همبستگی در بازارهای ارز رمزنگاری: شواهد از تجزیه و تحلیل موجک

ما الگوهای مختلف حرکت همبستگی قیمت ارز رمزنگاری را با کمک روشهای مبتنی بر موجک مطالعه می کنیم. با استفاده از نرخ ارز روزانه دو طرفه چهار ارز اصلی رمزنگاری یعنی بیت کوین ، اتریوم ، لیت و داشکوین. اول ، ما بیت کوین را به عنوان رهبر بالقوه بازار با استفاده از همبستگی و همبستگی متقاطع موجک شناسایی می کنیم. علاوه بر این ، همبستگی چندگانه محلی موجک برای قیمت های ارز رمزپایه داده شده در مقیاس های مختلف زمانی تخمین زده می شود. از نتایج ، مشخص شده است که این همبستگی از ماهیت چرخه ای آپریودیک پیروی می کند ، و قیمت های ارز رمزنگاری شده توسط حرکات قیمت بیت کوین است. بر اساس نتایج به دست آمده ، ما پیشنهاد می کنیم که ساخت یک نمونه کارها بر اساس ارزهای رمزپایه ممکن است در این مقطع زمانی خطرناک باشد زیرا سایر قیمت های ارز رمزپایه عمدتا توسط قیمت بیت کوین هدایت می شوند و هر شوک در دومی بلافاصله به آن تبدیل می شودسابق.

معرفی

ارزهای رمزپایه آخرین افزودنی به ابزارهای مالی و مواردی است که در زمان های اخیر توجه بیشتری را به خود جلب می کنند (Urquhart 2018). اولین دارایی این کلاس بیت کوین بود که در سال 2009 بلافاصله پس از بحران مالی سال 2008 راه اندازی شد. در روزهای اولیه ، مردم نسبت به این محصول جدید شک و تردید داشتند. با این حال ، در دو سال گذشته ، افزایش نمایی در تقاضای بیت کوین رخ داده است ، و بازار شاهد رشد عظیمی از نظر سرمایه گذاری در بازار و هم معرفی دارایی های جدید ارز رمزنگاری شده است. تعداد ارزهای رمزنگاری شده از 500 در سال 2014 (سفید 2015) به 1560 ارز در 8 آوریل 2018 افزایش یافته است. افزایش سرمایه در بازار و همچنین معرفی نقاط دارایی جدید منجر به نقدینگی بازار و فعال شدن سرمایه گذاران شد. با این حال ، صرف نظر از این حرکت صعودی ، نگرانی های جدی در مورد ابعاد مختلف بازارهای ارز رمزنگاری شده است.

نوسانات بالای به نمایش گذاشته شده توسط بازار ارز رمزنگاری یک نگرانی مهم است. در مقایسه با بازارهای مالی سنتی ، بازارهای ارز رمزنگاری کم عمق هستند (Bohme et al. 2015). در چنین بازاری ، هرگونه شوک یا نوسانات در رهبر بازار ممکن است به راحتی انتقال بازار را منتقل کند و باعث فروپاشی بازار شود. علاوه بر این ، بازار ارز رمزنگاری بر خلاف بازارهای مالی سنتی ، توزیع نابرابر دارایی ها را دارد. معدنچیان و سرمایه گذاران نسل اول سهولت نسبی برای معدن و خرید دارایی های رمزنگاری داشتند (اسمیت و کومار 2018). با این کار امکان حرکات قیمت مهندسی وجود دارد. گاندال و همکاران.(2018) شواهدی را در مورد چنین فعالیت تجاری مشکوک در بورس GOX در سال 2013 نشان می دهد.

بعد دیگر استفاده از ارزهای رمزپایه است. جدا از قمار ، بازی آنلاین ، پولشویی احتمالی (Moser et. al. 2013) و معاملات مرزی ، حدس و گمان یکی از انگیزه های مهم مرتبط با ارزهای رمزنگاری شده است (اسمیت و کومار 2018). گلاسر و همکاران.(2014) استدلال می کند که ابزار دارایی های رمزنگاری ناشی از درخواست تجدیدنظر آنها به عنوان یک کلاس دارایی است. استدلال مشابه توسط Baur و همکاران مطرح شده است.(2018) بر اساس تجزیه و تحلیل آنها از ارزش معامله و فرکانس در blockchain.

با ادغام ارزهای رمزنگاری شده با دارایی های مالی سنتی (به تونی و همکاران 2018 ؛ خالد و همکاران 2018 و هنریکس و سادورسکی 2018) ، توجه سرمایه گذار بیشتری و امکان نقدینگی بازار وجود دارد. در چنین سناریویی ، بررسی پتانسیل تنوع در بازارهای ارز رمزنگاری از اهمیت ویژه ای برخوردار است. با این حال ، تحقیقات موجود در مورد این پدیده پراکنده است. مقاله ما به این موضوع می پردازد.

باقیمانده این مقاله به شرح زیر ساختار یافته است: بخش 2 مرور مختصری از ادبیات را ارائه می دهد ، بخش 3 در مورد داده ها و روش شناسی به کار رفته بحث می کند. بخش 4 نتایج تخمین و توضیح آن را نشان می دهد در حالی که بخش 5 اظهارات نتیجه گیری را ارائه می دهد.

بررسی ادبیات

اکثر تحقیقات در بازارهای ارز رمزپایه را می توان به این موارد طبقه بندی کرد: الف) تعیین قیمت و تشکیل ارزش (Urquhart 2017 ؛ Van Alstyne 2014 ؛ Yermack 2013 ؛ Ali et al. 2014 ؛ Glaser et al. 2014 ؛ Kristoufek 2015 ؛ Baek and Elbeck2015 ؛ Ciaian et al. 2016 ؛ Bouoiyour et al. 2016 ؛ Blau 2017 ؛ Zhu et al. 2017) ، b) نوسانات (Katsiampa 2017 ؛ Jiang et al. 2017 ؛ Dwyer 2015 ؛ Bouoiyour and Selmi 2016 ؛ Dyhrberg 2016) ، C) حباب های سوداگرانه (Cheah and Fry 2015 ؛ Cheung et al. 2015 ؛ Godsiff 2015 ؛ Fry and Cheah 2016 ؛ Urquhart 2016 ؛ Nadarajah and Chu 2017) و D) پیش بینی و پیش بینی ارزهای رمزنگاری شده با استفاده از مدلهای مختلف (Hotz-Behofsits et al. 2018؛ کاتانیا و همکاران 2019).

تعدادی از مطالعات وجود دارد که در مورد همکاری بیت کوین و سایر ابزارهای مالی بحث می کنند. شواهد و مدارک حمایت از ترکیب نرخ ارز بیت کوین با نرخ ارز معمولی در چو و همکاران یافت می شود. 2015. Pieters and Vivanco (2017) مطالعه ادغام در بین قیمت های مختلف مبادله بیت کوین را نشان می دهد و می یابد که بیت کوین از قانون یک قیمت پیروی نمی کند. در یک مطالعه مشابه ، Dirican و Canoz (2017) شواهدی را پیدا می کنند که از همکاران طولانی مدت بین بیت کوین و شاخص های اصلی سهام پشتیبانی می کند. سلمان و رازاک (2018) ادغام بین قیمت بیت کوین و عوامل تعیین کننده آن را با استفاده از روش ادغام یوهانسن و یافتن شواهد حمایتی در جهت ادغام. در یک مطالعه جدید ، سیایان و Rajcaniova (2018) ARDL (مدل تاخیر توزیع شده خودکار) را اجرا کردند و دریافتند که حرکت قیمت بیت کوین و سایر حرکات قیمت ارز رمزنگاری مستقل از یکدیگر هستند.

از ادبیات بدیهی است که ممانعت از چند مطالعه (Bohme et al. 2015 ؛ Narayanan et al. 2016 ؛ Smith and Kumar 2018) فقدان یک تحقیق جامع وجود دارد که به پویایی بازار ارز رمزنگاری در انزوا خود می پردازد. با تکامل بازار ارز رمزنگاری به عنوان بخش مستقل بازار ، مطالعه پویایی بازار ارز رمزنگاری در انزوا آن برای محققان و سرمایه گذاران بسیار زیاد خواهد بود. کار ما با هدف پر کردن این شکاف و تلاش برای پرداختن به این مسئله به روشی دقیق انجام شده است. ما در 3 سال گذشته همزمان چهار ارز رمزنگاری اصلی را مطالعه می کنیم که در طی آن بازار ارز رمزنگاری شروع به مایع تر شد. با توجه به این واقعیت که بازارهای ارز رمزنگاری ممکن است توسط سرمایه گذاران با افق های زمانی مختلف جمع شود (دلفین-ویدال و رومرو-مولندز 2016) ؛ما از روشهای سری سنتی سریال خودداری می کنیم و یک روش جامع مبتنی بر موجک را تطبیق می دهیم. موجک ها به دلیل توانایی آنها در استخراج اطلاعات از سری زمانی در انواع مختلف بدون از دست دادن ابعاد بازه زمانی خود ترجیح داده می شوند. دلیل انتخاب تجزیه و تحلیل مبتنی بر موجک در بخش متدولوژی ارائه شده است.

اول ، ما رهبر بالقوه بازار را با استفاده از همبستگی متعدد موجک و همبستگی متقابل موجک شناسایی می کنیم. پس از این ، ما با برآورد همبستگی چندگانه محلی موجک برای چهار ارز رمزنگاری مورد مطالعه ، تکامل دینامیک محلی را تخمین می زنیم و می بینیم که آیا پویایی ساختار همبستگی متعدد با حرکت قیمت رهبر بالقوه بازار قابل توضیح است.

داده ها و روش شناسی

ما از قیمت های روزانه (به دلار آمریکا) از چهار ارز اصلی رمزنگاری یعنی بیت کوین ، اتریوم ، Lite و Dashcoin از 7 اوت 2015 تا 24 مارس 2018 برای هدف تحلیلی استفاده می کنیم. ما این چهار ارز اصلی رمزنگاری را انتخاب می کنیم زیرا آنها سهم عادلانه ای از بازار را از نظر سرمایه بازار نشان می دهند. علاوه بر این ، ما شش ارز رمزنگاری تصادفی یعنی Reddcoin ، Digixdao ، LuckyCoin ، Bitmark ، Edgecoin و Unobatanium را برای اهداف مقایسه انتخاب می کنیم. داده ها از CoinmarketCap.com ، یک وب سایت جمع آوری داده های ارز Crypto Cryrency جمع آوری شده است. هیچ مقدار از دست رفته وجود نداشت.

در اینجا ، یک روش مبتنی بر موجک برای مطالعه ماهیت متغیر زمان حرکات مشترک در بازارهای ارز رمزنگاری شده در مقیاس های مختلف استفاده می شود. ما فقط به پویایی کوتاه و میان مدت نگاه می کنیم ، زیرا بازار ارز رمزنگاری هنوز مرحله نوپا آن است.

در حالی که تست های دامنه سری زمانی/فرکانس استاندارد می توانند اطلاعاتی در مورد حضور احتمالی همبستگی در بین یک سری زمانی چند متغیره ارائه دهند ، این آزمایشات محدودیت های جدی دارند. اول ، در حالی که آنها می توانند حضور همزمان طولانی مدت و تنظیم کوتاه مدت را شناسایی کنند ، این آزمایشات در ارائه آماری که می تواند میزان همبستگی را کمیت کند ، ارائه نمی دهند. با توجه به این واقعیت که نمایندگانی با افق های زمانی مختلف تجارت وجود دارند که در بازارهای مالی فعالیت می کنند (Delfin-Vidal و Romero-Meléndez 2016) ، این امکان وجود دارد که ماهیت رابطه بین این بازارها در بازه های زمانی مختلف متفاوت باشد. اقدامات سری زمانی سنتی می تواند اقدامات فقط در فرکانس داده شده ارائه دهد. از روش های موجک برای استخراج اطلاعات در فرکانس های مختلف بدون از دست دادن بعد زمان استفاده می شود.

اندازه گیری همبستگی چندگانه موجک (از این پس WMC) ، پیشنهاد شده توسط ماچو (2012) می تواند بر این دو کاستی غلبه کند. اندازه گیری ضریب همبستگی چندگانه موجک می تواند قدرت همبستگی را در بین یک سری زمانی چند متغیره در بازه های زمانی مختلف فراهم کند ، به طوری که می توان بین روابط کوتاه مدت ، متوسط و طولانی مدت تمایز قائل شد. به طور مشابه ، ماچو در همان مقاله ، همبستگی متقابل موجک (WMCC از این پس) را پیشنهاد می کند. WMCC اقدامی را برای شناسایی یک رهبر بالقوه در بین گروه ارائه می دهد ، که می تواند بر متغیرهای دیگر موجود در گروه تأثیر بگذارد.

این اقدامات در مقایسه با همبستگی موجک سنتی و اقدامات همبستگی متقابل از نظر پارسیمونی بهتر است. اگر 5 بازار داشته باشیم ، باید توطئه های همبستگی موجک NX (N-1)/2 = 10 و J (ترتیب تجزیه موجک) را محاسبه کنیم و توطئه های همبستگی موجک ، و در نتیجه یک روند دست و پا گیر. اگر از روشهای WMC و WMCC استفاده کنیم ، فقط باید توطئه های همبستگی J و توطئه های همبستگی J را ترسیم کنیم.

علاوه بر این در یک زمینه چند متغیره ، یک ضریب همبستگی جفت به دلیل رابطه احتمالی یک متغیر با متغیرهای دیگر می تواند فریبنده باشد. WMC و WMCC همبستگی های کلی را در چارچوب چند متغیره در مقیاس های مختلف زمانی تخمین می زند و تفسیر نتایج را آسان تر می کند.

همبستگی چندگانه محلی موجک (WMLC از این پس) ، پیشنهاد شده توسط Feández-Macho (2018) یک ماچو پسوند است (2012). در حالی که WMC و WMCC یک اندازه گیری کلی از همبستگی در یک زمینه چند متغیره را ارائه می دهند ، WLMC یک اندازه گیری محلی از همان را فراهم می کند تا بتواند تکامل مقادیر همبستگی موجک را در طول زمان مطالعه کند. اول ، ما به طور خلاصه تخمین WMC و WMCC را توضیح خواهیم داد. در مرحله بعدی ، توضیح مفصلی در مورد تخمین WLMC ارائه می شود.

همبستگی چندگانه موجک به شرح زیر توضیح داده شده است:

بگذارید t>یک فرآیند تصادفی چند متغیره باشید و به JT اجازه دهید>ضرایب موجک سطح j مربوطه به دست آمده با استفاده از حداکثر همپوشانی تبدیل موجک گسسته (MODWT). همبستگی چندگانه موجک (WMC) ∅ x (λ_j) را می توان به عنوان یک مجموعه واحد از همبستگی های چند مقیاس محاسبه شده از x تعریف کرد_tبه شرح زیر است.

در هر مقیاس موجک λ_jما ریشه مربع ضریب رگرسیون تعیین را در آن ترکیب خطی از متغیرها W محاسبه می کنیم_{در نظر گرفتن}، i = 1،2 ،… n ، که ضریب تعیین آن حداکثر است. ضریب تعیین مربوط به رگرسیون یک متغیر z_iدر مجموعه ای از رگرسور k,k ≠ i>، می تواند به عنوان r بدست آید_i2 = 1-1/ ρ II ، جایی که ρ II عنصر مورب I Th از معکوس ماتریس همبستگی کامل است.

WMC ، ∅ x (λ_j)) به عنوان به دست می آید

جایی که P ماتریس همبستگی n × n است_jtو اپراتور حداکثر Diag (.) بزرگترین عنصر در مورب استدلال را انتخاب می کند. از R 2_iضریب را می توان برابر با مربع همبستگی بین مقادیر مشاهده شده Z نشان داد_iو مقادیر متناسب z_iبه دست آمده از چنین رگرسیون (به پیوست مراجعه کنید) ، ∅ x (λJ) نیز می تواند به صورت زیر بیان شود:

جایی که واریانس موجک و کواریانس به شرح زیر تعریف شده است:

جایی که w_ijدر مجموعه ای از regressors KJ,k ≠ i>، منجر به حداکثر رساندن ضریب تعیین ، (<hat>_ ) مقادیر متناسب را نشان می دهد. تعداد ضرایب موجک تحت تأثیر مرز مرتبط با یک فیلتر موجک از طول L و مقیاس λ_jمحاسبه می شود

L_j= (2 J-1) ( L-1) +1. سپس تعداد ضرایب موجک تحت تأثیر شرایط مرزی به عنوان ((<overset<sim>>_J = T-_J-1 ).

اجازه می دهد تا یک تاخیر بین مقادیر مشاهده شده و متناسب از متغیرهای انتخاب شده به عنوان متغیر معیار در هر مقیاس λ_j، ما ممکن است همبستگی متقابل چند موجک (WMCC از این پس) را به عنوان تعریف کنیم

برای n = 2 WMC و WMCC همانند همبستگی موجک استاندارد و همبستگی متقابل هستند.

با این حال ، همانطور که WMC و WMCC نمی توانند تکامل دینامیک بالقوه غیرخطی محلی را توضیح دهند ، Macho (2018) WMLC (همبستگی محلی چندین موج) را به عنوان یک روش WMC پیشنهاد داد. این روش به شرح زیر است.

بگذارید X سری زمانی چند متغیره مورد بررسی باشد و اجازه دهید W_jt= (w_{1 Jt}، w_{2 Jt}…حرف_NT) λ باشد_jضرایب موجک به دست آمده با استفاده از MODWT در تمام x ∈ X. زیر ماچو (2012) ، در هر مقیاس موجک λ_jما ریشه مربع ضریب رگرسیون تعیین را در آن ترکیب خطی از متغیرها W محاسبه می کنیم_{در نظر گرفتن}، i = 1،2 ،… n ، که ضریب تعیین آن حداکثر است. ضریب تعیین مربوط به رگرسیون یک متغیر z_iدر مجموعه ای از رگرسور k,k ≠ i>، می تواند به عنوان r بدست آید_i2 = 1-1/ ρ II ، جایی که ρ II عنصر مورب I Th از معکوس ماتریس همبستگی کامل P. φ است_xs(λ_j)) به عنوان به دست می آید

جایی که P_{j ، s}ماتریس همبستگی وزنی n x n است_jt، با وزن θ (t - s) و عملگر حداکثر Diag (.) بزرگترین عنصر در مورب استدلال را انتخاب می کند. از R 2_iضریب را می توان برابر با مربع همبستگی بین مقادیر مشاهده شده Z نشان داد_iو مقادیر متناسب z_iبه دست آمده از چنین رگرسیون ، φ_{X ، S}(λJ) همچنین می تواند به این صورت بیان شود:

جایی که W_IJبرای به حداکثر رساندن انتخاب شده است_{X ، S}(λ_j). با استفاده از MODWT در زمان های چند متغیره X برای سفارش J ، می توانیم j تعداد ضرایب modwt طول t را بدست آوریم ،

( overset = big <overset>,overset>) ، ……… ( overset )_{J ، T-1}>بشراز Eq(1) ، WLMC مقیاس λ_jیک عملکرد غیر خطی از همه همبستگی های N (N-1)/2 از W است_jtبشراز طرف دیگر ، می توان آن را از نظر تمام واریانس های وزنی و کواریانس W توضیح داد_jt، همانطور که در Eq نشان داده شده است.(2). از این رو ، یک برآوردگر مداوم از WLMC بر اساس MODWT می تواند به عنوان:

در جایی که واریانس و متغیر موجک وزنه برداری می تواند به این صورت تخمین زده شود:

( tilde_ j ) به گونه ای انتخاب شده است که رگرسیون ( tilde_ j ) بر روی مجموعه ای از رگرسیونرها<( ilde_j ) ,k ≠ i>منجر به حداکثر رساندن ضریب تعیین ، (<hat<overset<sim>>>_ ) مقادیر متناسب را نشان می دهد. تعداد ضرایب موجک تحت تأثیر مرز مرتبط با یک فیلتر موجک از طول L و مقیاس λ_jبه عنوان L محاسبه می شود_j= (2 J-1) ( L-1) + 1. سپس تعداد ضرایب موجک تحت تأثیر شرایط مرزی به عنوان ((<overset<sim>>_J = T-_J-1 ).

Macho (2012) با استفاده از تبدیل فیشر ، فواصل اطمینان را ایجاد می کند. تحول فیشر به عنوان Arctanh (R) تعریف شده است. در جایی که Arctanh (.) عملکرد مماس هیپربولیک معکوس است ، و R مقدار همبستگی نمونه است. و از آن برای ایجاد فاصله اطمینان برای یک همبستگی جمعیت استفاده می شود بر اساس این واقعیت است که اگر (x ، y) از توزیع عادی دو متغیره با ρ = corr (x ، y) پیروی کند ، سپس ضریب همبستگی نمونه تبدیل شده از جفت های مستقل t محاسبه می شودمشاهدات را می توان نشان داد که تقریباً به طور عادی با میانگین Arctanh (R) و واریانس (T - 3) - 1 توزیع می شود.(فیشر 1922). در اینجا ، فواصل اطمینان با استفاده از این روش در ضریب همبستگی محلی موجک نمونه ((<overset<sim><phi>>_ترک کرد(<lambda>_j راست) ) به شرح زیر:

بگذارید t>تحقق روند تصادفی چند متغیره گاوسی باشد و اجازه دهید

( <overset<sim>>_J = سمت چپ (<overset<sim>>_ نقاط<overset<sim>>_ راست) = چپ <left(<overset<sim>>_ dots tilde_j0 راست) ، سمت چپ (<overset<sim>>_^j-1> ight) ight>) ، j = 1 ، 2 …… . j ، بردار ضرایب موجک به دست آمده با استفاده از یک modwt order or j به هر یک از سری زمانی یک متغیره (x_{من 1}، ایکس_{من 2}، ... بشرایکس_{آی تی}) برای i = 1 ، 2… n. اگر (<overset<sim><phi>>_ترک کرد(<lambda>_J RIGHT) ) موجک نمونه چند همبستگی محلی به دست آمده از eq (1) ، سپس ( tilde_ sim fn big (_j ،<left(T/<2>^j-3 ight)>^ )) ، جایی که z_j= Arctan H (∅_xs(λ_j)) ، ( tilde _ = arctan h سمت چپ (<overset<sim><phi>>_ترک کرد(<lambda>_J RIGHT) RIGHT) ) و FN مخفف توزیع عادی تاشو است.

فاصله اطمینان 100 (1 - α) ٪ برای مقدار واقعی ϕ_{x ، τ}(λ_j) سپس به عنوان (_ سمت چپ ((<phi>_ترک کرد(<lambda>_j ight) ight)= anh Big( ilde_-_2/sqrt^j-3> ) ; ( ilde_+_1/sqrt^j-3>)) جایی که ج₁و سی₂مقادیر بحرانی طبیعی تاشو هستند.

ما یک پنجره گاوسی را با طول m = n/2^4 انتخاب می کنیم ، همانطور که توسط Feández-Macho (2018) پیشنهاد شده است.

نتایج و بحث

قبل از شروع تجزیه و تحلیل موجک ، می خواهیم ببینیم که آیا ادغام طولانی مدت در بین متغیرهای مورد علاقه وجود دارد یا خیر. به همین ترتیب ، ما تست ادغام یوهانسن (1992) را بر روی چهار قیمت ارز رمزنگاری اعمال می کنیم. نتیجه همان در جدول 1 ارائه شده است. از نتایج ، می توان دریافت که بین ارزهای رمزپایه تحت تجزیه و تحلیل رابطه همگرایی وجود دارد و ما به سمت تجزیه و تحلیل موجک حرکت می کنیم (شکل 1).

طرح سری زمانی ارزهای رمزنگاری شده

اول ، ما می خواهیم ببینیم که آیا می توانیم بیت کوین را به عنوان یک رهبر بالقوه بازار ایجاد کنیم. به همین ترتیب ، ما از همبستگی چندگانه موجک (WMC) و همبستگی متقابل چند موج موج (WMCC) استفاده می کنیم و نتایج را برای دوره کلی تجزیه و تحلیل بدست می آوریم. تخمین ها از مقیاس 2-4 روز (مقیاس داخل هفته) تا 32-32 روز (مقیاس ماهانه) انجام می شود. نتایج به دست آمده در شکل نشان داده شده است. 2 و 3.

همبستگی چندگانه موجک قیمت ارز رمزنگاری

همبستگی متقاطع چندگانه موجک از قیمت ارز رمزنگاری

در اینجا ، ما می بینیم که بازار در دوره تجزیه و تحلیل با همبستگی متوسطی است. و در هر مقیاس ، ارز رمزنگاری که مقدار همبستگی را به حداکثر می رساند ، در برابر ترکیب خطی سایر دارایی های رمزنگاری شده در طرح است. در تمام 4 مقیاس ، بیت کوین همان چیزی است که به حداکثر رساندن WMC است و بیت کوین را به عنوان یک رهبر/پیرو بالقوه نشان می دهد. در مرحله بعد ، ما سعی می کنیم این واقعیت را با برآورد همبستگی متقاطع موجک در یک سرب/تاخیر 36 روز تأیید کنیم. نتایج در شکل 2 نشان داده شده است.

طرح همبستگی متقابل ، رابطه بالقوه سرب سرب بین قیمت های ارز رمزپایه را توضیح می دهد. در اینجا ، ارز رمزنگاری شده که مقدار همبستگی چندگانه را در برابر ترکیب خطی سایر ارزها به حداکثر می رساند ، در گوشه بالا در هر طرح مقیاس برای همه مقیاس ها نشان داده شده است. ما می توانیم ببینیم که بیت کوین WMC را در برابر سایر ارزها در تمام مقیاس ها به حداکثر می رساند. با این حال ، از آنجا که بالاترین مقدار WMCC در LAG ZERO به دست می آید ، ما نمی توانیم فقط بر اساس نتایج آزمون نتیجه بگیریم که آیا بیت کوین پیش می رود یا از سایر ارزهای رمزپایه عقب مانده است. با این حال ، با توجه به اینکه بیت کوین بزرگترین سرمایه بازار در بازار ارز رمزنگاری را به خود اختصاص می دهد ، به راحتی می توان فرض کرد که بیت کوین رهبر بازار در بازارهای ارز رمزنگاری است. همانطور که WMCC بیت کوین را به عنوان رهبر/پیرو بالقوه معرفی می کند ، فرض ما فقط مبتنی بر مشاهده ساده نیست ، بلکه از شواهد آماری حمایت می شود.

مرحله بعدی در تجزیه و تحلیل ، بدست آوردن یک جدول زمانی دقیق در مورد نوسانات عمده قیمت در رهبر بازار خواهد بود. جزئیات مربوط به وقایع مهم در قیمت بیت کوین در جدول 2 ارائه شده است. اگر افزایش قیمت بیت کوین بعد از این رویداد وجود داشته باشد ، ما این رویداد را مثبت و به طور مشابه می نامیم ، هر رویدادی که منجر به کاهش فوری قیمت شود ، به عنوان یک رویداد منفی نامیده می شود.

از حوادث فوق ، می توانیم در دوره تجزیه و تحلیل ، چشم انداز درباره حالات غالب در بازارهای بیت کوین را بدست آوریم. هدف ما این است که هر الگوی بالقوه را در حرکات ارز رمزپایه تشخیص دهیم و ببینیم آیا می توانیم آن را با حرکات قیمت بیت کوین مرتبط کنیم. اگر مقادیر WLMC با یک خبر منفی کاهش یابد و با یک خبر مثبت افزایش یابد. ما می توانیم تأیید کنیم که بازار تحت تأثیر حرکات قیمت ارز رمزپایه قرار دارد. به همین ترتیب ، ما نتایج WLMC تخمین را ارائه می دهیم. در شکل 4 ، 5 ، 6 و 7 نشان داده شده است.

همبستگی چندگانه محلی موجک برای مقیاس 1 (دوره زمانی 2-4 روزه)

همبستگی چندگانه محلی موجک برای مقیاس 2 (دوره زمانی 4-8 روز)

همبستگی چندگانه محلی موجک برای مقیاس 3 (دوره زمانی 8-16 روز)

همبستگی چندگانه محلی موجک برای مقیاس 4 (دوره زمانی 16-32 روز)

با مشاهده مقادیر WLMC در بازه های زمانی مختلف ، می توانیم تعدادی از عوامل مشترک را مشاهده کنیم. اول ، همبستگی بین بازارها در تمام بازه های زمانی زیاد است. دوم ، ماهیت این همبستگی به روشی چرخه ای متفاوت است ، هرچند که یک ماده بی پروا است. علاوه بر این ، بازارها بالاترین مقادیر همبستگی را در دوره های اولیه (ژانوی ه-2016) ثبت می کنند. تقریباً 2 سال طول می کشد تا بازار به همان اوج برسد و دوره های بین المللی با استفاده از مجوزهای مکرر از بین می روند. از آنجا که ما از مقیاس های کوچکتر (فرکانس بالا) به مقیاس های بزرگتر (فرکانس پایین) پیش می رویم ، ماهیت چرخه ای WLMC صاف کننده است و این بدان معنی است که نوسانات حاکم در همبستگی ارز رمزنگاری عمدتاً از ماهیت کوتاه مدت است.

در بندهای زیر توضیحات احتمالی در مورد ماهیت چرخه ای همبستگی ارائه می دهیم. از آنجا که ما بیت کوین را به عنوان رهبر بالقوه بازار با کمک همبستگی موجک و تجزیه و تحلیل همبستگی متقابل شناسایی کردیم ، سعی می کنیم WLMC را بر اساس برخی از وقایع مربوط به قیمت بیت کوین توضیح دهیم.

ارزش های WLMC روند کاهش بین اوت تا سپتامبر 2015 را نشان می دهد. در این دوره ، دو رویداد مهم در بازار بیت کوین اتفاق افتاد. اول ، دستگیری از Crypto-Exchange Mt. Gox در حال حاضر ناتوان. مدیرعامل و سپس ، اعلام Bitcoin Fork. این دو واقعه منجر به افت ارزش بیت کوین شد ، که فقط در طی ماههای بعد از آن برداشت می شود ، احتمالاً به دلیل وقایع مثبت مانند بیت کوین در لیست کالاها در ایالات متحده ، محرومیت از مالیات بر ارزش افزوده توسط اتحادیه اروپا و پرتاباز Gemini جدید Crypto-Exchange ، نوعی پوشش بیمه را به سرمایه گذار ارائه می دهد. بازیابی در افزایش ارزش WLMC در تمام مقیاس ها نشان داده شده است.

در ژانویه سال 2016 ، مایک هارن ، توسعه دهنده اصلی بیت کوین ، بیت کوین را ترک کرد و باعث ایجاد وحشت در بازارهای ارز رمزنگاری شد. این در قیمت های بیت کوین منعکس شده بود ، قطره ای در حدود 35 دلار. بعداً ، WLMC شروع به انتخاب حدود آوریل 2016 می کند ، که همزمان با راه اندازی نرم افزار جدید مربوط به بیت کوین OpenBazzar ، قرار است یک بستر معامله بهتر باشد.

در ژوئیه سال 2016 ، طبق سیستم شماره بیت کوین ، بازدیدهای بیت کوین کاهش یافت. این به نوبه خود منجر به افزایش اولیه قیمت بیت کوین شد. با این حال ، همبستگی بین بیت کوین و سایر بازارها بلافاصله کاهش می یابد. یکی از دلایل رفتار مذکور می تواند این باشد که با افزایش دشواری در بدست آوردن بیت کوین ، بخشی از معدنچیان و سرمایه گذاران به گزینه های دیگر مهاجرت می کردند و در نتیجه باعث کاهش ارزش همبستگی موجک می شوند. این همبستگی در آگوست 2016 به پایین ترین نقطه خود می رسد ، هنگامی که Bitfinex مبادله ارز رمزنگاری مستقر در هنگ کنگ هک شد.

WLMC در نوامبر 2016 دوباره به اوج خود می رسد ، چیزی که به طور جالب با انتخابات دونالد ترامپ به عنوان رئیس جمهور ایالات متحده همزمان است. در حدود این دوره ، بازار سهام ، به ویژه ما شواهدی از پرواز سرمایه به سمت دارایی هایی را نشان داد که به طور سنتی به عنوان ایمن در نظر گرفته می شوند. بخشی از این سرمایه گذاری ها به ارزهای رمزنگاری شده است (Bouoiyour و Selmi 2017) و در نتیجه افزایش تقاضا و در نتیجه قیمت ها. با این حال ، به نظر می رسد که این غرور کوتاه مدت است ، زیرا ما شاهد افت شدید در مقادیر همبستگی هستیم. این همزمان با رد کمیسیون بورس اوراق بهادار ایالات متحده (SEC) از یک پروژه در مورد تجارت مبادله ای مبتنی بر ارز Crypto (ETF) است که توسط برادران Winkelwos پیشنهاد شده است. با این حال ، این همبستگی پس از اعلام ژاپن از اعتبار بیت کوین به عنوان مناقصه قانونی خبر می دهد.

با این حال ، در حدود آگوست 2017 ، ما شاهد افت بیشتر مقادیر WLMC هستیم. دلیل همین را می توان به عدم اطمینان در مورد چنگال بالقوه در بیت کوین نسبت داد. در آگوست سال 2017 ، چنگال منجر به ارز رمزنگاری جدید یعنی پول نقد بیت کوین شد. در همین مدت ، دولت چین سرکوب در بازارهای ارز رمزنگاری را آغاز کرده بود. از آنجا که چین یکی از قطب اصلی فعالیت های ارز رمزپایه است ، این سرکوب باعث عدم اطمینان موجود شد و منجر به کاهش ارزش های WLMC شد. به نظر می رسد که بازار پس از سرکوب های چینی ، همانطور که با افزایش ارزش های WLMC مشهود است ، همزمان با وقایع مثبت مانند بیت کوین که توسط شرکت CBOE Global Markets Inc. و CME Group Inc. ذکر شده است ، و فسخ پیشنهادی چنگال در آن را انتخاب کرده است. قیمت بیت کوین.

همانطور که در بخش مقدمه بحث شد ، بازارهای ارز رمزنگاری شده توسط چندین دارایی جدید در دو سال گذشته جمع می شوند. جالب است بدانید که چگونه این دارایی ها با توجه به ارزهای اصلی رمزنگاری در بازار حرکت می کنند. هدف ما این است که ببینیم آیا آنها بر خلاف جهت بازار حرکت می کنند یا خیر. به همین ترتیب ، ما مقادیر WLMC را برای مجموعه ای از 10 بازده ارز رمزنگاری تخمین می زنیم. در اینجا ما شامل شش ارز رمزنگاری اضافی یعنی Reddcoin ، Digixdao ، LuckyCoin ، Bitmark ، Edgecoin و Unobatanium هستیم. این ارزها به طور تصادفی با سرمایه گذاری در بازار متفاوت انتخاب شدند. نتیجه تخمین WLMC در شکل 8 آورده شده است.

طرح همبستگی محلی محلی از ده ارز رمزنگاری

از نتایج ، مشاهده می شود که جدا از نوسانات در حدود سال 2016 ، مقادیر همبستگی در حدود 1 است. این یک تصویر جالب است. از نتایج WMC و WMCC ، بیت کوین به عنوان رهبر بازار شناخته می شود. با توجه به ارزش همبستگی 1 برای دوره بزرگتر ، می توان گفت که بازار ، به ویژه هنگامی که ارزهای کوچکتر را در نظر می گیریم ، همیشه نوسانات قیمت بیت کوین را دنبال می کنند.

از این میان ، می توان نتیجه گیری در مورد رفتار سرمایه گذار به دست آورد. هنگامی که افت قیمت در بیت کوین ها وجود دارد ، ساختار همبستگی بین بیت کوین و سایر ارزها در حال فروپاشی است و این نشان می دهد که عوامل خود را از دارایی های رمزنگاری فاصله می گیرند. اما هنگامی که بیت کوین در حال صعود است ، در سایر دارایی های رمزنگاری نیز منعکس می شود و موقعیت بیت کوین را به عنوان رهبر بازار سیمان می کند. نوسانات در دوره تجزیه و تحلیل مکرر است ، که انتظار می رود بازارهای ارز رمزنگاری هنوز در مراحل اولیه خود باشند. اظهار نظر دشوار است که آیا به دلیل ساختار غیر متمرکز ذاتی ، بازارهای ارز رمزنگاری در آینده نزدیک بی ثبات تر خواهد بود. با معرفی ارزهای رمزنگاری شده به طور همزمان با دارایی های مالی سنتی ، این احتمال وجود دارد که یک کار بهتر و تجاری و نظارتی به وجود بیاید. با این حال ، اظهار نظر در مورد آن خیلی زود است و ما هیچ فرضیه ای را به این ترتیب انجام نمی دهیم.

نتایجی که اظهار شده

ما با کمک روشهای مبتنی بر موجک ، الگوهای مختلف حرکت همبستگی بازارهای ارز رمزپایه را مطالعه کردیم. نرخ ارز دو طرفه روزانه چهار ارز اصلی رمزنگاری یعنی بیت کوین ، اتریوم ، لیت و داشکوین از 7 اوت 2015 تا 24 مارس 2018 برای تجزیه و تحلیل استفاده شد. اول ، ما بیت کوین را به عنوان رهبر بالقوه بازار با استفاده از همبستگی و همبستگی متقاطع موجک شناسایی کردیم. در مرحله بعد ، ما همبستگی چندگانه محلی موجک را برای قیمت های ارز رمزپایه داده شده تخمین زده ایم. از نتایج ، ما می توانیم مشاهده کنیم که این همبستگی از ماهیت چرخه ای بی پروا پیروی می کند ، و قیمت های ارز رمزپایه تحت تأثیر حرکات قیمت بیت کوین است. تقاضا برای دارایی های رمزنگاری افزایش می یابد که قیمت بیت کوین در حال افزایش است و در نتیجه افزایش قیمت در سایر ارزهای رمزنگاری می شود. در مقابل ، هر کاهش قیمت در بیت کوین بلافاصله در سایر قیمت های ارز رمزپایه منعکس می شود.

از دیدگاه سرمایه گذار ، این اتصال سایر ارزهای رمزنگاری شده با بیت کوین یک معضل ایجاد می کند. در حالی که دارایی های ارز رمزپایه می تواند به عنوان ابزاری برای پرچین در یک نمونه کارها سنتی ، همراه با سایر دارایی هایی مانند سهام و اوراق قرضه ، عمل کند ، ما پیشنهاد نمی کنیم که یک نمونه کارها را کاملاً متشکل از دارایی های رمزنگاری کنید. از شواهد به دست آمده از تجزیه و تحلیل ، ساخت یک نمونه کارها بر اساس ارزهای رمزپایه ممکن است در این مقطع زمانی خطرناک باشد زیرا قیمت های سکه Alt عمدتا توسط قیمت بیت کوین هدایت می شود و هر شوک در دومی بلافاصله به حالت اول منتقل می شود. حتی با نگاهی به سرمایه گذاری بازار در بازار ارز رمزنگاری. با اشغال بیت کوین تقریباً 50 ٪ از کل سرمایه در بازار ، ساخت یک نمونه کارها که کاملاً از دارایی های ارز رمزنگاری تشکیل شده است ، محتاطانه نخواهد بود.