده‌های فرکانس بالا نیز می‌تواند برای گسترش نوع تجزیه و تحلیل ساخته شده، به عنوان مثال، توسط ژانگ و همکاران استفاده شود.(2019).
مشارکت های نویسنده
مفهوم سازی، N. C.، C. S.، و P. F. تحلیل رسمی، N. C.، C. S.، و P. F. روش شناسی، N. C.، C. S.، و P. F. نرم افزار، N. C.، C. S.، و P. F. نوشتن - پیش نویس اصلی، N. C.، C. S.، و P. F. نوشتن-بررسی و ویرایش، N. C.، C. S.، و P. F.
