Динамика курса биткоина за 2019: BTC/USD (Биткоин) — курс на сегодня, онлайн график динамики цен :: РБК.Крипто

Изменение количества тиков.

Показано количество тиков с ненулевой доходностью в день. Красная линия представляет количество тиков за 8-часовой торговый день и показана только для иллюстрации. Видно, что на начальные дни существования рынка BitCoin ликвидности практически не было. Примерно с мая 2011 года ликвидность достигла удовлетворительного уровня.

Развитие обеих пар — Google Trends (еженедельно) и Wikipedia (ежедневно) с соответствующими ценами BitCoin — показано на рис.2. Очевидно, ежедневная серия записей Wikipedia дает более подробную картину поведения интереса и внимания пользователей Интернета вместе с более высоким потенциалом для более точного статистического анализа. Мы наблюдаем, что цены на цифровую валюту сильно коррелируют с поисковыми запросами обеих систем. В частности, корреляции достигают уровней 0,8786 (при t (111) = 19,3850 [<0,01], p — значение показано в квадратных скобках) и 0.8271 (с t (786) = 41,2587 [<0,01]) для Google Trends и Wikipedia соответственно. Сила этих отношений хорошо проиллюстрирована на рис. 3, где очевидна сильная линейная корреляция между логарифмическими ценами и логарифмической частотой поиска. Тот факт, что такая корреляция наиболее очевидна для логарифмической спецификации, является первой подсказкой для анализа логарифмических преобразований, а не исходного ряда. Более того, спецификация log-log также позволяет легко интерпретировать взаимосвязь как эластичность.Это понятие будет более подчеркнуто в следующем разделе, где обсуждаются стационарность и коинтеграция ряда.

Цена BitCoin и эволюция поисковых запросов.

Еженедельные серии для BitCoin и Google Trends показаны слева, а ежедневные серии для BitCoin и Wikipedia показаны справа. Очевидно, что поисковые запросы положительно коррелируют с ценами с корреляцией 0,8786 и 0,8271 для Google Trends и Wikipedia соответственно (для логарифмической шкалы).Пузырь BitCoin 2013 года сопровождается стремительным ростом поисковых запросов в обеих базах данных.

Связь между ценой BitCoin и поисковыми запросами.

Показана двойная логарифмическая иллюстрация корреляции между ценами BitCoin и искомым термином ( Google Trend слева и Wikipedia справа). Налицо положительная зависимость, и она сохраняется практически для всего диапазона с корреляцией 0.8786 и 0,8271 для Google Trends и Wikipedia соответственно.

Стационарность и коинтеграция

Чтобы охватить различные комбинации взаимосвязей, мы сначала изучаем все стандартные преобразования исходного ряда, то есть логарифмическое преобразование, первые разности и первые логарифмические разности. Для каждой из серий мы проверяем их стационарность с помощью тестов KPSS ¹⁴ и ADF ¹⁵ . Поскольку оба теста имеют противоположную нулевую и альтернативную гипотезы, они образуют идеальную пару для стационарности vs.модульное корневое тестирование. В Табл. 1 суммированы все эти результаты. Для цен BitCoin (как дневных, так и еженедельных) мы обнаруживаем, что как исходный, так и логарифмический ряд нестационарны и содержат единичный корень. Соответственно, их первые разности стационарны. Те же результаты получены для ежедневных просмотров Wikipedia , но для запросов Google Trends мы находим единичный корень только для логарифмического преобразования ряда искомых терминов. По этой причине, а также для более удобной интерпретации мы выбрали логарифмический ряд.

Обращаясь теперь к анализу динамических свойств и взаимосвязей между рядами, мы, прежде всего, заинтересованы в потенциальной коинтеграционной взаимосвязи. Методология коинтеграции оказалась очень полезной в различных экономических и финансовых исследованиях, начиная от экономического развития ^16,17 по денежно-кредитной экономике ^18,19 , международной экономики ^20,21,22 до экономики энергетики ^23,24 , поскольку она позволяет для изучения долгосрочной взаимосвязи между рядами, а также их краткосрочной зависимости с помощью моделей исправления ошибок (более подробную информацию см. в разделе «Методы»).Для проверки отношений коинтеграции мы используем два теста Йохансена ²⁵ — тест трассировки и тесты правдоподобия. В Табл. 2 мы показываем результаты для обеих пар и обнаруживаем, что серия BitCoin не коинтегрируется с серией Google Trends , но соединение с серией Wikipedia можно описать как коинтеграцию. Следовательно, для первой пары нам нужно обратиться к методологии векторной авторегрессии (VAR), применяемой к первым логарифмическим разностям (более подробную информацию см. В разделе «Методы»), а для второй пары мы придерживаемся стандартной коинтеграции и векторной ошибки — каркас модели коррекции (VECM).

Общие результаты

Начиная с результатов Google Trends , нас в первую очередь интересует динамическая взаимосвязь между поисковыми запросами в Google , а именно «BitCoin» (обратите внимание, что частота поискового запроса не чувствительна к регистру, поэтому включены различные версии слова, такие как «BitCoin», «Bitcoin» и «bitcoin») — и цена валюты.Основываясь на информационных критериях Акаике, Ханнана-Куинна и Шварца-Байеса, мы используем единственное запаздывание в подходе VAR, то есть VAR (1) применяется к первым логарифмическим разностям. Чтобы контролировать потенциальную неэффективность автокорреляции и гетероскедастичности, мы выбираем стандартные ошибки гетероскедастичности и робастной автокорреляции (HAC). Результаты приведены на рис. 4. Графики показывают реакцию соответствующей переменной на удар в импульсной переменной. Поскольку мы работаем с логарифмическими разностями, мы можем интерпретировать эти шоки как пропорциональную реакцию на шок 1%.10% -ный шок в поисковых запросах дает реакцию примерно 0,8% в первом и 1,2% во втором периоде, то есть всего 2% реакции, и эффект исчезает для последних периодов. Однако влияние действует и с противоположной стороны, и оно снова продолжается (остается статистически значимым) в течение двух периодов. За реакцией на 10% шок поисковых запросов следует суммарная реакция цен в 0,8% (0,55% и 0,25% для периодов соответственно). Объединив эти два понятия, мы обнаруживаем, что повышенный интерес к валюте BitCoin , измеренный по запросам, увеличивает ее цену.По мере увеличения интереса к валюте возрастает и спрос, вызывая рост цен. Однако по мере того, как цена BitCoin растет, растет и интерес не только инвесторов, но и широкой публики. Обратите внимание, что довольно легко инвестировать в BitCoin , поскольку валюту не нужно продавать большими пачками. Очевидно, это создает потенциал для развития пузыря.

Динамика отклика для Google Trends .

Функции импульсного отклика для первых логарифмических разностей цен BitCoin и поисковых запросов Google Trends . Положительные отношения очевидны в обоих направлениях. Ответы также частично асимметричны.

Обращаясь теперь к результатам ежедневных просмотров Wikipedia , мы заинтересованы в той же взаимосвязи, что и в предыдущем случае, но теперь на основе модели векторной коррекции ошибок (VECM) с семью лагами (VECM (7)) на основе по информационным критериям.На рис. 5 мы представляем функции отклика, которые, однако, отличаются от предыдущих, поскольку они представляют постоянные сдвиги в переменной отклика по сравнению с непосредственными сдвигами на рис. 4. В первые 7 дней (торговая неделя) рост цен вызывает все большую положительную реакцию ежедневных просмотров. По истечении первой недели эффект стабилизируется, но интерес к BitCoin , измеренный по ежедневным просмотрам, не возвращается к исходному уровню. Полная передача около 0.05, то есть изменение цен на 10% связано с постоянным сдвигом на 0,5% в просмотров Википедии на . С другой стороны, мы не наблюдаем статистически значимого влияния ежедневных просмотров на цены. Разница между Wikipedia и Google Trends может быть вызвана тем фактом, что, конечно, эти два движка разные, и люди, использующие эти два, могут иметь разные мотивы и могут интересоваться разными особенностями. Тем не менее, мы считаем, что оба механизма предоставляют интересную информацию о функционировании и взаимосвязи между цифровой валютой и общим интересом к ней.Помимо стандартных эффектов, нас также интересует, является ли реакция цен на искомые термины симметричной, т. Е. Имеет ли растущий интерес, возникающий вместе с ростом цен (возможно, формирование пузыря), тот же эффект, что и возрастающий интерес, связанный с снижение цен (возможно, лопнувший пузырь).

Динамика ответа для Википедия .

Функции импульсной характеристики для логарифмических преобразований цен BitCoin и Wikipedia ежедневных просмотров.Изменения цен положительно влияют на ежедневные просмотры на сайте Wikipedia . Противоположный эффект не является статистически значимым. Однако, когда эффекты разделяются на положительную и отрицательную обратную связь, эффект становится статистически значимым.

Положительные и отрицательные отзывы

Решающим недостатком измерения интереса с использованием поисковых запросов в Google Trends или ежедневных просмотров в Wikipedia является тот факт, что трудно отличить интерес от положительных или отрицательных событий.В частности, для BitCoin существует большая разница между поиском информации во время растущей тенденции или после лопнувшего пузыря. Чтобы разделить эти эффекты, мы вводим фиктивную переменную, равную единице, если цена BitCoin выше его уровня тренда (измеряется скользящим средним 4 для Google Trends и 7 для Wikipedia из-за разной частоты выборки. ) и ноль в противном случае. Таким образом, мы пытаемся различать положительную обратную связь, определяемую как реакция на возрастающий интерес (измеряемый поисковыми запросами), когда цена превышает значение тренда, и отрицательную обратную связь, определяемую наоборот.

Для пары Google Trends результаты снова проиллюстрированы на рис. 4. Здесь мы видим, что практически вся реакция исходит из положительной обратной связи, поскольку практически нет статистически значимой реакции на отрицательные движения цен. в смысле поисковых запросов. Гораздо более интересные результаты получены для ежедневных просмотров Wikipedia . На рис. 5 мы видим, что положительная и отрицательная обратная связь практически симметрична относительно нулевой реакции.То есть реакция цен на изменение интереса Wikipedia аналогична для цен, находящихся как выше, так и ниже тренда, но для знака реакции. Полная передача составляет около 0,05 и -0,05 для положительной и отрицательной обратной связи соответственно. Это важный результат, потому что без разделения на положительные и отрицательные отзывы мы не находим никакой реакции цен BitCoin на просмотры Wikipedia . Однако, если эффект разделен, реакция статистически значима и имеет ожидаемый знак.Если цены растут и общественный интерес к этому вопросу растет, цены, вероятно, продолжат расти. Но если цены падают, повышенный интерес толкает их еще ниже.

Биткойн: экономика, технологии и управление

Аннотация

Цитата

Дополнительные материалы

Классификация JEL

• E42 Денежно-кредитные системы; Стандарты; Режимы; Правительство и валютная система; Платежные системы
• E58 Центральные банки и их политика
• L51 Экономика регулирования

К этой статье нет комментариев.

Некоторые комментарии по поводу (не) эффективности рынка Биткойн

Abstract

В этой статье мы исследуем (не) эффективность континуального рынка Биткойн-доллар США в период с середины 2010 года до начала 2019 года. Для решения этой проблемы мы динамически анализируем эволюцию показателя самоподобия Биткойн. -USD ежедневно возвращается через точный подход FD4 с помощью скользящего окна на 512 дней с перекрывающимися данными. Далее, мы определяем индикатор памяти по разнице между показателем самоподобия ряда биткойн-доллар США и индексом самоподобия его перемешанного ряда.Мы также проводим дополнительный анализ с помощью подхода FD4 с помощью скользящих окон размером 64, 128, 256 и 1024 дней, а также с помощью алгоритма FD для значений q , равных 1 и 2 (и скользящих окон, равных 512 дням). ). Кроме того, мы исследовали эволюцию показателя самоподобия реальных серий S & P500 с помощью алгоритма FD4 с помощью скользящих окон размером 256 и 512 дней. Во всех случаях полученные результаты оказались аналогичными нашему первому анализу. Мы заключаем, что показатель самоподобия BTC-USD (соотв., S & P500) выше 0,5. Однако это связано не с наличием значительного объема памяти в серии, а с ее основным распределением. Фактически, он утверждает, что показатель самоподобия серии BTC-USD (соответственно, S & P500) аналогичен или ниже, чем показатель самоподобия случайной серии с тем же распределением. Таким образом, выделяют несколько периодов со значительной антиперсистентной памятью в серии BTC-USD (соответственно, S & P500).

Образец цитирования: Димитрова В., Фернандес-Мартинес М., Санчес-Гранеро М.А., Тринидад Сеговия JE (2019) Некоторые комментарии об эффективности (не) рынка биткойнов.PLoS ONE 14 (7): e0219243. https://doi.org/10.1371/journal.pone.0219243

Редактор: Алехандро Рауль Эрнандес Монтойя, Universidad Veracruzana, MEXICO

Поступила: 08.11.2018; Принята к печати: 19 июня 2019 г .; Опубликовано: 8 июля 2019 г.

Авторские права: © 2019 Dimitrova et al. Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Доступность данных: Данные, лежащие в основе результатов исследования, доступны в статье и дополнительных материалах.

Финансирование: Второй автор выражает признательность за поддержку Ministerio Español de Economía y Competitividad, грант MTM2015-64373-P (MINECO / FEDER, UE), и Ministerio Español de Ciencia, Innovación y Universidades and FEDER, грант PGC2018-097198 -B-I00. Третий автор выражает признательность за поддержку Ministerio Español de Economía y Competitividad, грант MTM2015-64373-P (MINECO / FEDER, UE), и Ministerio Español de Ciencia, Innovación y Universidades и FEDER, грант PGC2018-101555-B-I00.Четвертый автор выражает признательность Министерству испанской экономики и конкуренции за поддержку, грант DER2016-76053-R (MINECO / FEDER, UE), и Министерству испанского языка, инновациям и университетам и ФЕДЕР, грант PGC2018-101555-B-I00.

Конкурирующие интересы: Авторы заявили, что никаких конкурирующих интересов не существует.

Введение

Теоретическая разработка гипотезы эффективного рынка (далее EMH) приписывается Кутнеру [1] и Самуэльсону [2].Одним из пионеров анализа рыночной эффективности был Фама [3], который считал, что рынок эффективен при условии, что вся доступная информация полностью отражена на рынке и может использоваться для всех агентов. Эффективность рынка была разделена на три категории: слабая эффективность, когда рыночные цены действительно отражают всю информацию, содержащуюся в прошлых сериях цен, полусильная эффективность, если цены отражают всю общедоступную информацию, а также высокая эффективность. Таким образом, последний сценарий становится наиболее ограничительным, поскольку он считает, что цены отражают всю публичную и частную информацию.

Со статистической точки зрения эффективный рынок следует случайному блужданию, впервые введенному в финансах математиком Башелье для изучения поведения цен на французские облигации [4]. Таким образом, рыночные цены будут описываться независимыми и одинаково распределенными случайными величинами. Присутствие длинной памяти в сериях цен или доходности активов не может быть допущено в этом сценарии, поскольку это позволило бы использовать безрисковую прибыльную торговую стратегию.

С момента основания EMH подвергался сомнению как слишком ограничительный и общий.Таким образом, было предложено несколько альтернатив. Предложение Мандельброта [5], в котором цены на акции подгоняются дробным броуновским движением, представляет собой одного из первых критиков EMH. Такая модель предполагает, что цены демонстрируют длительную память, что невозможно при EMH. В недавней статье Понта и Карбоне [6] отмечают важность неоднородности рынка как слабого места EMH, основанного на однородном случайном процессе. Они предлагают совокупный индекс неоднородности рынка на основе предыдущих работ (c.f. [7–9]), относится к понятию энтропии и обеспечивает лучшую оценку состава портфеля по сравнению с традиционным коэффициентом Шарпа. Этот новый подход учитывает наличие кластеров в финансовых данных. С тех пор, как Филиппатос и Уилсон [10] ввели понятие энтропии в финансах, многие другие исследователи обогатили теорию рыночных финансов различными концепциями энтропии для измерения риска и описания распределений (подробный обзор см. В Чжоу и др. [11]).

Исследование наличия длинной памяти в ценах акций или доходности активов стало предметом обсуждения для анализа рыночной эффективности.Стоит отметить, что в большом количестве работ действительно приводятся некоторые эмпирические доказательства долгой памяти (см., Например, [12–19]), в то время как в других нет [20, 21]).

Тем не менее, необходимо ответить на несколько вопросов относительно использования показателя самоподобия для анализа EMH. Например, несколько авторов недавно предложили взаимосвязь между степенью развития рынка и уровнем его эффективности (см., Например, [22–25]). Они предполагают, что это может быть определено количественно по показателю самоподобия.Таким образом, они анализируют масштабируемые модели поведения, чтобы количественно оценить свой уровень развития.

Как следствие, они подчеркивают, что зрелые рынки обычно демонстрируют короткую память или вообще не имеют памяти, тогда как развивающиеся рынки по-прежнему демонстрируют свойства длинной памяти. С другой стороны, также часто можно сделать выводы из простого анализа индекса самоподобия, не обращая внимания на некоторые важные вопросы, такие как нас, лежащее в основе распределение данных (например, [26]) или точность различных алгоритмов, используемых для получить значение H (т.е.грамм. [27]). В связи с этим мы считаем интересным вопрос анализ показателя Херста криптовалют с целью характеристики степени развития этого нового рынка. В этой статье мы сосредоточимся на изучении моделей самоподобия в континууме эволюции биткойн-доллар США (далее BTC-USD) во времени.

Настоящая статья организована следующим образом. Во-первых, в разделе 1 содержится подробный обзор литературы по основным вопросам, которые были решены до сих пор, в отношении поведения биткойн-макетов.В разделе 2 мы приводим основы алгоритма FD4, применяемого в этой статье для целей вычисления показателя самоподобия. В разделе 3 мы представляем полученные нами результаты относительно (не) эффективности эволюции BTC-USD во времени, и, наконец, в разделе 4 представлены наши основные выводы.

1 Криптовалюты: обзор литературы

Биткойн был представлен 31 октября 2008 г. в статье, выпущенной для нескольких энтузиастов криптографии [28]. В этом электронном письме, подписанном псевдонимом Сатоши Накамото, объяснялось, что это криптовалюта, позволяющая обмениваться ценными токенами между двумя частями без разглашения каких-либо деталей транзакции.С тех пор Биткойн стал самой популярной и востребованной криптовалютой.

Фактически, Биткойн — это криптовалюта с самой высокой рыночной капитализацией среди более чем 1658 цифровых валют, существующих в настоящее время, достигнув 237,62 миллиарда долларов США в декабре 2017 года. С момента его появления его рыночная капитализация выросла примерно с 0,04 миллиарда долларов США в первом квартале 2012 года. до 117,56 млрд долларов в первом квартале 2018 г., по данным [29].

Отсутствие контроля со стороны правительств и центральных властей, слабое и неэффективное регулирование и молодость криптовалют сделали их рынки довольно спекулятивными и нестабильными.Несмотря на это, растущий рынок этих новых успешных финансовых инструментов и их инновационные особенности привлекают все больше и больше крупных и мелких инвесторов, спекулянтов, политиков и академических исследователей со всего мира.

Рынок криптовалют все еще крошечный по сравнению с традиционными финансовыми рынками. Поэтому актуальных исследований в литературе немного. Стоит отметить, что EMH анализируется на рынках криптовалют с 2015 года. Большинство исследователей сосредоточили внимание на слабой эффективности различных подходов.Далее мы прокомментируем методологии, а также результаты, представленные в некоторых статьях, уже появившихся в литературе.

В [30] Бартос сконцентрировал усилия, чтобы представить некоторые доказательства эффективности на рынке биткойнов, и исследовал поведение его ценовой эволюции, выполнив эмпирический анализ. Представленные в нем результаты предполагают, что такая криптовалюта следует за EMH и немедленно реагирует на публично объявленную информацию. Выяснилось, что события влияют на цены криптовалют.В частности, цена Биткойна выше (соответственно ниже) в дни положительных (соответственно, отрицательных) событий, чем в дни без значительных событий. Также был сделан вывод, что факторы спроса и предложения имеют решающее влияние на цену этой криптовалюты.

Впоследствии Уркхарт [31] исследовал эффективность рынка биткойнов с 1 августа 2010 года по 31 июля 2016 года, используя пять различных тестов на доходность биткойнов, а именно: Ljung-Box, запуски, показатель Бартеля, коэффициент дисперсии, AVR с произвольной загрузкой. , и BDS.Это исследование предоставило некоторые эмпирические доказательства против EMH относительно эволюции Биткойна во времени. Фактически, был сделан вывод, что неэффективность рынка биткойнов достаточно высока. Однако следует отметить, что весь период времени был разделен на два подпериода, с 1 августа 2013 г. по 31 июля 2016 г., при этом рынок биткойнов был эффективен только во втором периоде. Таким образом, было заявлено, что со временем он становится более эффективным.

Через некоторое время Надараджа и Чу [32], вслед за Уркхартом [31], повторно исследовали данные, используя восемь различных тестов, добавляя нечетные целочисленные преобразования мощности ежедневных доходов Биткойна.Применяемые ими подходы включали тест Льюнга-Бокса (для отсутствия автокорреляции), прогоны и тесты Бартеля (для независимости), тесты на коэффициент автоматической дисперсии и спектральной формы (для гипотезы случайного блуждания), тест BDS (чтобы гарантировать независимость результатов. и одинаково распределены), роботизированный тест Портманто (для отсутствия последовательной корреляции) и обобщенный спектральный тест (для гипотезы разности мартингалов). Согласно предоставленным результатам, не было никаких доказательств против нулевой гипотезы, кроме тестов на независимость.Таким образом, авторы пришли к выводу, что рынок биткойнов ведет себя эффективно.

Позже Курихара и Фукусима [33] провели эмпирический анализ рынка Биткойн, проверив его эффективность и выявляя возможные аномалии в его недельных ценах. В результате они заявили, что рынок биткойнов неэффективен, хотя со временем он будет вести себя более эффективно. Таким образом, они предположили, что в будущем это будет случайным образом.

С другой стороны, Баривьера, Басгалл, Хасперу и Найуф [34] сравнили динамику Биткойна со стандартными валютами и сосредоточились на анализе доходности в различных временных масштабах.Они проверили наличие длинной памяти в доходности биткойнов с 2011 по 2017 год, используя показатель Херста с помощью анализа колебаний без тренда (DFA) в скользящем окне, чтобы измерить долгосрочную зависимость. Они также провели многомасштабный анализ, который привел к аналогичным результатам с точки зрения показателей Херста. Таким образом, они обнаружили, что показатели Херста значительно изменились в течение первых лет существования Биткойна, а в последнее время имеют тенденцию к стабилизации. В частности, они заявили, что серия биткойнов имеет постоянное поведение (показатель самоподобия больше 0.5) до 2014 года, тогда как после этого года показатель Херста имел тенденцию изменяться в районе 0,5. Соответственно, с 2014 года рынок биткойнов ведет себя более эффективно, поскольку его поведение в разных временных масштабах (5–12 часов) практически одинаково с точки зрения длительной памяти.

Вскоре после этого Баривьера [35] пересмотрел колебания цен на биткойны. В этом случае он изучил изменяющееся во времени поведение длинной памяти для волатильности и доходности биткойнов с 2011 по 2017 год. С этой целью был применен как анализ R / S (для обнаружения длинной памяти), так и DFA (для более точного различения). вариации информационной эффективности во времени) для целей расчета показателя Херста.По результатам было установлено, что дневная доходность демонстрирует устойчивое поведение с 2011 по 2014 год, тогда как с 2014 года рынок стал более информативным. Однако волатильность цен имеет долгую память на протяжении всего периода времени.

Альварес-Рамирес, Родригес и Ибарра-Вальдес [36], со своей стороны, изучали наличие долгосрочных корреляций и информационную эффективность рынка Биткойн за период с 30 июня 2013 г. по 3 июня 2017 г. с помощью DFA. подход через скользящие окна для оценки долгосрочной корреляции доходности биткойнов.Полученные здесь результаты были аналогичны результатам Bariviera: они показали, что рынок биткойнов демонстрирует периоды эффективности, чередующиеся с периодами, когда динамика цен определяется анти-настойчивостью.

Тивари, Яна, Дас и Рубо [37] также протестировали информационную эффективность Биткойна. С этой целью они использовали батарею эффективных с вычислительной точки зрения оценок долгосрочной зависимости за период с 18 июля 2010 г. по 16 июня 2017 г. Выводы их исследования показали, что рынок является эффективным с точки зрения информации, что согласуется с недавними выводами Уркхарта. [31], Надараджа и Чу [32], и Баривьера [35].Авторы подчеркнули, что рынок Биткойн работает за некоторым исключением периода с апреля по август 2013 года и с августа по ноябрь 2016 года.

Недавно Хуанг, Ни и Руан [38] исследовали изменяющуюся во времени долговременную память на рынке Биткойн с помощью метода скользящего окна и нового индекса эффективности [39], используя ежедневные наборы данных за период с 2010 по 2017 год. Они пришли к выводу, что обобщенные показатели Херста на рынке биткойнов выше 0,5. С их точки зрения, на рынке биткойнов существует долговременная память.Они также отметили высокую степень неэффективности такого рынка и заявили, что со временем он не станет более эффективным.

В начале 2018 года Демир, Гозгор, Лау и Винье [40] опубликовали статью, цель которой — проанализировать силу прогнозирования индекса неопределенности экономической политики (EPU) на ежедневную доходность биткойнов за период с 18 июля 2010 года по 15 ноября 2017 г., с помощью байесовской графической структурной векторной модели авторегрессии, обычных наименьших квадратов и оценок квантильной регрессии.Авторы пришли к выводу, что доходность биткойнов отрицательно связана с изменениями в EPU, но они также указали, что эффект является положительным и значительным при более низких и высоких квантилях доходности биткойнов и EPU.

Расширяя исследование рынка биткойнов, Браунейс и Местел [41] связали эффективность с показателями ликвидности. После выполнения некоторых тестов на нормальность (Ярке-Бера и Колмогоров-Смирнов), теста Энгла ARCH, пяти тестов, примененных Уркхартом (Юнг и Бокс, прогоны, коэффициент дисперсии (VR), дикий бутстрэп-тест Кима, Bartel’s и Brock et al. al.непараметрический BDS), показатель Херста и непараметрический тест эффективности маркетинга 73 криптовалют в период с 31 августа 2015 года по 30 ноября 2017 года, они пришли к выводу, что криптовалюты становятся менее неэффективными по мере роста ликвидности.

Кроме того, Гапорале, Гил-Алана и Пластун [42] использовали методы анализа R / S и частичной интеграции с длинной памятью для изучения степени устойчивости криптовалют Биткойн, Лайткойн, Ripple и Dash за период выборки с 2013 по 2017 год.По их мнению, есть свидетельства неэффективности рынка, поскольку эти рынки демонстрируют устойчивость. В частности, они настаивают на наличии положительной корреляции между их прошлыми и будущими ценностями, которые со временем меняются. С их точки зрения, рынок криптовалюты по-прежнему неэффективен, но становится все меньше, особенно в случае рынка Litecoin, где показатель Херста со временем значительно снизился.

Кроме того, Cheap, Mishra и Zhang [43] предложили новый механизм для понимания динамической взаимозависимости цен на биткойны в межрыночном контексте.Они смоделировали межрыночные цены на биткойны как процессы с длинной памятью и изучали динамическую взаимозависимость в рамках частично коинтегрированной структуры VAR. В результате долгая память была обнаружена как на отдельных рынках, так и в системе рынков, отражающих неоднородную информационную неэффективность.

Кристофек [44] недавно опубликовал статью об исследовании эффективности рынка биткойнов по отношению к доллару США и китайскому юаню и их эволюции во времени. Он использовал Индекс эффективности [23], чтобы протестировать их для различных типов (не) показателей эффективности.Что касается рынка долларов США, он отметил, что есть только два более продолжительных периода времени, когда рынок можно считать эффективным — с середины 2011 года до середины 2012 года и с марта по ноябрь 2014 года. неэффективность на рынке биткойнов. Стоит отметить, что результаты анализов, проведенных в отношении рынка CNY, не столь сильны, поскольку в период исследования упускается некоторая очень важная пузырьковая динамика до 2014 года. Поэтому он настаивает на наличии убедительных доказательств того, что оба рынка биткойнов остаются в основном неэффективными. в период с 2010 по 2017 год, за исключением нескольких периодов, непосредственно связанных с охлаждением после подобного мыльному росту цен.

Хунтия и Паттанаяк [45] оценили адаптивную рыночную гипотезу (AMH), а также развивающуюся предсказуемость доходности на рынке биткойнов, используя два надежных метода в рамках скользящего окна для определения изменяющейся во времени линейной и нелинейной зависимости доходности биткойнов. Выводы их исследования заключаются в том, что эффективность рынка биткойнов со временем развивается, и доказательства его динамики соответствуют AMH. По мнению авторов, некоторые важные события совпадают с эпизодами (не) эффективности, поэтому создание событий и поведенческая предвзятость могут изменить ее эффективность.

Более того, Видаль-Томас и Ибаньес [46] оценили гипотезу о полусильной эффективности Биткойна как на рынках Bitstamp, так и на Mt.Gox, применив методологию исследования событий. Они хотели проверить, как цифровые валюты реагируют на денежно-кредитную политику и события Биткойн. Авторы заметили, что Биткойн со временем стал более эффективным в отношении собственных событий, но в то же время они пришли к выводу, что на криптовалюту не влияют новости денежно-кредитной политики, подчеркнув отсутствие какого-либо контроля над Биткойном.

Тем не менее, динамическое поведение криптовалют практически не изучено, и исследования, проведенные по этим вопросам, все еще немногочисленны. Это одна из причин, почему мы выбрали анализ памяти на рынке биткойнов в качестве предмета нашего исследования. Мы считаем важным выявить отношения, существующие между рынком Биткойн и стандартными финансовыми рынками. Таким образом, для динамического тестирования длинных шаблонов памяти во времени в сериях возврата BTC-USD мы будем применять так называемый подход FD4 для точного вычисления показателя самоподобия (финансовых) временных рядов.

2 Подход FD4

В этом разделе мы предоставим основы так называемого алгоритма FD4, процедуры, впервые представленной в [47, разделы 3 и 4] для точного вычисления показателя самоподобия.

Пусть q > 0, m _q ( X ) = E [| X | ^q ] (при условии, что он существует), предположим, что X — это случайный процесс со стационарными приращениями, и существует H > 0, такое, что выполняется следующий степенной закон: (1) где обозначает совокупный диапазон периода, т.е.е., с участием . Стоит отметить, что уравнению (1) удовлетворяет любая случайная функция с самоаффинными приращениями параметра H . Достаточным условием, приводящим к такому виду случайных процессов, является самоподобный процесс со стационарными приращениями (ср. [48, лемма 3.4]). Обратное верно и для случайных процессов с самоаффинными приращениями.

Возведем уравнение (1) в степень q и дискретизируем период на. Таким образом, (2)

Если обозначить, то уравнение (2) можно переписать в следующих терминах: для всех q > 0 и.Таким образом, q — степени совокупных диапазонов из последовательных периодов X связаны в следующем выражении: (3)

Следовательно, если существуют средние значения случайных величин, участвующих в уравнении (3), то верно, что или, что то же самое, (4) что создает сильную взаимосвязь между последовательными моментами порядка q для каждого. Другой вариант — переписать уравнение (4) следующим образом: (5)

Применим двухзначный логарифм к обеим частям уравнения (5).потом (6)

Кроме того, из (4) следует, что (7)

Подход в уравнении (6) для расчета индекса самоподобия называется алгоритмом FD. Однако для правильного применения алгоритма FD необходимо гарантировать наличие м _q ( X ). С этой целью алгоритм FD4 устанавливает q = 0,01. Другими словами, подход FD4 — это алгоритм FD для q = 0,01. Выбор такого значения для q может показаться читателю несколько искусственным.Чтобы обосновать это, мы хотели бы указать, что любой q ≠ 0 может быть выбран (на первый взгляд) для вычисления индекса самоподобия унифрактальных процессов при условии, что соответствующий момент отсчета существует. Для устойчивых движений Леви выборочные моменты м _q ( X _n ) могут не существовать для q > q ₀ , в отличие от (дробных) броуновских движений. . По этой причине мы берем q = 0.01 для приложений FD4.

Чтобы вычислить индекс самоподобия с помощью FD4, мы можем действовать одним из двух способов:

• Из уравнения (6) мы можем определить H по наклону линии регрессии, сравнивая n и log ₂ m _q ( X _n ). Действительно, коэффициент линейной регрессии, близкий к 1, приведет к тому, что уравнение (5) соответствует такой случайной функции.
• Рассмотрим уравнение (7) для q = 0.01. Следовательно, (8)

Это позволяет вычислить H через отношение моментов накопленных диапазонов последовательных периодов. Стоит отметить, что расчет м _q ( X _n ) лежит на образце X _n . Поскольку длина каждого образца X _n равна 2 ⁿ , точность вычисления м _q ( X _n ) улучшится по мере того, как n увеличивается.Следовательно, расчет м _q ( X _n ) может быть выполнен с помощью любого из подходов, описанных ниже:

1. (i). Примените уравнение (8) для двух наибольших доступных значений: n .
2. (ii). Рассмотрим все значения n и вычислим отношения для всех пар последовательных моментов.
3. (iii). Для временного ряда (цен на бревна) разделим его на 2 ⁿ неперекрывающихся блоков с длиной, равной.потом
   1. Рассчитайте диапазон, R _i , каждого блока, т. Е. Пусть R _i = max { B _j : 1 ≤ j ≤ } — min { B _j : 1 ≤ j ≤ k } для i = 1,…, 2 ⁿ .
   2. Рассчитать.
4. (iv). Альтернативный подход к (iii) может быть разработан с точки зрения перекрывающихся блоков.Для этого пусть k = length (series) / 2 ⁿ , то есть количество элементов в каждом блоке. Таким образом, учитывая n , давайте начнем каждый блок с любого индекса 0, 1,…, k — 1. Таким образом, k различных оценок для m _q ( X _n ) удерживать. Затем вычислите их среднее значение.

Обратите внимание, что для определения диапазона каждого блока в выражении (iii) (1) учитываются как максимальное, так и минимальное значения каждого периода.В финансовых сериях такие значения обычно известны для каждого торгового периода. Следовательно, наибольшее значение n равно длине (серии), поэтому каждый блок будет содержать только один элемент. Однако диапазон этого элемента (максимум минус минимум) все же можно вычислить.

Стоит отметить, что подход FD, описанный в этом разделе, становится обобщением так называемых алгоритмов фрактальной размерности (см. [49]) и подхода GM2 (см. [27, 48]) для расчета параметров процессов со стационарными и самоаффинные приращения (c.f. [47, теорема 3.1]). Точность подхода FD для целей расчета показателя самоподобия была проанализирована для устойчивых движений Леви и (дробных) броуновских движений с длинами серий от 2 ⁵ до 2 ¹⁰ данных (см. [47, раздел 5]).

3 Исследование показателя самоподобия в серии BTC-USD

В этом разделе мы проведем динамическую эволюцию индекса самоподобия ежедневной доходности BTC-USD во времени с помощью подхода FD4.

Эмпирические данные, использованные в этой статье, можно описать следующими терминами.Пусть X ( t ) будет журналом дневных цен ряда BTC-USD в период с середины 2010 до начала 2019 года. Таким образом, длина такого временного ряда равна количеству торговых дней в этом периоде. поскольку каждый день является торговым днем ​​в случае серии цен на биткойны.

Затем мы проверяем две гипотезы, необходимые для приращений ряда BTC-USD, чтобы правильно применять алгоритм FD4 для целей вычисления показателя самоподобия, т.е. что такие приращения являются стационарными и самоаффинными.Что касается стационарности приращений нашего ценового ряда Биткойн (логарифм), мы применили расширенный тест единичного корня Дики-Фуллера для нулевой гипотезы, состоящей из того, что приращения этого ряда не являются стационарными. Было получено p-значение, равное 0,0, поэтому при уровне значимости 0,05 считается, что эти приращения являются стационарными. С другой стороны, мы эмпирически проверили линейную зависимость, появившуюся в уравнении (6), которое описывает работу подхода FD4. Таким образом, мы динамически рассчитали коэффициент корреляции для ежедневных доходностей серии цен Биткойн (лог) в период с 2012 по начало 2019 года с помощью скользящего окна длиной 512 дней и перекрывающихся данных.S1 Фиг. Показывает динамическую эволюцию коэффициента корреляции log ₂ ( m _q ( X _n )) по сравнению с n . S2 Фиг. Показывает это сравнение для последнего блока из 512 данных, которое в основном описывает общее поведение ряда (в этом случае значение коэффициента корреляции равно 0,99998). Наконец, S3 Fig иллюстрирует такое сравнение для блока из 512 данных, заканчивающегося в середине июня 2012 года. В этом случае коэффициент корреляции оказался равным 0.988, что является одним из самых низких коэффициентов корреляции за весь анализируемый период. Таким образом, самоаффинный паттерн суточной доходности биткойнов становится довольно сильным, и только этот самоаффинный паттерн может быть слегка нарушен в начале ряда.

Динамика дневных (логарифмических) цен BTC-USD изображена на рис. S4 (a) в период с 2012 по начало 2019 г. Кроме того, непрерывная синяя линия на рис. S4 (b) изображает динамический показатель самоподобия. Серия BTC-USD по подходу FD4 для скользящего окна на 512 дней.

Стоит отметить, что перекрывающиеся данные рассматривались для более стабильного подхода к фактическому показателю самоподобия рядов BTC-USD, несмотря на то, что аналогичные результаты были получены посредством неперекрывающихся данных.

Обратите внимание, что S4 (c) Fig подчеркивает, что все показатели самоподобия серий BTC-USD превышают 0,5 за весь анализируемый период (красная прямая линия обозначает порог случайности), что свидетельствует о постоянном поведении рынка биткойнов во времени. .

Однако ведет ли серия BTC-USD неэффективно с 2012 по начало 2019 года? Здесь следует подчеркнуть, что показатель самоподобия отличен от 0.5 не обязательно связано с дальнодействующей зависимостью в ряду, но также с распределением его приращений (дополнительные подробности см., Например, в [27]). Таким образом, чтобы изучить возможные причины, по которым показатель самоподобия серий BTC-USD превышает 0,5 за весь анализируемый период, мы поступим следующим образом.

Пусть H _s обозначает показатель самоподобия перетасованной серии BTC-USD, то есть серии, сгенерированной из серии BTC-USD путем случайного упорядочивания ее возвратов.Таким образом, перетасованной серии не хватает потенциальной памяти в исходной серии BTC-USD. Затем мы определяем индикатор памяти как разницу между показателем самоподобия фактической серии BTC-USD и индексом самоподобия ее перемешанной серии, т.е. пусть память будет равна H — H _с . Другими словами, если и H , и H _s стоят рядом, то мы можем сделать вывод, что в серии нет памяти.Таким образом, если показатель самоподобия серии BTC-USD превышает 0,5, то это может быть следствием распределения его приращений, а не наличия памяти. В этой статье мы поймем, что рынок ведет себя эффективно при условии, что статистический арбитраж не может быть выполнен с целью получения рыночного преимущества на основе информации, предоставляемой индикаторами, как память, анализируемая в этой работе.

S4 (b) Рис. Показывает динамическую эволюцию как индекса самоподобия серии BTC-USD (синяя непрерывная линия), так и ее перемешанной серии (черная пунктирная линия).Показатели самоподобия были рассчитаны с помощью подхода FD4 ( q = 0,01) с помощью скользящего окна размером 512 дней с перекрывающимися данными.

Кроме того, S4 (c) Fig отображает динамическую эволюцию индикатора памяти (изображенного синей непрерывной линией) во времени. Обратите внимание, что красная прямая линия на высоте 0 означает отсутствие памяти в серии. Мы использовали моделирование Монте-Карло, случайным образом перетасовывая доходность ряда 512 предыдущих дней для каждой недели, чтобы получить распределение H _s .Таким образом, мы получаем доверительные интервалы (при уровне достоверности 90%) для каждой недели, которые изображены на S4 (c) Fig (черные непрерывные линии). Таким образом, когда H находится за пределами доверительных интервалов, мы могли бы сделать вывод, что существует либо постоянство (если H стоит выше интервалов), либо анти-постоянство (если H появляется ниже интервалов) на таком уровне достоверности .

Аналогичные анализы были выполнены путем расчета показателей самоподобия ряда с помощью подхода FD4 для различных размеров скользящих окон.Прежде всего, стоит отметить, что меньшие размеры скользящих окон приводят к менее точным показателям самоподобия FD4. По этой причине мы изначально выбрали скользящее окно на 512 дней для точного расчета показателей самоподобия в сериях BTC-USD с помощью алгоритма FD4. Кроме того, большие размеры раздвижных окон позволяют более стабильно изменять это количество во времени. Рассматривались скользящие окна размером 64, 128, 256 и 1024 дня. Полученные результаты оказались аналогичными результатам, полученным для случая скользящего окна на 512 дней (c.f. S5, S6, S7 и S8 рис.).

Другой вариант состоит в вычислении показателей самоподобия серий BTC-USD путем применения алгоритма FD для других значений q , отличных от 0,01. Таким образом, обратите внимание, что чем больше значение q , тем ниже соответствующий показатель самоподобия, H ( q ). В целях иллюстрации на фиг. S9 и S10 показаны результаты, полученные для q = 1 и q = 2 с помощью алгоритма FD путем скользящих окон с размерами, равными 512 дням.Результаты оказались аналогичными результатам, полученным при использовании подхода FD4 ( q = 0,01). Однако показатели самоподобия не всегда превышают 0,5 в случае q = 2 (см. Рис. S10).

В результате мы получили, что показатель самоподобия ценового ряда BTC-USD (log) превышает 0,5. Однако это связано не с наличием значительного объема памяти в серии, а с ее основным распределением. Фактически, он утверждает, что показатель самоподобия ценового ряда BTC-USD аналогичен или ниже, чем индекс самоподобия случайного ряда с тем же распределением, с несколькими периодами со значительной антиперсистентной памятью в ценовом ряду BTC-USD.

Наконец, мы также исследовали динамическую эволюцию показателя самоподобия реальных серий S & P500 за тот же период времени. Чтобы справиться с этим, был применен подход FD4 для q = 0,01 с помощью скользящих окон с размерами, равными 256 и 512 дням, соответственно. Полученные результаты (см. Рис. S11 и S12) очень похожи на результаты, полученные при анализе эволюции индикатора памяти в серии BTC-USD (с использованием скользящих окон разных размеров).В частности, мы обнаружили, что показатель самоподобия ряда S & P500 (в формате журнала) превышает 0,5 за весь анализируемый период. Но это связано не с наличием значительного объема памяти в серии, а с ее основным распределением. Таким образом, мы делаем вывод, что в ценовом ряду S & P500 есть несколько периодов со значительной антиперсистентной памятью.

4 Выводы

В этой статье мы исследовали (не) эффективность непрерывного рынка биткойнов (BTC-USD) с середины 2010 года до начала 2019 года.С этой целью мы динамически проанализировали эволюцию показателя самоподобия дневных (логарифмических) цен BTC-USD с помощью подхода FD4 с помощью 512-дневного скользящего окна с перекрывающимися данными. Мы хотели бы подчеркнуть, что мы не предполагаем какой-либо конкретной модели в отношении основного распределения серии BTC-USD (соответственно, S & P500), помимо двух гипотез, которые были проверены для правильного применения алгоритма FD. Было обнаружено, что показатель самоподобия рынка BTC-USD выше 0.5 за весь анализируемый период. Это дает некоторые эмпирические данные о стойком поведении этой серии.

Некоторые причины такой стойкости были исследованы. Чтобы справиться с этим, индикатор памяти был определен как разница между показателем самоподобия ряда BTC-USD и индексом самоподобия его перемешанного ряда, то есть ряда, полученного путем случайного расположения возвратов исходных Серия BTC-USD.

Аналогичный анализ для изучения динамической эволюции показателей самоподобия серий BTC-USD был проведен с использованием подхода FD4 с помощью скользящих окон с размерами, равными 64, 128, 256 и 1024 дням.Полученные результаты оказались очень похожими на случай скользящего окна на 512 дней. Более того, все расчеты также проводились алгоритмом FD для значений q , равных 1 и 2, а также 512 дневным скользящим окнам. Мы видим, что чем больше значение q , тем ниже соответствующий ему показатель самоподобия, H ( q ), и, следовательно, показатели самоподобия как серии BTC-USD, так и ее перетасованной серии не совпадают. всегда стоять выше 0.5.

Мы заключаем, что показатель самоподобия ценового ряда BTC-USD (логарифм) отличается от 0,5. Однако это связано не с наличием значительного объема памяти в серии, а с ее основным распределением. Фактически, он утверждает, что показатель самоподобия серии BTC-USD аналогичен или ниже, чем индекс самоподобия случайной серии с тем же распределением, и есть несколько периодов со значительной антиперсистентной памятью в серии BTC-USD.

Наконец, мы сравнили результаты, полученные для серии BTC-USD, с результатами, полученными по фактическому индексу S & P500 за тот же период, с середины 2010 года до начала 2019 года.С этой целью был применен подход FD4 для q = 0,01 с помощью скользящих окон размером 256 и 512 дней соответственно. Полученные результаты оказались очень похожими на результаты, полученные при анализе эволюции индикатора памяти в серии BTC-USD (по разным размерам скользящих окон). В частности, мы обнаружили, что показатель самоподобия ряда S & P500 (в формате журнала) превышает 0,5 за весь анализируемый период. Но это связано не с наличием значительного объема памяти в серии, а с ее основным распределением.Таким образом, мы делаем вывод, что в ценовом ряду S & P500 есть несколько периодов со значительной антиперсистентной памятью.

Вспомогательная информация

S4 Рис.

(a) Ежедневные (логарифмические) цены BTC-USD в период с 2012 по начало 2019 г. (b) Они изображены как динамический показатель самоподобия ряда BTC-USD ( синяя непрерывная линия) вместе с ее перетасованной серией (черная пунктирная линия). (c) Динамическая эволюция индикатора памяти (показан синей непрерывной линией) во времени.Соответствующие доверительные интервалы (при уровне достоверности 90%) нанесены черными непрерывными линиями. Показатели самоподобия были рассчитаны с помощью подхода FD4 ( q = 0,01) с помощью скользящего окна размером 512 дней с перекрывающимися данными.

https://doi.org/10.1371/journal.pone.0219243.s007

(TIFF)

Благодарности

Второй автор выражает признательность Министерству испанской экономики и конкуренции за поддержку, грант MTM2015-64373-P (MINECO / FEDER, UE), и Ministerio Español de Ciencia, Innovación y Universidades и FEDER, грант PGC2018-097198-B-I00.Третий автор выражает признательность за поддержку Ministerio Español de Economía y Competitividad, грант MTM2015-64373-P (MINECO / FEDER, UE), и Ministerio Español de Ciencia, Innovación y Universidades и FEDER, грант PGC2018-101555-B-I00. Четвертый автор выражает признательность Министерству испанской экономики и конкуренции за поддержку, грант DER2016-76053-R (MINECO / FEDER, UE), и Министерству испанского языка, инновациям и университетам и ФЕДЕР, грант PGC2018-101555-B-I00.

Авторы выражают благодарность редактору и анонимным рецензентам, чьи предложения, комментарии и замечания позволили им повысить качество этой статьи.

Список литературы

1. 1. Кутнер П. Случайный характер цен фондового рынка. Кембридж: MIT Press; 1964.
2. 2. Самуэльсон PA. Доказательство того, что правильно ожидаемые цены колеблются случайным образом. Обзор промышленного управления. 1965; 6: 41–49.
3. 3. Фама Э. Поведение цен на фондовом рынке. J. Bus. 1965; 38: 34–105.
4. 4. Башелье Л. Теория спекуляции. Анна. Sci. Ec. Норма. Супер., Париж; 1900 г.
5. 5. Мандельброт Б. Вариация некоторых спекулятивных цен. J. Bus. 1963; 36: 394–419.
6. 6. Понта Л., Карбоне А. Информационная мера для финансовых временных рядов: количественная оценка краткосрочной неоднородности рынка. Physica A. 2018; 510: 132–144.
7. 7. Карбон А. Информационная мера для коррелированных последовательностей на большом расстоянии: случай 24 хромосом человека. Sci Rep. 2013 23 сентября pii: 3, номер статьи: 2721.
8. 8. Карбон А, Стэнли Х.Масштабирующие свойства и энтропия длинных коррелированных временных рядов. Physica A. 2007; 384: 21–24.
9. 9. Карбон А, Кастелли Г., Стэнли Х. Анализ кластеров, образованных скользящим средним долгосрочного коррелированного временного ряда. Phys. Ред. E. 2004, 19 февраля. Pii: 69, 026105.
10. 10. Филиппатос Г.К., Уилсон С.Дж. Энтропия, рыночный риск и выбор эффективных портфелей. Прил. Экон. 1972; 4: 209–220.
11. 11. Чжоу Р., Цай Р., Тонг Г.Приложения энтропии в финансах: обзор. Энтропия. 2013; 15: 4909–4931.
12. 12. Грин М.Т., Филитц Б.Д. Долгосрочная зависимость доходности обыкновенных акций. J. Financ. Экон. 1977; 4: 339–349.
13. 13. Хэмптон Дж. Анализ перемасштабированного диапазона: Подходы для финансовых практиков, Часть 3. Журнал Neuro Vest. 1996; 4: 27–30.
14. 14. Лилло Ф., фермер JD. Долгая память об эффективном рынке. Stud. Нелинейный Дин. Эконом. 2004; 8: 1–19.
15. 15.Баркулас Дж. Т., Баум К. Ф. Долгосрочная зависимость от доходности акций. Экон. Lett. 1996. 53: 253–259.
16. 16. Райт Дж. Х. Долгая память о доходности акций развивающихся стран. ФРБ Международные финансы. 17 августа 2000 г. pii: дискуссионный документ № 650.
17. 17. Толви Дж. Долгая память и выбросы в доходности фондового рынка. Прикладная финансовая экономика. 2003. 13: 495–502.
18. 18. Kasman S, Turgutlu E, Ayhan AD. Долгая память о доходности акций: данные основных развивающихся фондовых рынков Центральной Европы.Прил. Экон. Lett. 2009. 16: 1763–1768.
19. 19. Чеонг К. Оценка параметра торможения в финансовых временных рядах с помощью эвристических подходов. J. Appl. Стат. 2010; 37: 201–214.
20. 20. Lo AW. Долгосрочная память в ценах фондового рынка. Econometrica. 1991; 59: 1279–1313.
21. 21. Lo AW, MacKinlay AC. Долгосрочная память в ценах фондового рынка. Неслучайная прогулка по Уолл-стрит. 1-е изд. Принстон, Нью-Джерси: Издательство Принстонского университета; 1999 г.
22. 22. Ди Маттео Т, Асте Т, Дакорогна ММ. Долгосрочная память о развитых и развивающихся рынках: использование масштабного анализа для характеристики стадии их развития. J. Bank Financ. 2005; 29: 827–851.
23. 23. Кристофек Л., Восврда М. Измерение эффективности рынка капитала: долговременная память, фрактальная размерность и приблизительная энтропия. Евро. Phys. J. B. 2014 Февраль 19. pii: 87: 162.
24. 24. Lim KP. Рейтинг рыночной эффективности для фондовых рынков: нелинейная перспектива.Physica A. 2007; 376: 445–454.
25. 25. Зунино Л., Занин М., Табак Б.М., Перес Д.Г., Росс О.А. Плоскость причинно-следственной связи сложности-энтропии: полезный подход для количественной оценки неэффективности фондового рынка. Physica A. 2010; 389: 1891–1901.
26. 26. Санчес М.А., Тринидад Дж. Э., Гарсия Дж., Фернандес М. Эффект основного распределения в оценке экспоненты Херста. PLoS One. 2015 28 мая. Pii: 10 (5): e0127824. pmid: 26020942
27. 27. Санчес М.А., Тринидад Дж. Э., Гарсия Х.Некоторые комментарии к показателю Херста и процессам долгой памяти на рынках капитала. Physica A. 2008; 387: 5543–5551.
28. 28. Накамото С. Биткойн: одноранговая электронная денежная система. 2009. Доступно по ссылке: https://bitcoin.org/bitcoin.pdf
29. 29. Статистический исследовательский отдел. Рыночная капитализация биткойнов; 2018 [цитировано 3 марта 2018 года] База данных: рыночная капитализация биткойнов [Интернет]. Доступно по адресу: https://www.statista.com/statistics/377382/bitcoin-market-capitalization/
30. 30.Бартос Дж. Следует ли Биткойн гипотезе эффективного рынка ?. Международный журнал экономических наук. 2015; 4: 10–23.
31. 31. Уркхарт А. Неэффективность биткойна. Экон. Lett. 2016; 148: 80–82.
32. 32. Надараджа С., Чу Дж. О неэффективности Биткойн. Экон. Lett. 2017; 150: 6–9.
33. 33. Курихара Ю., Фукусима А. Рыночная эффективность биткойнов: недельная перспектива аномалий. Журнал прикладных финансов и банковского дела.2017; 7: 57–64.
34. 34. Баривьера А.Ф., Басгалл М.Дж., Хасперуэ В., Найуф М. Некоторые стилизованные факты рынка биткойнов. Physica A. 2017; 484: 82–90.
35. 35. Bariviera AF. Еще раз о неэффективности Биткойна: динамический подход. Экон. Lett. 2017; 161: 1–4.
36. 36. Альварес Дж., Родригес Э., Ибарра С. Долгосрочные корреляции и асимметрия на рынке биткойнов. Physica A. 2018; 492: 948–955.
37. 37. Тивари А.К., Яна Р.К., Дас Д., Рубо Д.Информационная эффективность расширения Bitcoin-An. Экон. Lett. 2018; 163: 106–109.
38. 38. Цзян Ю., Не Х., Руан В. Изменяющаяся во времени долговременная память на рынке биткойнов. Financ. Res. Lett. 2017; 25: 280–284.
39. 39. Сенсой А., Хаджихасаноглу Э. Изменяющаяся во времени долгосрочная зависимость на фьючерсных рынках энергии. Energy Econ. 2014; 46: 318–327
40. 40. Демир Э, Гозгор Г, Лау СКМ, Винье С.А. Предсказывает ли неопределенность экономической политики доходность биткойнов? Эмпирическое исследование.Financ. Res. Lett. 2018; 26: 145–149.
41. 41. Браунейс А., Местел Р. Ценовое открытие криптовалют: Биткойн и не только. Экон. Lett. 2018; 165: 58–61.
42. 42. Гапорале Г.М., Гил Л., Пластун А. Устойчивость на рынке криптовалют. Res. Int. Автобус. Financ. 2018; 46: 141–148.
43. 43. Cheap ET, Мишра Т., Пархи М., Чжан З. Взаимозависимость длинной памяти и неэффективность на рынках биткойнов. Экон. Lett. 2018; 167: 18–25.
44. 44.Кристофек Л. Об эффективности (не) рынков биткойнов и ее эволюции. Physica A. 2018; 503: 257–262.
45. 45. Хунтия С., Паттанаяк Дж. Гипотеза адаптивного рынка и растущая предсказуемость биткойна. Экон. Lett. 2018; 167: 26–28.
46. 46. Видаль Д., Ибаньес А. Полусильная эффективность Биткойна. Financ. Res. Lett. 2018; 27: 259–265.
47. 47. Фернандес М., Санчес М.А., Тринидад И.Е., Роман И.М. Точный алгоритм вычисления показателя Херста самоподобных процессов.Phys. Lett. А. 2014; 378: 2355–2362.
48. 48. Тринидад Дж. Э., Фернандес М., Санчес М. А.. Примечание о процедурах вычисления показателя Херста, основанных на геометрическом методе. Physica A. 2012; 391: 2209–2214.
49. 49. Санчес М.А., Фернандес М., Тринидад Дж. Э. Представляем алгоритмы фрактальной размерности для вычисления показателя Херста финансовых временных рядов. Евро. Phys. J. B. 2012 March 05. pii: 85: 86.

биткойн-банкоматов за май 2019 г. | Блог

В мае цена биткойна продолжала расти.Он начался с 5310 долларов и постоянно рос почти весь месяц, за исключением нескольких падений во второй половине мая. Месяц закончился с ценой в 8 343 доллара, что на 57% больше по сравнению с ценой в начале месяца.

Количество новых машин продолжало расти относительно стабильными темпами после роста цены биткойнов.

Начало периода: 4690 , Конец периода: 4898
Открыто: 306 , Закрыто: 98 , Чистый прирост: +208 (4.4%)

Изменения по производителям

Как и в прошлом месяце, первые три места зарезервированы для: General Bytes 77 новых машин (увеличение на 5,3%), Genesis Coin 49 новых установок (увеличение на 3,3%) и BitAccess 40 новых станков (рост на 13,4%) соответственно.

Производитель с наибольшим снижением — Lamassu с 3 удаленными машинами (снижение на 0,7%).

Операторов, увеличивших количество машин на 4 и более за последний месяц:

Позиция в рейтинге операторов также не изменилась по сравнению с апрелем.На первом месте CoinCloud с 38 новыми установками (рост на 14,3%), за ним следует банкоматов CoinFlip Bitcoin с 34 новыми машинами (рост на 18,7%). Coinsource занял третье место с 14 новыми установками (6,7%).

Конечно, США была страной с наибольшим количеством установок — 176 (рост на 6,4%). Следом идут две европейские страны: Соединенное Королевство с 10 новыми машинами (рост на 4,6%) и Венгрия с 9 новыми установками (рост на 64,3%).

Бахрейн — это страна, которая установила свою первую машину в мае. Это устройство для покупки / продажи, произведенное General Bytes и расположенное в Манаме.

Здесь вы найдете последнюю статистику других криптовалютных машин.

Поддержка криптовалют за последний месяц увеличилась:

Доля биткойн-банкоматов, поддерживающих любую другую криптовалюту, немного выросла до 69,7% .