قیمت گذاری بیت کوین. یک تحلیل تجربی

در این مقاله ، من رابطه بین بازده روزانه بیت کوین و احساسات را با استفاده از یک مجموعه داده از سال 2013 تا 2018 تجزیه و تحلیل می کنم. می فهمم که بازده های روزانه بیت کوین نه تنها با اقدامات بیت کوین ، بلکه در سه روز آینده نیز تحت تأثیر قرار می گیر د-بلکه در سه روز آینده نیز تحت تأثیر قرار می گیرد. در حالی که اقدامات احساساتی بازار سهام تعیین شده هیچ قدرت توضیحی ارائه نمی دهد. علاوه بر این ، احساسات منفی الگوهای بازگشت برگشتی را نشان می دهد که اغلب در ادبیات سوءاستفاده ناشی از احساسات مشاهده می شود ، و در نتیجه بازده بالاتر دو روز آینده پس از تأثیرگذاری بر بازده های امروز منفی است. در ادامه می بینم که حجم معاملات امروز ، در چهار روز آینده ، بر بازده تأثیر مثبت دارد و این امر با اقدامات بازار سهام مرتبط است. برای آنچه من خرد دارم ، این همچنین اولین تحقیق دانشگاهی است که از شاخص های اخیراً معرفی شده تامسون رویترز در بازار در مورد ارزهای رمزنگاری شده استفاده می کند.

کلمات کلیدی: بیت کوین ، بازگشت ، وارونه ، احساسات ، TRMI

کدهای طبقه بندی JEL: G02 ، G12

مقدمه

در دوره کوتاه نه سال نه سال ، بیت کوین - اولین رمزنگاری دیجیتال همتا به همتا - با مختل کردن مکانیسم های مالی همانطور که ما می شناسیم ، به رسانه ها و آگاهی های اصلی تبدیل شد. بر خلاف پول سنتی فیات (یعنی USD ، EUR و غیره) ، به بانک یا موسسات مالی دیگر نیاز نیست. نه برای صدور پول و نه برای انتقال یا اعتبارسنجی معاملات. فناوری blockchain هر معامله را در یک دفترچه توزیع شده عمومی که شامل مشکل مضاعف است - واسطه های مالی را از این روند خارج می کند ، پیگیری می کند و راه را برای نوآوری های blockchain شکل می دهد. در حالی که این مانند انقلاب مالی بعدی به نظر می رسد ، سرمایه گذاری در بازار بیت کوین با 116. 6 میلیارد دلار و کل سرمایه گذاری در بازار رمزنگاری 274 میلیارد دلار هنوز از اتخاذ به عنوان یک کلاس دارایی اصلی در مقایسه با سرمایه گذاری در بازار سهام 69 تریلیون دلار در بازارهای سهام عدالت دور است. بشرعمدتا فاقد مقررات و نوسانات چشمگیر در قیمت بیت کوین ، سرمایه گذاران نهادی و توده گسترده را دور نگه می دارد ، به عنوان مثال. پس از بسته شدن در تمام مدت 19. 497 دلار در 17 دسامبر 2017 ، یک بیت کوین در 27 ژوئن 2018 با 6. 100 دلار معامله می شود - 70 ٪ از ارزش خود را در شش ماه از دست می دهد. پویایی قیمت مانند این توجه محققان را به بیت کوین سوق داد. رویکردهای تلاش برای ایجاد ارزش برای بیت کوین با فرضیات تقاضا (جنسن ، 2014) یا مدل های هزینه تولید (گارسیا و همکاران ، 2014 ، هایز ، 2015) با پوشش اصلی رسانه ها همراه بودند. به عنوان مثال CNBC به طور مرتب مطالب خاص Cryptocurrency را در بر می گیرد و با افراد مشهور مشهور مالی مانند برنده جایزه نجیب رابرت شیلر ، افسانه سرمایه گذار وارن بوفه یا مدیرعامل JPMorgan Chase Jamie Dillon در مورد بیت کوین مصاحبه می کند. آنها بیت کوین را با شیدایی لاله در سال 1637 مقایسه می کنند و به این نتیجه می رسند که بیت کوین ها به هیچ وجه ارزش ندارند و یک پایان بد را پیش بینی می کنند. این باعث شد محققان در مورد رفتار حباب بیت کوین (Cheung ، Roca و Su (2015) ، Cheah and Fry (2015)) و در جهت احساسات سرمایه گذار به عنوان بخش مهمی از قیمت گذاری بیت کوین بررسی کنند. به دلیل از دست دادن یک ارزش اساسی ، بازار بیت کوین عمدتاً توسط دلالان ، تعقیب کننده های روند ، سرمایه گذاران کوتاه مدت و معامله گران نویز هدایت می شود (کریستوفک ، 2013). به این معنی که قیمت بیت کوین باید به احساسات بازار ، لحن ، دید ، پوشش رسانه ای و فعالیت رسانه های اجتماعی بستگی زیادی داشته باشد.

اقدامات احساساتی مانند Google Trends و صفحه ویکی پدیا (Kristoufek ، 2013) ، پست های توییتر (Kaminski ، 2014) یا مقالات خبری (Polasik et al. ، 2015) در واقع تأثیر قابل توجهی در بازده بیت کوین دارد ، اگرچه بیشتر تجزیه و تحلیل فقط داشته استداده ها برای ماه ها یا در مرحله بازار ناکارآمد بیت کوین قبل از نیمه دوم سال 2013 (Urquhart ، 2016) انجام شد.

در این مقاله ، من با یک مجموعه داده بسیار غنی تر با مشاهدات روزانه در طی پنج سال ، به تحقیقات قبلی کمک می کنم ، با توجه به عرضه تقاضا ، عوامل کلان اقتصادی و اقدامات احساساتی در نظر گرفته می شود. برای آنچه که من خردمندانه هستم ، این همچنین اولین تحقیق دانشگاهی است که با استفاده از شاخص های اخیراً Thomson Reuters MarketPycy (TRMI) برای ارزهای رمزنگاری شده به عنوان اقدامات احساساتی ، که نمرات با بیش از دو میلیون مدخل مخصوص cryptocurrency روزانه محاسبه می شود - با ترکیب سیستم عامل های رسانه های اجتماعی ، وب سایت ها و وب سایت ها محاسبه می شود. روزنامه های محبوب به عنوان منبع. به بهترین دانش من ، این تحقیق همچنین اولین موردی است که در مورد معکوس های برگشتی بیت کوین در مورد اقدامات احساسات بررسی می کند (کوو چن و همکاران (2017) بازده های گذشته را به عنوان اندازه گیری احساسات استفاده می کردند).

علاوه بر این ، تقریباً هیچ ارتباطی از بازده بازار سهام و اقدامات احساسات بازار سهام با بازده بیت کوین مانند Makrochiriti و Moratis (2016) ، Bianchi (2017) و Kuo Chen در AL ایجاد نشده است.(2017) ، من همچنین تحقیقات قبلی را در مورد معکوس های بازده ناشی از احساسات گسترش می دهم. احساسات بیت کوین نه تنها بر بازگشت امروز تأثیر می گذارد ، بلکه آینده تا چهار روز باز می گردد. یافته اصلی مقاله ، تأثیر منفی معاصر احساسات منفی بر بازده روزانه بیت کوین است که در دو روز آینده معکوس می شود و رانندگی باز می گردد. تجزیه و تحلیل مختصر در مورد درایورهای حجم معاملات بیت کوین ، ارتباطات بالقوه ای را با اقدامات بازار سهام و اقدامات اقتصادی ارائه می دهد.

بقیه مقاله در ادامه شرح زیر است. بخش 2 مروری بر ادبیات احساسات مربوط به سهام و بیت کوین ارائه می دهد. بخش 3 داده ها و روش مورد استفاده را شرح می دهد. بخش 4 نتایج تجربی و تفسیرهای یافته ها را نشان می دهد. بخش 5 نتیجه گیری می کند و زمینه هایی را برای تحقیقات آینده فراهم می کند.

ii. ادبیات احساسات سهام

امروز ، در تحقیقات دانشگاهی ، به طور کلی پذیرفته شده است که معامله گران سر و صدا با تکیه بر احساسات می توانند قیمت ها را از ارزش های اساسی دور کنند. باربریس ، شلیفر و ویشنی (1998) و د لانگ و همکاران.(1990) در مدلهای ساده نشان می دهد که معامله گران نویز غیر منطقی با اعتقادات نادرست بر قیمت دارایی تأثیر می گذارد و داوری ها به دلیل محدودیت های داوری حاضر به شرط بندی در برابر آنها نیستند. علاوه بر این ، د لانگ و همکاران. اصطلاح "ریسک معامله گر سر و صدا" را تعریف کنید به این معنی که غیرقابل پیش بینی بودن نظرات آینده معامله گران نویز می تواند قیمت ها را حتی بیشتر کند (اگر معامله گران نویز حتی خوش بین تر شوند) یا پایین تر (حتی بدبین تر) - بازدارندگی داوری از گرفتن موقعیت های کوتاه ،حتی وقتی خطر اساسی وجود ندارد. تحقیقات مهم در زمینه محدودیت های داوری توسط شلیفر و ویشنی (1997) اضافه شد. همچنین برای این مقاله از اهمیت برخوردار است ، زیرا بیت کوین ها در معرض موانع کوتاه مدت قرار داشتند و بنابراین مستعد ساختن حباب تحت احساسات سرمایه گذار بالا هستند ، زیرا سرمایه گذاران منطقی نمی توانند حداقل تا اواخر سال 2017 شرط بندی کنند که آینده در قیمت های بیت کوین به صورت زنده انجام شود.

احساسات سرمایه گذار به طور گسترده ای توسط بیکر و وورگلر (2006) به عنوان اعتقاد به جریان نقدی آینده و خطرات سرمایه گذاری که توسط حقایق مورد نظر توجیه نمی شود ، تعریف شده است. به منظور تحقیق در مورد ارتباط بین احساسات و قیمت دارایی ، باید اقدامات مربوط به احساسات سرمایه گذاران ذهنی یا احساسات متنی عینی را انجام دهد.

در زمینه احساسات متنی از منابع و روش های مختلفی برای بررسی اینکه آیا افکار عمومی مربوط به یک موضوع مثبت ، خنثی یا منفی است استفاده شده است. منابع مورد استفاده در ادبیات عبارتند از افشای شرکت ها ، اخبار و گزارش های تحلیلگر و ارسال های هیئت مدیره اینترنت. Antweiler و Frank (2004) پیام های "یاهو! صفحه پیام مالی ". از طریق الگوریتم های یادگیری ماشین ، آنها نشان می دهند که درجه بالاتری از پیام های صعودی منجر به افزایش حجم معاملات می شود. Sprenger و Welpe (2010) از همین رویکرد در مورد توییت های مربوط به سهام در توییتر استفاده کردند. آنها ارتباط جدی بین بازده های غیر طبیعی و صعود توییت ها مشاهده می کنند. Tetlock (2007) از سال 1984 تا 1999 یک رویکرد مبتنی بر فرهنگ لغت هاروارد IV-4 را در مورد لحن ستون وال استریت ژورنال "Abreast of the Market" به کار برد. یک لحن بدبین تر منجر به بازگشت منفی روز بعد و وارونگی در طول روز دیگر می شود. هفتهگارسیا (2013) نتایج مطالعه Tetlocks را با داده های 1905 تا 2005 در دو ستون نیویورک تایمز گسترش و تأیید می کند. لوفران و مک دونالد (2011) لیست جدیدی را برای جنبه های مالی ارائه دادند تا نادرست طبقه بندی کلمات منفی را کاهش دهد ، پس از آنکه آنها دریافتند که تقریباً سه چهارم کلمات منفی در فرهنگ لغت هاروارد IV-4 از نظر مالی منفی نیستند. در نتیجه ، یک طرح وزنی در وزن منجر به قدرت توضیحی حتی بالاتر برای لیست کلمات می شود ، اگرچه آنها نمی توانند بازده سهام را پیش بینی کنند. کرنی و لیو (2014) یک مرور کلی و مقایسه روش ها و منابع مورد استفاده برای احساسات متنی تا سال 2013 را ارائه می دهند. بر اساس لیست کلمات Loughran و McDonald ، چن و همکاران.. هیلرت و یونژوئر (2018) حتی نشان می دهند که دید خود بدون در نظر گرفتن لحن منجر به بازده بالاتر می شود. آنها این پدیده را به "خبر بد" به عنوان کانال حاکمیت شرکت ها می پردازند ، به این معنی که "خبر بد" منجر به شفافیت بیشتر و رفتار صادقانه تر مدیر می شود ، بنابراین منجر به پیشرفت شرکت های بلند مدت و بازده بالاتر می شود. در حالی که "خبر خوب" به عنوان کانال تبلیغاتی خدمت می کند. با توجه به وضعیت فعلی ادبیات در تجزیه و تحلیل احساسات متنی ، به طور کلی پذیرفته شده است که احساسات بر قیمت ها تأثیر می گذارد یا حداقل اطلاعات اضافی در مورد بازده سهام را ارائه می دهد.

محققان از چندین پروکسی دیگر برای احساسات استفاده کردند تا از افشای شرکت ها ، مجلات یا سیستم عامل های رسانه های اجتماعی. Hirshleifer و Shumway (2003) از آب و هوا به عنوان پروکسی برای احساسات استفاده کردند و نشان می دهد که در روزهای آفتابی ، بازده بیشتر است. یک مطالعه دیگر از ادمانز ، گارسیا و نولی (2005) بر تأثیر نتایج بین المللی ورزشی تحقیق می کند و مشاهده می کند که ضرر منجر به کاهش قیمت در بورس اوراق بهادار از دست رفته کشور می شود-به ویژه برای سهام کوچک. کاپلانسکی و لوی (2010) دریافتند که بلایای حمل و نقل هوایی منجر به کاهش شدید بازده و معکوس کامل پس از ده روز می شود. نظرسنجی از خانواده ها برای گرفتن احساسات سرمایه گذار توسط Charoenrook (2003) ، Brown and Cliff (2005) و Lemmon و Portniaguina (2006) مورد استفاده قرار گرفت و به این نتیجه رسیدند که قیمت سهام پس از دوره خوش بینی کاهش می یابد. بیکر و وورگلر (2006) یک شاخص احساسات کامپوزیت ، حاوی شش پروکسی احساسات اساسی ، ساختند و به نتایج مشابهی می رسند. Stambaugh ، Yu ، Yuan (2012) از همان شاخص احساسات به عنوان بیکر و وورگلر استفاده می کنند و 11 ناهنجاری خوب مستند را با توجه به احساسات و موانع فروش کوتاه تجزیه و تحلیل می کنند. آنها دریافتند که ناهنجاری های ناهنجاری قوی تر هستند و به دنبال ماه های بالای احساسات ، بازده منفی قابل توجهی را پیش بینی می کنند. هوانگ و همکاران.(2015) با مرتب سازی خطاهای تقریب یا سر و صدا در پروکسی ها با یک روش حداقل مربعات جزئی ، شاخص نانوا و Wurgler را بهبود بخشید و منجر به R² بالاتر و بهبود قدرت پیش بینی شده شود.

در دوره دیجیتال سازی ، فرکانس های جستجوی Google تمایل به منعکس کننده علاقه و احساسات سرمایه گذاران خرده فروشی دارند. تحقیقات در این زمینه توسط دا و همکاران انجام شده است.(2011) ، ارائه شواهدی از همبستگی قوی بین فرکانس جستجو و حجم معاملات. شاخص دیگر احساسات از DA ، Engelberg و Gao (2014) با نام Fears Index از نمایش داده های جستجوی Google در کلماتی مانند "بیکاری" ، "رکود اقتصادی" ، "پیدا کردن شغل" و غیره استفاده می کند. از این طریق آنها می توانند یک اندازه گیری احساساتی خانگی صادقانه ایجاد کنند و آن را پیدا کنند. سنبله در شاخص ترس (به معنای افزایش ترس ، عدم اطمینان و غیره) منجر به بازده کم روز بعد می شود. با این حال ، این اثر در دو روز بعد معکوس می شود ، که مطابق با سوءاستفاده های موقت ناشی از احساسات است. این که آیا شاخص ترس نیز در بازده بیت کوین تأثیر دارد یا خیر ، در فصل چهارم مورد تجزیه و تحلیل قرار خواهد گرفت.

جدیدترین مطالعات در مورد احساسات رسانه ای ، تجزیه و تحلیل احساسات داخل جمعی و تجزیه و تحلیل احساسات روانشناختی را در بر گرفته است. رنو (2017) واژگان را برای اصطلاحات سرمایه گذاران آنلاین در بسترهای نرم افزاری رسانه های اجتماعی ساخته شد - این رویکرد به طور قابل توجهی از روشهای مبتنی بر فرهنگ لغت فراتر رفت. وی سپس احساسات داخلی را با بازده سهام Intraday در S& P 500 ETF مقایسه کرد و دریافت که تغییر احساسات نیم ساعته اولین بازده نیم ساعته S& P 500 ETF را پیش بینی می کند. به ویژه ، به نظر می رسد این اثر از معامله گران سر و صدای بی تجربه ناشی می شود. Sun ، Najand و Shen (2016) با استفاده از داده های احساسات TRMI Intraday به نتایج مشابهی می رسند و تأثیر آن را برای دو ساعت آخر روز تجارت مشاهده می کنند. شن (2017) شواهدی را برای پیش بینی بازده کالاهای پنج روز آینده با استفاده از احساسات روانشناختی TRMI (خوش بینی ، ترس و شادی) می یابد.

شن و چن (2018) تحقیقات روانشناختی خاص شرکت (خوش بینی ، شادی ، عصبانیت ، غم و اندوه ، ترس و استرس) در مورد سهام متوسط صنعتی داو جونز از طریق داده های TRMI. آنها قدرت پیش بینی قابل توجهی را برای بازده سهام بزرگ ، اثرات احساساتی قوی تر تحت توجه رسانه های زیاد پیدا می کنند و یک احساسات تک بعدی نمی تواند احساسات روانشناختی را جایگزین کند.

امروز به طور کلی پذیرفته شده است که احساسات سرمایه گذار بر قیمت سهام تأثیر می گذارد. با خلاصه کردن تجزیه و تحلیل احساسات در سهام ، بدیهی است که احساسات بازار می تواند قیمت ها را از اصول دور کند. اقدامات احساساتی مانند شاخص نوسانات CBOE ، شاخص احساسات مصرف کننده میشیگان یا TRMI در تحقیقات دانشگاهی شاخص هایی ایجاد شده است.

A. چارچوب بیت کوین

قبل از خلاصه کردن ادبیات احساسات در مورد ارزهای رمزپایه - به طور خاص بیت کوین - ، ذکر برخی از ویژگی های خاص بیت کوین حائز اهمیت است. بیت کوین برای اولین بار در یک کاغذ سفید توسط Satoshi Nakamoto [1] (2009) به عنوان یک رمزنگاری غیر متمرکز به همسالان ذکر شد. این هزینه معاملات کمتری دارد ، سریع ، انعطاف پذیر ، شفاف و غیرمتمرکز است (Kuo Chen et al. (2017). مهمترین نوآوری در پشت بیت کوین ، فناوری لجر توزیع شده است که شامل مشکل هزینه های مضاعف می شود و بنابراین بدون واسطه های مالی کار می کندمعاملات عمومی ، غیرقابل پیچیدن و تأیید شده توسط گره های شبکه ، که یک کار الگوریتمی را برای انجام این کار حل می کند. برای یک مرور کلی در مورد اکوسیستم cryptocurrency ، به هیلمن و راوچ (2017) مراجعه کنید. تحقیقات دانشگاهی در مورد بیت کوین به سرعت در حال ظهور است. محققان روی این سؤال تمرکز کردند که آیا بیت کوین یک ارز "واقعی" است یا بیشتر شبیه یک دارایی سوداگرانه است. توسط Baur et al. (2017) ، Barieviera et al. (2017) ، Desan (2012) و Yermack (2015) انجام شده است. همه نتیجه می گیرند که بیت کوین به دلیل ویژگی های ضعیف آن "پول" نیستES به عنوان یک واسطه مبادله ، واحد حساب یا فروشگاه ارزش. برای تعاریف در مورد پول و چارچوب نظارتی در مورد ارزهای فیات و بیت کوین به آلن (2017) مراجعه کنید. بنابراین بیت کوین معمولاً به عنوان یک دارایی سوداگرانه مشاهده می شود.

از آنجا که ارزش گذاری یک دارایی بخش مهمی برای سرمایه گذاری است ، محققان سعی کردند ارزش اساسی بیت کوین را به دست آورند. Jenssen (2014) مقدار بیت کوین را به قدرت رایانه ای که برای استخراج معدن استفاده می شود [2] بیت کوین ، به عنوان منبع منابع ، و همچنین خواستار تقاضا و عرضه از آنجا که عرضه بیت کوین ها در 21 میلیون سکه ثابت است ، نسبت می دهد. گارسیا و همکاران.(2014) همچنین از رویکرد هزینه های تولید استفاده کرد و منجر به مرز کمتری برای ارزش اساسی بیت کوین شد. هیز (2015) با بیان این ایده ، یک مدل هزینه تولید را برای ارزیابی ارزهای رمزنگاری رسمی می کند. با رگرسیون OLS که فقط شامل سه متغیر است ، یعنی قدرت محاسباتی (مشکل در معدن) ، میزان تولید سکه و از کدام الگوریتم استفاده می شود ، مدل برای تشکیل ارزش به R² قابل توجهی از 0. 84 بازده می شود. جالب اینجاست که متغیر "عرضه کل" درایور قابل توجهی از قیمت نیست. با این وجود هایز پیشنهاد کرد که ممکن است متغیرهایی وجود داشته باشد ، مانند یک خطر خطر به عنوان مثال.

اکثر دانشگاهیان سعی در پرداختن به بیت کوین به یک ارزش اساسی نکردند ، اما در مورد رفتار پویایی قیمت بیت کوین بررسی شدند. قیمت بیت کوین با نوسانات شدید و رفتار حباب مشخص می شود زیرا با داشتن دارایی در تنظیم ، غلبه بر چشم انداز رشد بیش از حد و بیش از حد ارزیابی شده است (Cheung ، Roca and Su ، 2015). با استفاده از مدل فیلیپس-شی-یو (2013) ، که ثابت کرده است حباب ها را در بازارهای موجودی و ارز تشخیص می دهد ، به داده های بیت کوین از سال 2010-2014 Cheung ، Roca و Su (2015) 33 حباب را در بازار بیت کوین پیدا کنید. علاوه بر این سه حباب طولانی تر که از 66-109 روز به دلیل وقایع خاص مانند حمله هک به Mt. Gox Exchange ، می رسند ، سایرین فقط برای چند روز به طول انجامند. در پایان اقتصاددانان شناخته شده مانند رابرت جی شیلر (2017) اظهار داشتند که ارزش اساسی صفر است و هرگونه تلاش برای دادن ارزش بیت کوین در بهترین حالت مبهم است. CHEAH و FRY (2015) دقیقاً این را در مدل خود نشان می دهند. متغیر ارزش اساسی بلند مدت تخمین زده شده آنها از نظر آماری با افزایش قیمت حباب متفاوت نیست. تحقیقات دیگر در زمینه حباب های سوداگرانه در مورد بیت کوین توسط Bouchaud و Donier (2015) ، Corbet ، Lucey و Yarovaya (2017) و Blau (2018) انجام شد.

به طور خلاصه ، بیت کوین معمولاً دارای یک دارایی کامل سوداگرانه است. به دلیل از دست دادن یک ارزش اساسی ، به اصطلاح بنیادگرایان در بازار بیت کوین مفقود هستند ، زیرا قیمت منصفانه ناشناخته است. این امر آن را به دلالان ، تعقیب کننده های روند ، سرمایه گذاران کوتاه مدت و معامله گران نویز می دهد (کریستوفک ، 2013). به این معنی که قیمت بیت کوین باید به احساسات بازار ، لحن ، دید ، پوشش رسانه ای و فعالیت رسانه های اجتماعی بستگی زیادی داشته باشد.

a. 1. ادبیات احساسات بیت کوین

تحقیقات اخیر در زمینه احساسات مربوط به بیت کوین انجام شده است-بر خلاف ادبیات گسترده احساسات سهام ، تحقیقات مرتبط با احساسات در این کلاس دارایی جدید عمدتاً به تجزیه و تحلیل احساسات متنی از منابع آنلاین مانند وب سایت ها و سیستم عامل های رسانه های اجتماعی متکی است. کریستوفک (2013 ، 2015) رابطه دو جهته قابل توجهی بین هر دو را نشان می دهد. نمایش داده های جستجوی Google ، نمای روزانه ویکی پدیا و قیمت بیت کوین. نشان دادن اینکه نه تنها نمایش داده های جستجو بر قیمت تأثیر می گذارد ، بلکه قیمت آن را نیز بر نمایش داده های جستجو تأثیر می گذارد ، بنابراین منجر به حباب های مکرر در بازار می شود. گارسیا و همکاران.(2014) همچنین از نمایش داده های Google و نمایش های ویکی پدیا استفاده کرد ، اما علاوه بر این توییت هایی را در توییتر و پست های مجدداً در فیس بوک به عنوان یک متغیر کلمه دهان به دست آورد و به نتایج قابل مقایسه ای رسید. آنها با داشتن یک مدل اتورگر وکتور (VAR) ، آنها یک حلقه بازخورد چرخه اجتماعی و پذیرش را شناسایی می کنند. چرخه اجتماعی به شرح زیر است: افزایش محبوبیت بیت کوین منجر به حجم جستجوی بالاتر می شود ، که باعث افزایش فعالیت رسانه های اجتماعی در مورد بیت کوین ، ترغیب افراد به خرید بیت کوین و در نتیجه منجر به افزایش قیمت می شود. افزایش قیمت سرانجام حجم جستجو را تقویت می کند. کامینسکی (2014) توییت های عاطفی (مثبت ، منفی و عدم اطمینان) را در مورد بیت کوین بررسی می کند و با همبستگی مثبت با قیمت بسته شدن ، حجم معاملات و گسترش داخل بیت کوین ها پیدا می کند. علاوه بر این ، او تست های علیت گرنجر را انجام می دهد و نشان می دهد که توییت ها ارزش بازار را پیش بینی نمی کنند ، بلکه منعکس کننده پویایی تجارت هستند.

تجزیه و تحلیل متنی متداول ، که اغلب در سهام مورد استفاده قرار می گیرد ، از طریق پایگاه داده LexisNexis در مورد مقالات مربوط به تن بیت کوین ها توسط Polasik و همکاران انجام شده است.(2015). آنها تأثیر قوی و بسیار قابل توجهی از محبوبیت (یا توسط مقاله ها یا نمایش داده های جستجوی Google) و همچنین تأثیر مثبت قابل توجهی برای لحن در بازده ماهانه می یابند - مسلماً توصیه نمی شود اقدامات ماهانه را در چنین بازار بی ثبات انجام دهید. بازار cryptocurrency با نوسانات روزانه و مساحت عظیم همانطور که از توزیع روزانه بازده در شکل 1 می بینیم.

[درج شکل 1. درباره اینجا]

Bilanakos و همکاران.(2015) برای تحقیق در مورد روحیه در توییتر ، از یک الگوریتم یادگیری ماشین ، یعنی ماشین های وکتور پشتیبانی استفاده کنید. در رگرسیون های کوتاه مدت آنها اثرات مثبتی برای نسبت توییتر و همچنین برای نماهای ویکی پدیا در مورد قیمت بیت کوین پیدا می کنند. مای و همکاران.(2016) در حال مقایسه احساسات انجمن توییتر و bitcointalk.org از طریق فرهنگ لغت Loughran و McDonald با مدل های تصحیح خطای بردار (VECMS) هستند. این تجزیه و تحلیل درک بهتری از چگونگی پخش احساسات و اطلاعات در طول دو سیستم عامل ارائه می دهد و همچنین بین کاربران مختلف متمایز می شود. یعنی "اکثریت ساکت" و "اقلیت صوتی". این داده ها از احساسات توییتر به عنوان یک نشانگر مهم برای بازگشت بیت کوین و پست های "اکثریت ساکت" در مورد "اقلیت صوتی" استفاده می کنند. مدل VAR توسط Makrichoriti و Moratis (2016) به روابط بیت کوین با متغیرهای کلی اقتصادی (به عنوان یک عامل خطر سیستمیک) و احساسات بازار ایالات متحده ، بر روابط بیت کوین می چرخد. نتایج حاکی از آن است که بیت کوین بیشتر تحت تأثیر احساسات سرمایه گذار قرار می گیرد و نه توسط عامل خطر سیستمیک. Wang and Vergne (2017) نتایج ضد انعطاف پذیر را پیدا می کنند. آنها رابطه منفی قابل توجهی بین منافع عمومی (به اصطلاح وزوز) و همچنین تأثیر معنی داری برای مطبوعات بد در بازده هفتگی گزارش نمی دهند.

در این مقاله ، من با یک مجموعه داده بسیار غنی تر از 12/27/2013 تا 02/28/2018 به تحقیق کمک می کنم ، و قیمت بیت کوین را به بالای 19. 497 دلار تبدیل می کنم و ظرف 2 ماه به 7. 621 دلار کاهش می یابد.(شکل 2 را ببینید).

[درج شکل 2. درباره اینجا]

همچنین توجه رسانه ها در دسامبر سال 2017 با اوج های همه زمانه در Google Trends (شکل 3) و پوشش مجله خبری نیز به اوج خود رسیده بود.

اول ، من دو شاخص احساساتی ایجاد خواهم کرد - یکی اندازه گیری مثبت و دیگری اندازه گیری احساسات منفی برای داده های بیت کوین. برای آنچه من خرد دارم ، این اولین تحقیق دانشگاهی با استفاده از TRMI تازه معرفی شده برای ارزهای رمزنگاری شده است. تمرکز رگرسیون اول بر روابط بیت کوین با عوامل کلان اقتصادی ، بازده بازار سهام و اقدامات احساسات بازار سهام خواهد بود. پس از آن ، من معکوس های برگشتی را مانند DA ، Engelberg و Gao (2014) بررسی خواهم کرد و اگر اقدامات احساساتی ساخته شده نیز بر بازده بیت کوین در آینده تأثیر بگذارد. با توجه به تئوری دید Ungeheuer و Hillert (2018) وزوز برای بیت کوین ، هم در بازده و هم در حجم معامله ، مورد تجزیه و تحلیل قرار می گیرد.

[درج شکل 3. درباره اینجا]

iiiداده ها و روش شناسی

در این تحقیق ، من از داده های مربوط به قیمت های روزانه بیت کوین و حجم معامله از CoinmarketCap.com استفاده می کنم. دلیل انتخاب CoinmarketCap در امتداد منابع مختلف دیگر (جدول 1 را ببینید) به دلیل این روش است.coinmarketCap حجم و قیمت از کلیه مبادلات اصلی در مورد سهم آنها در کل بازار بیت کوین. همچنین اغلب در مقالات تحقیقاتی قبلی مورد استفاده قرار می گیرد و رهبر بازار در این زمینه است. برای Sentiment Data Marketpsych LLC داده های رمزنگاری TRMI را ارائه داد. داده های مرتبط با blockchain مانند نرخ هش ، مشکل معدن و رشد عرضه از طریق quandl.com به دست می آید. منابع داده از 12/27/2013 به 02/28/2018 می رسد. نقطه شروع داده ها انتخاب شده است زیرا اولین روز از CoinmarketCap است که حجم را ارائه می دهد ، همچنین تحقیقات نشان می دهد که قیمت بیت کوین قبل از نیمه دوم سال 2013 ناکارآمد است (Urquhart ، 2016 ، 2018). علاوه بر این ، من از سال 2012 تا 2016 داده های منتشر نشده در مورد شاخص Fears را منتشر نکرده ام. توجه داشته باشید که این داده ها توسط دستیاران تحقیق پروفسور دا به دست آمده است ، بنابراین کاملاً مورد بازرسی قرار نگرفته اند و بنابراین در معرض تغییر هستند. دامنه داده ها منجر به 1525 مشاهدات برای اکثر متغیرها می شود. برای بررسی دقیق در مورد متغیرهای مورد استفاده در این تحقیق ، آمار توصیفی را در جدول III در بخش A. 2 مشاهده کنید.

[جدول من را در اینجا درج کنید]

از آنجا که تحقیقات قبلی به این نتیجه رسیده است ، که بیت کوین تقریباً هیچ ارتباطی با بازار سهام یا اقدامات اساسی اقتصاد ندارد (Makrichoriti و Moratis (2016) و Kuo Chen et al. (2017)) ، یک مدل قیمت گذاری خاص بیت کوین به عنوان پایه استفاده می شود. با این وجود ، مدل من برای عوامل کلان اقتصادی کنترل می کند. مدل پایه برای توضیح بازده روزانه بیت کوین از Wang و Vergne (2017) گرفته شده است.

دلیل انتخاب مدل آنها به عنوان پایه به دلیل توضیحات دقیق روش شناسی و استحکام و همچنین در دسترس بودن داده ها برای گسترش مجموعه داده های آنها است. آنها از داده های هفتگی استفاده می کنند و بر نقدینگی ، توسعه فنی ، رشد عرضه ، تبلیغات منفی و علاقه عمومی به عنوان متغیرهای توضیحی برای بازده پنج رمزنگاری متمرکز می شوند. از آنجا که من نیازی به مقایسه توسعه فنی بین ارزهای مختلف رمزنگاری ندارم ، متغیر توسعه فنی کنار گذاشته شده است. و همچنین اندازه گیری نقدینگی ، از آنجا که بیت کوین به هر حال قابل معامله ترین cryptocurrency است. اندازه گیری تبلیغات منفی فقط اخبار (ذکرهای منفی در پایگاه داده Factiva در مورد بیت کوین) است و علاقه عمومی توسط رتبه ترافیک وب Alexa و نمایش داده های جستجوی بینگ اندازه گیری می شود. در عوض ، من از داده های TRMI استفاده می کنم ، که ترکیبی از اخبار و منابع رسانه های اجتماعی است ، که باید به نتایج جامع تری منجر شود. اندازه گیری منافع عمومی به همین دلیل توسط نمایش داده های جستجوی روزانه ایالات متحده Google Trends جایگزین می شود. علاوه بر این ، من چندین عامل تقاضا مربوط به blockchain را اضافه کردم همانطور که کریستوفک (2015) پس از یافتن درایورهای قابل توجه قیمت تقاضا برای بیت کوین پیشنهاد می کند. همچنین روند هفتگی زمانی که کنترل اقدامات بازار سهام در Wang و Vergne (2017) را کنترل می کند ، روند کلان اقتصادی در مدل من نامیده می شود. برای توضیحات دقیق توضیحات ، به بخش A. 2 مراجعه کنید.

[1] تا به امروز مشخص نیست که شخص یا گروه پشت مترادف Satoshi Nakamoto کیست.

[2] برای ارائه قدرت محاسباتی برای تأیید هر معامله در blockchain ، گره ها یا معدنچیان پاداش می گیرند. اصطلاح معدن مربوط به معدنچیان طلا است و در جستجوی بلوک بعدی در blockchain است.