Выявление факторов успеха первичного биржевого предложения

Team_size - количество человек в команде проекта. Большая проектная команда подразумевает большую сеть контактов, которую она может мобилизовать для продвижения IЕO и оказания помощи в будущем развитии проекта. Таким образом, чем больше размер команды, тем более вероятно, что она сможет реализовать проект. Также это служит сигналом общей уверенности в проекте.

White_Paper - наличие у проекта технического документа «белая книга». Проекты с высокой степенью уверенности в успехе, вероятно, будут более склонны делиться техническими деталями, прогнозируемыми сроками и анализом конкурентов в своем техническом документе (White Paper). Однако, предприятия с более низким уровнем доверия могут скрывать техническую информацию или информацию о конкурентах из официального документа «белая книга».

KYC - прохождение проверки личности «KYC». Данный тест устанавливает, что команда IEO подтвердила идентификацию контрагента участников первичного биржевого предложения с целью снижения вероятности мошенничества или отмывания денег с помощью токена. Следовательно, проекты, прошедшие проверку, характеризуются высокой степенью прозрачности и вероятнее достигнут своей финансовой цели, поскольку инвесторы не будут опасаться вкладывать свои средства в данные проекты. Price - цена 1 токена в долл. США. Существующая литература доказывает, что более высокая цена токена уменьшает вероятность успеха проекта, поскольку существует более высокий спрос на токены с низкими номинальными ценами.

Token - количество выпущенных токенов проекта. Чем больше объем выпущенных токенов, тем выше способность привлекать новых пользователей и, следовательно, тем ниже неопределенность предприятия, следовательно, выше вероятность проекта быть успешным.

Далее представлена дескриптивная статистика используемого массива данных. Из таблицы 7 можно заметить, что количество успешных проектов составляет 50,4% от всей выборки. Кроме того, минимальное количество инвестиций составило 18822 долл., в свою очередь, максимальное число инвестиций, собранных в ходе IEO, достигло 1 млрд. долл., среднее количество инвестиций равно 12,2 млн. долл. В среднем проект имеет 7 страниц в социальных сетях и 16 человек в команде разработчиков, а также устанавливает цену за 1 токен равную 0,336 USD. Стоит отметить, что 64,8% всех проектов имеют страницы на Github и около 64% проектов прошли проверку личности KYC. Более половины всех проектов предоставляют бонусные схемы (54,4%), устанавливают ограничение на продажу токенов для резидентов некоторых стран (51,2%) и минимальную финансовую цель (70,4%). Однако, менее половины от всех проектов имеют готовый продукт (46,4%), предоставляют план распределения бюджета (34,8%) и предоставляют возможность продажи токенов за фиат (26,8%).

Таблица 3. Дескриптивная статистика переменных модели

Переменная	Значение	Среднее	Минимум	Максимум
Зависимая переменная
Success	Проект достиг своей финансовой цели	0,504	0	1
Inv	Общее количество собранных инвестиций в долл. США	12200000	18822	1000000000
Факторы, характеризующие информационную открытость
Github	Проект имеет страницу на Github	0,648	0	1
Pages	Количество страниц в социальных сетях	7,108	2	11
White_paper	Проект предоставляет White Paper	0,696 (69,6%)	0	1
KYC	Проект прошел проверку личности KYC	0,644	0	1
Product	Проект имеет готовый продукт	0,464	0	1
Planned_budget	Проект предоставляет план распределения бюджета	0,348	0	1
Team_size	Количество человек в команде проекта	16,096	1	52
Факторы, характеризующие финансовые детали проекта
Price	Цена токена в долл. США	0,336	0,000021	10
Token	Количество выпущенных токенов	4090000000	180000	139000000000
Fiat	Проект предоставляет токены за фиат	0,268	0	1
Sofcap	Наличие минимальной финансовой цели	0,704	0	1
Факторы, характеризующие особенности продажи токенов
Restrictive_areas	Проект имеет страновые ограничения	0,512	0	1
Bonus	Проект предоставляет бонусные схемы инвесторам	0,544	0	1

3.2 Эконометрический анализ

В данной работе в качестве зависимой переменной, характеризующей успех проекта, размещенного на первичном биржевом предложении (IEO) выступают два показателя - дамми-переменная (Success), принимающее значение 1 - если проект достиг необходимого объема инвестиций и 0 - в противном случае, и общий объем инвестиций в долларах США (Inv). Поскольку задача первой модели оценить вероятность достижения проектом своей финансовой цели, то для регрессионного анализа была выбрана модель бинарного выбора - логит-модель.

В связи с тем, что такие регрессоры, как цена токена (Price) и количество выпущенных токенов (Token), не имеют нормального распределения, данные переменные были взяты под логарифм (Приложение 1).

Далее были построены четыре спецификации логистических регрессий с поочередным включением отдельных групп факторов, а именно факторов, характеризующих финансовые детали проведения IEO (спецификация 1), затем факторов, отражающих организационные детали проведения IEO (спецификация 2), факторов, представляющие информационную открытость проекта (спецификация 3) и одновременное включение всех групп факторов (спецификация 4). Значимость переменных и их знаки сохраняется во всех спецификациях, что говорит об устойчивых оценках моделей. Для того что бы выбрать наиболее подходящую модель, данные спецификации сравнивались по критерию Акаике. Таким образом, была выбрана модель 4 с наименьшим показателем AIC=178,5 (Приложение 3).

Таблица 4. Логистическая регрессия

Success	Coef.	St.Err.	t-value	p-value	[95% Conf	Interval]	Sig
lnPrice	-0.083	0.120	-0.69	0.488	-0.317	0.151
lnToken	0.111	0.109	1.02	0.309	0.103	0.324
Softcap	0.977	0.561	1.74	0.081	-0.122	2.076	*
Fiat	-0.933	0.529	-1.76	0.078	-1.969	0.103	*
Product	2.091	0.474	4.41	0.000	1.162	3.021	***
Planned_budget	1.740	0.513	3.39	0.001	0.735	2.744	***
Team_size	0.006	0.032	0.17	0.862	-0.058	0.069
White_paper	1.030	0.511	2.02	0.044	0.029	2.031	**
KYC	2.607	0.555	4.70	0.000	1.520	3.694	***
Pages	0.310	0.145	2.14	0.032	0.026	0.594	**
Github	2.063	0.524	3.94	0.000	1.036	3.091	***
Restrictive_areas	-0.245	0.467	-0.53	0.600	-1.160	0.670
Bonus	-0.244	0.476	-0.51	0.608	-1.178	0.689
Constant	-6.089	2.442	-2.49	0.013	-10.874	-1.303	**
Mean dependent var	0.504	SD dependent var	0.501
Pseudo r-squared	0.566	Number of obs	250.000
Chi-square	196.090	Prob > chi2	0.000
Akaike crit. (AIC)	178.468	Bayesian crit. (BIC)	227.768
*** p<0.01, ** p<0.05, * p<0.1

Таким образом, в данной модели Pseudo составил 56,8%, что говорит о высоком качестве модели. Кроме того, была построена ROC-кривая, которая оценила качество модели с помощью показателя AUC равного 0,9427, что говорит о высоком качестве классификатора.

Рисунок 5. ROC-кривая

Более того, по матрице ошибок был произведен расчет доли правильно классифицированных исходов (accuracy), который составил 87,6%. Данный результат свидетельствует о значительной прогнозной силе модели, поскольку доля правильно классифицированных успешных и неуспешных проектов в значительной степени превосходит все возможные исходы, другими словами, произвольное гадание. Кроме того, доля верно классифицированных положительных результатов (чувствительность) составила 87,3% и доля верно классифицированных отрицательных результатов (специфичность) составила 87,9% (Приложение 2).

Далее для точной интерпретации влияния факторов в модели рассчитаны предельные эффекты.

Таблица 5. Предельные эффекты логистической регрессии

	Delta-method
	dy/dx	Std.Err.	z	P>z	[95%Conf.	Interval]
lnPrice	-0.008	0.011	-0.700	0.487	-0.029	0.014
lnToken	0.010	0.010	1.030	0.304	0.009	0.030
Softcap	0.091	0.051	1.780	0.074*	-0.009	0.191
Fiat	-0.087	0.048	-1.810	0.070*	-0.181	0.007
Product	0.195	0.037	5.240	0.000***	0.122	0.268
Planned_budget	0.162	0.044	3.690	0.000***	0.076	0.248
Team_size	0.001	0.003	0.170	0.862	-0.005	0.006
White_paper	0.096	0.046	2.080	0.037**	0.006	0.187
KYC	0.243	0.042	5.750	0.000***	0.160	0.326
Pages	0.029	0.013	2.220	0.027**	0.003	0.055
Github	0.192	0.042	4.560	0.000***	0.110	0.275
Restrictive_areas	-0.023	0.043	-0.530	0.599	-0.108	0.062
Bonus	-0.023	0.044	-0.510	0.607	-0.110	0.064
*** p<0.01, ** p<0.05, * p<0.1

Таким образом, из таблицы предельных эффектов можно сделать вывод о том, что на 1% уровне значимости у проектов, имеющих готовый продукт, вероятность достижения успеха на 19,5% больше, чем у проектов, не имеющих готового продукта. Кроме того, вероятность достижения финансовой цели проекта значительно и положительно зависит от наличия страницы на Github, которое в свою очередь увеличивает шансы успеха проекта на 19,2%, по сравнению с проектами, не использующих Github, на 1% уровне значимости. В среднем прохождение проверки личности KYC увеличивает успех проекта в сборе средств на 24,3%, в отличии от проектов, не прошедших проверку, на 1% уровне значимости, что не противоречит ожидаемым результатам. Важно отметить, что наблюдается положительная зависимость между успехом проекта и наличием технической документации «White Paper», следовательно, у проектов, которые предоставляют техническую документацию, вероятность успеха выше на 9,6%, чем у проектов, не имеющих White Paper. В заключении, статистически значимым фактором оказалось наличие социальных страниц в интернете. Таким образом, в среднем при увеличении на 1 страницу в социальных сетях, вероятность достижения успеха проекта повышается на 2,9% на 5% уровне значимости. Следовательно, наибольшим образом повышают шансы на успешность проекта набрать финансирование - информационная открытость проекта, что подтверждает гипотезу 1. Действительно, в ходе проведения эконометрического анализа было выявлено, что чем больше проект открывает информации о себе, тем вероятнее он достигнет успеха на первичном биржевом предложении. Факт наличия готового продукта сигнализирует инвесторам о том, что проект даже на начальных этапах готов предоставить результаты своей деятельности, что снижает неуверенность инвесторов относительно проекта. Кроме того, размещение кода продукта в репозитории Github позволит потенциальным инвесторам самостоятельно проверять код и отслеживать прогресс, предшествующий предложению токенов, что в свою очередь снижает неопределенность проекта и предоставляет инвесторам дополнительную информацию. Стоит отметить, что прохождение проверки личности KYC отражает информацию о том, что кампания IЕO является законной и соответствует нормативным требованиям. В свою очередь, инвесторы реагируют на доверие к команде IЕO, вкладывая большее количество средств. Вместе с тем, добровольное раскрытие информации в социальных сетях снижает неопределенность проектов, и присутствие в коммуникационных приложениях дает потенциальным инвесторам возможность напрямую общаться с руководством для решения любых вопросов или проблем, располагая вкладывать свои средства в проекты.

Кроме того, на 10% уровне значимости наличие минимальной финансовой цели в среднем увеличивает шансы на достижение проектом своей финансовой цели на 9,1%, по сравнению с проектами, не имеющих Softcap. Важно отметить, что у проектов, производящих обмен за фиат, вероятность успеха ниже на 8,7%, чем у проектов, не использующих фиат для обмена. Таким образом, подтвердилась гипотеза 2 о значимости финансовых деталей проекта для достижения успеха на первичном биржевом предложении. Действительно, отрицательно влияет факт предоставления возможности обмена токенов на фиат, поскольку данный показатель сигнализирует инвестору о том, что проект не уверен в том, что сможет собрать финансирование только за счет участников, имеющих криптовалюты, в связи с чем команда привлекает инвесторов, использующих традиционную валюту. Более того, подтвердилась гипотеза о положительном влиянии наличия минимальной финансовой цели на успех проекта, поскольку данный показатель является гарантом того, что в случаи неудачи инвесторам будут возвращены их средства.

Важно отметить, что знаки придельных эффектов совпали с ожидаемыми, кроме переменной, характеризующей наличие ограничительных зон для покупки токенов. Данный результат можно объяснить тем, что, ограничивая право покупки токенов для некоторых стран, проект уменьшает число потенциальных инвесторов, которые могли бы купить токены, несмотря на рискованность покупки токенов в связи с особенностями государственного регулирования отдельных стран. Таким образом, гипотеза 3.1 о положительном влиянии наличия ограничительных зон не подтвердилась, однако наши ожидаемые результаты согласуются с гипотезой 3.2 об отрицательном влиянии бонусных схем на успех проекта. Действительно, наличие бонусных схем отрицательно влияет на успех проекта, поскольку инвесторы могут опасаться, что в продажи примут участие большое количество людей, что в свою очередь снизит стоимость токенов.

В целом, в качестве рекомендации инвесторам стоит выбирать проекты для инвестирования, которые имеют минимальную финансовую цель и готовый продукт, а также предоставляют полную информацию о проекте в репозитории Github и других социальных сетях, а также выкладывают в общий доступ техническую документацию White Paper и имеют план распределения бюджета. В качестве нежелательных проектов к размещению мы выделяем проекты предлагающие токены в обмен на фиат, бонусные схемы для инвесторов и имеющие ограничение на продажу токенов для резидентов некоторых стран.

Задача второй модели определить наиболее статистически значимые факторы, влияющие на общий объем собранных инвестиций в ходе проведения первичного биржевого предложения. В качестве зависимой переменной, характеризующей успех проекта, была выбрана количественная переменная - общий объем собранных инвестиций в ходе IEO, выраженная в долларах США. Общая сумма, собранная за весь период IEO, которая является еще одним показателем успеха ICO в работе (Amsden & Schweizer, 2018) и использовалась при анализе факторов успеха ICO в статье (Fisch, 2019). Объем полученного финансирования также использовался в качестве определяющего фактора в литературе по краудфандингу (Mollick, 2014).

Далее были построены 4 модели с поочередным включением всех групп факторов. Мы наблюдаем, что значимость и знаки при переменных сохраняются, что говорит об устойчивых оценках модели. Наиболее подходящей моделью была выбрана 4 модель с общим включением всех переменных, поскольку коэффициент детерминации оказался наибольшим среди всех спецификаций, равный 23.5%. (Приложение 4)

Модель была построена на аналогичных переменных, что и логистическая регрессия. Важно отметить, что переменная, отражающая количество собранных инвестиций, была взята под логарифм в связи с отсутствием нормального распределения.

Далее был проведен тест на пропущенные переменные в модели, которые выявляют возможную проблему эндогенности. В результате тест Рамсея показал, что мы принимаем на уровне значимости 5% гипотезу о том, что в нашей модели нет пропущенных переменных (Приложение 5)

Кроме того, был проведен тест на мультиколлинеарность с помощью VIF. Тест не выявил проблему мультиколлинеарности.

Таблица 6. VIF тест

	VIF	1/VIF
Github	1.592	.628
KYC	1.57	.637
Pages	1.511	.662
Bonus	1.278	.783
Restrictive_areas	1.272	.786
Softcap	1.256	.796
Product	1.239	.807
Planned_budget	1.228	.814
Fiat	1.218	.821
Team size	1.202	.832
White paper	1.19	.84
lnToken	1.177	.849
lnPrice	1.165	.858
Mean VIF	1.3	.

При проведении анализа на основе реальных данных нередко в моделях присутствует проблема гетероскедастичности. В связи с этим мы проверяем наличие данной проблемы в нашей регрессии с помощью графика зависимости остатков модели от предсказанных значений:

Рисунок 6. График зависимости остатков модели от предсказанных значений

Таким образом, из данных графика можно заметить, что остатки сконцентрированы вокруг нулевого среднего, что свидетельствует о непостоянной дисперсии случайных ошибок модели. Следовательно, можно допустить наличие гетероскедастичности в данной регрессии. Для того, чтобы подтвердить данную проблему, был проведен тест Бройша-Пагана, по результатам которого мы приняли гипотезу о гомоскедастичности на уровне значимости 5% (Приложение 6).

Более того, тест Уайта согласуется с тем, что мы не отвергаем гипотезу о гомоскедастичности на уровне значимости 5%. Однако, по результатам всех тестов нельзя однозначно утверждать о том, что в нашей модели нет гетероскедастичности (Приложение 7).

Для того, чтобы учесть данную проблему мы применим метод устойчивости стандартных ошибок к гетероскедастичности и выбросам, а именно оценим модель с использованием робастных стандартных ошибок.

Таблица 7. Модель 2 (OLS регрессия с робастными ошибками)

lny	Coef.	St.Err.	t-value	p-value	[95% Conf	Interval]	Sig
lnPrice	-0.069	0.047	-1.49	0.138	-0.023	0.161
lnToken	0.117	0.046	2.54	0.012	0.026	0.208	**
Softcap	0.470	0.223	2.10	0.037	0.030	0.930	**
Fiat	-0.135	0.227	-0.59	0.553	-0.581	0.312
Product	0.558	0.203	2.75	0.006	0.158	0.958	***
Planned_budget	0.104	0.212	0.49	0.623	-0.313	0.521
Github	0.214	0.240	0.89	0.375	0.260	0.687
Team_size	0.015	0.013	1.12	0.265	-0.011	0.041
White_paper	0.272	0.216	1.26	0.209	-0.153	0.697
KYC	0.376	0.238	1.58	0.115	-0.093	0.845
Pages	0.326	0.059	5.51	0.000	0.209	0.443	***
Bonus	-0.544	0.207	-2.63	0.009	-0.950	-0.137	***
Restrictive_areas	-0.002	0.205	-0.01	0.993	-0.406	0.403
Constant	10.383	1.008	10.30	0.000	8.398	12.368	***
Mean dependent var	15.018	SD dependent var	1.602
R-squared	0.235	Number of obs	250.000
F-test	5.588	Prob > F	0.000
Akaike crit. (AIC)	904.899	Bayesian crit. (BIC)	954.200
*** p<0.01, ** p<0.05, * p<0.1

Таким образом, мы видим, что при увеличении количества выпускаемых токенов на 1 % количество инвестиций увеличивается на 0,117% на 95% уровне значимости. В проектах, в которых предусматривается минимальная финансовая цель общее количество инвестиций выше на 47%, чем в проектах, в которых нет минимальной финансовой цели (Softcap). Кроме того, на 1% уровне значимости проекты, имеющие готовый продукт, в среднем имеют больше инвестиций на 55,8%, чем те проекты, которые не имеют готового продукта. Если проект имеет бонусные схемы, то количество инвестиций меньше на 54,4%, чем проекты, не имеющие бонусов. Важно отметить, что в среднем при увеличении социальных страниц на 1 единицу, количество собранных инвестиций увеличивается на 32,6% на 1 % уровне значимости. Мы контролируем число членов команды, которое положительно коррелирует с общим объемом инвестиций, собранных в ходе IEO. Это означает, что больший размер команды служит позитивным сигналом о потенциальной производительности токена и может повысить доверие к команде, так как больший размер команды подразумевает большую сеть контактов, которую команда может мобилизовать для продвижения IЕO и оказания помощи в будущем развитии проекта. Таким образом, чем больше размер команды, тем более вероятно, что она сможет реализовать проект. Также это служит сигналом общей уверенности в проекте. Этот результат подтверждает предыдущие исследования (Amsden & Schweizer, 2018) об общей сумме, привлеченной в ICO. Таким образом, подтвердилась гипотеза 1 о положительном влиянии информационной открытости на успех проекта. Действительно, наличие готового продукта снижает неопределенность инвестора относительно реализации проекта и отмечается исследователями как маркер нерискованности проекта. Более того, подтвердилась гипотеза 2 о значимом влиянии финансовых деталей проекта. Следовательно, было выявлено положительное влияние количества выпущенных токенов на успех проекта. Данный вывод можно объяснить тем, что инвестор при равной стоимости токенов приобретет тот пакет, где количество токенов будет наибольшим. Необходимо отметить, что результат влияния объема эмиссии схож с результатом предыдущих исследовании? (Cumming et al., 2015; Amsden et al., 2018). Наличие минимальной? финансовой? цели увеличивает количество собранных инвестиций, поскольку данный механизм предоставляет инвестору некую страховку в случае, если проект не наберет необходимое финансирование, биржа вернет участнику вложенные средства, что в свою очередь располагает людей к инвестированию. Кроме того, подтвердилась гипотеза 3.2 об отрицательном влиянии бонусных схем. Однако, факт наличия ограничений для резидентов некоторых стран оказался не значимым. Действительно, бонусные схемы сигнализируют о том, что в инвестиционном мероприятии могут участвовать слишком много потенциальных инвесторов, что увеличит конкуренцию во время продажи токенов и приведет к снижению цены токенов. Тем не менее, поскольку биржа уже имеет большую базу потенциальных инвесторов проекту не нужно вкладывать средства в маркетинг и заботится о привлечении инвесторов, так как данную задачу биржа берет на себя, выставляя на своем ресурсе проект. В связи с чем наличие ограничительных зон не оказывает значимого влияния на количество потенциальных инвесторов, что в свою очередь не влияет на общий объем инвестиций.

Таким образом, подтвердились следующие гипотезы:

Наличие кода проекта на странице GitHub повышает вероятность достижения успеха проекта.

Наличие готового продукта увеличивает шансы достижения финансовой цели проекта.

Предоставление планируемого бюджета повышает вероятность успеха проекта.

Количество страниц в социальных сетях положительно влияет на достижение успеха проекта.

Предложение токенов за фиат уменьшает шансы на достижение проекта быть успешным

Наличие минимальной финансовой цели увеличивает вероятность успеха проекта

Наличие бонусных схем снижает вероятность достижения финансовой цели проекта

Однако, не подтвердилась гипотеза 3.1 о положительном влиянии страновых ограничений на вероятность успеха проекта. Данный результат можно попробовать объяснить тем, что, введя ограничения на продажу токенов для резидентов некоторых стран, проект уменьшает круг потенциальных инвесторов, что негативно сказывается как на общем объеме собранных инвестиций, так и на достижении финансовой цели проекта.

В целом, наибольшим образом увеличивают объем привлеченных инвестиций в ходе первичного биржевого предложения такие факторы, как наличие готового продукта, указание минимальной финансовой цели проекта, большее число выпущенных токенов и страниц в социальных сетях, а также воздержание от предоставления бонусных схем, поскольку данные характеристики проекта уменьшают неуверенность инвесторов в реализации проекта, предоставляя некий гарант исполнения своих обязательств.



ЗАКЛЮЧЕНИЕ

Понимание факторов, определяющих успех проектов IEO, необходимо как для создателей проектов, так и для потенциальных инвесторов, поскольку данный анализ акцентирует внимание на основные сигналы и движущие силы успеха проекта, к которым стремятся потенциальные участники первичного биржевого предложения.

В рамках данной исследовательской работы были изучены особенности механизма нового способа инвестирования - первичного биржевого предложения (IEO), проведено сравнение и выявлены различия между проектами, выпущенными на первичное предложение токенов (ICO) и проектами IEO. Кроме того, проведен анализ рынка IEO, а также рассмотрены существующие работы, посвященные изучению ICO для того, чтобы провести параллели и выявить детерминанты успеха IEO проектов.

В данной работе для оценки успеха IEO были использованы две метрики, а именно: дамми-переменная, отражающая факт достижения проекта своей финансовой цели, и общий объем собранных инвестиций в ходе первичного биржевого предложения (IEO). Результаты оценки для обоих факторов успеха позволили выявить значимое влияние информационной открытости проекта, финансовых деталей IEO и оcобенностей продажи токенов.

Таким образом, были сформулированы следующие рекомендации инвесторам, вкладывающих свои средства в проекты, выпущенные на первичное биржевое предложение. Следует выбирать те проекты, которые предоставляют больше информации о себе, поскольку компании с высокой уверенностью в успехе будут более склонны делиться информацией, чем проекты с низкой степенью доверия, которые более расположены к сокрытию информации. Данный вывод согласуется с работами (Adhami, 2018), (Amsden & Schweizer, 2018), а также (De Jong, 2018), в которых было доказано значимое положительное влияние данной группы факторов на успех проекта. Другими словами, положительное влияние на достижение финансовой цели проекта оказывают такие факторы, как наличие готового продукта, поскольку тем самым проект показывает результаты своей деятельности уже на начальных этапах, что является некоторым гарантом реализации проекта в будущем. Кроме того, положительным сигналом для инвестора будет служить наличие у проекта страниц в репозитории Github и других социальных сетях, так как добровольное раскрытие информации в социальных сетях снижает неопределенность проектов, и присутствие в коммуникационных приложениях дает потенциальным инвесторам возможность напрямую общаться с руководством для решения любых вопросов или проблем, располагая потенциальных участников вкладывать свои средства в проекты. Схожие результаты были выделены в работе (Howell et al., 2018). Стоит отметить, что проекты, предоставляющие распределение бюджета, технической документации White Paper и прошедшие проверку личности KYC, характеризуются низкой неопределенностью, что в свою очередь увеличивает успех проекта. Подобные выводы были также описаны в исследованиях (Yadav, 2017) и (Amsden & Schweizer, 2018).

Однако, снижают вероятность достижения финансовой цели проекта такие факторы, как предложение токенов в обмен на фиат (валюта, выпущенная государством), поскольку данный факт сигнализирует инвесторам о неуверенности проекта набрать финансирование только за счет владельцев криптовалюты, в связи с чем организаторы привлекают на первичное биржевое предложение инвесторов, использующих традиционную валюту. Кроме того, воздержание от определения минимальной финансовой цели снижает успех проекта, поскольку в этом случае инвесторам не будут возращены средства, если проект не достигнет своей финансовой цели. Наличие бонусных схем для инвесторов отрицательно влияет на достижение успеха проекта, так как инвесторы опасаются, что слишком много желающих захотят участвовать в обмене, что в последствии снизит цену токена и увеличит конкуренцию среди участников. Важно отметить, что наличие ограничительных зон на продажу токенов снижает шансы проекта достичь поставленной финансовой цели по причине того, что любые ограничения уменьшает число потенциальных инвесторов на рынке первичного биржевого предложения. Схожие результаты были достигнуты в работе (Amsden & Schweizer, 2018), где авторы отмечают отрицательное влияние на успех проекта бонусных схем, а также фиатных платежей и наличия ограничительных зон.

Дальнейшие исследования могут предоставить более убедительные результаты, путем расширения выборки исследования и оценки ролей токенов компании, а также проведения анализа влияния принадлежности проектов IEO к определенном сектору экономики. Кроме того, интересно рассмотреть влияние качества команды проекта на достижение успеха, поскольку определенные характеристики совета директоров могут являться положительными (отрицательными) сигналами для инвестора.

Прогнозирование успеха первичного биржевого предложения привнесет вклад не только в существующую литературу, изучающую криптовалютный рынок, но и даст целевую установку инвесторам и проектам на то, какие проекты IEO достигают своей финансовой цели, имеют потенциал и более вероятно будут реализованы в будущем.



СПИСОК ЛИТЕРАТУРЫ

1. Adhami S., Giudici G., Martinazzi S. Why do businesses go crypto? An empirical analysis of initial coin offerings //Journal of Economics and Business. 2018. Т. 100. С. 64-75.

2. Ahlers G. K. C. et al. Signaling in equity crowdfunding //Entrepreneurship theory and practice. 2015. Т. 39. №. 4. С. 955-980.

3. Amsden R., Schweizer D. Are Blockchain Crowdsales the New'Gold Rush'? Success Determinants of Initial Coin Offerings //Success determinants of initial coin offerings (April 16, 2018). 2018.

4. Barsan I. M. Legal challenges of initial coin offerings (ICO) //Revue Trimestrielle de Droit Financier (RTDF). 2017. №. 3. С. 54-65.

5. Belleflamme P., Lambert T., Schwienbacher A. Crowdfunding: Tapping the right crowd //Journal of business venturing. 2014. Т. 29. №. 5. С. 585-609.

6. Benedetti H., Kostovetsky L. Digital tulips? Returns to investors in initial coin offerings //Returns to Investors in Initial Coin Offerings (May 20, 2018). 2018.

7. Burns L., Moro A. What makes an ICO successful? An investigation of the role of ICO characteristics, team quality and market sentiment //An Investigation of the Role of ICO Characteristics, Team Quality and Market Sentiment (September 27, 2018). 2018.

8. Cumming D. J., Leboeuf G., Schwienbacher A. Crowdfunding models: Keep-it-all vs. all-or-nothing //Financial Management. 2015.

9. De Jong A., Roosenboom P., van der Kolk T. What Determines Success in Initial Coin Offerings? //Available at SSRN 3250035. 2018.

10. Fisch C. Initial coin offerings (ICOs) to finance new ventures //Journal of Business Venturing. 2019. Т. 34. №. 1. С. 1-22.

11. Hanley J. A., McNeil B. J. The meaning and use of the area under a receiver operating characteristic (ROC) curve //Radiology. 1982. Т. 143. №. 1. С. 29-36.

12. Howell S. T., Niessner M., Yermack D. Initial coin offerings: Financing growth with cryptocurrency token sales. - National Bureau of Economic Research. 2018. №. w24774.

13. Hornuf L., Schwienbacher A. Market mechanisms and funding dynamics in equity crowdfunding //Journal of Corporate Finance. 2018. Т. 50. С. 556-574.

14. Hosmer D. W. et al. A comparison of goodness-of-fit tests for the logistic regression model //Statistics in medicine. 1997. Т. 16. №. 9. С. 965-980.

15. Kaal W. A., Dell'Erba M. Initial coin offerings: emerging practices, risk factors, and red flags //Verlag CH Beck (2018). 2017. С. 17-18.

16. Momtaz P. P. Initial coin offerings //Available at SSRN 3166709. 2018.

17. Myalo A., Glukhov N. Comparison analysis of ICO, DAOICO, IEO and STO. Case study //Case Study.(September 4, 2019). 2019.

18. Polasik M. et al. Price fluctuations and the use of Bitcoin: An empirical inquiry //International Journal of Electronic Commerce. 2015. Т. 20. №. 1. С. 9-49.

19. Sцderberg J. Hacking capitalism: The free and open source software movement. - Routledge, 2015. Т. 9.

20. West J., Gallagher S. Patterns of open innovation in open source software //Open Innovation: researching a new paradigm. 2006. Т. 235. №. 11.

21. Yadav M. Exploring signals for investing in an initial coin offering (ICO) //Available at SSRN 3037106. 2017.



ПРИЛОЖЕНИЕ

Диаграмма нормального распределения переменных: общий объем инвестиций (Inv), цена 1 токена (Price), общая эмиссия токенов (Token_supply).



Матрица прогнозируемых исходов

	True
Classified	+	-	Total
+	110	15	125
-	16	109	125
Total	126	124	250

Classified + if predicted Pr(D) >= .5

True D defined as Success != 0

Sensitivity Pr( +| D) 87.30%

Specificity Pr( -|~D) 87.90%

Positive predictive value Pr( D| +) 88.00%

Negative predictive value Pr(~D| -) 87.20%

False + rate for true ~D Pr( +|~D) 12.10%

False - rate for true D Pr( -| D) 12.70%

False + rate for classified + Pr(~D| +) 12.00%

False - rate for classified - Pr( D| -) 12.80%

Correctly classified 87.60%

В следующей таблице приведены результаты логистических регрессий для переменных финансовых характеристик IEO проектов(модель 1), для организационных деталей проведения IEO (модель 2), для факторов, отражающих информационную открытость проектов (модель 3), и для одновременного включения всех групп факторов (модель4), где отражается их влияние на зависимую переменную, которая принимает значение 1 - если проект достиг своей финансовой цели, и 0 - в обратном случае.

Success

lnPrice -0.111 -0.0828

lnToken 0.0393 0.111

Softcap 0.673** 0.977*

Fiat -1.442*** -0.933*

Restrictive_areas -0.741*** -0.245

Bonus -0.324 -0.244

Product 2.021*** 2.091***

Planned_budget 1.534*** 1.740***

Team_size 0.00561 0.00565

White_paper 1.076** 1.030**

KYC 2.523*** 2.607***

Pages 0.309** 0.310**

Github 2.237*** 2.063***

_cons 0.370 -0.539** -7.775*** -6.089**

В следующей таблице приведены результаты регрессии OLS для переменных финансовых характеристик IEO проектов(модель 1), для факторов, отражающих информационную открытость проектов (модель 2), для организационных деталей проведения IEO (модель 3) и для одновременного включения всех групп факторов (модель4), где отражается их влияние на зависимую переменную - общий объем собранных инвестиций.

lnPrice -0.0700 -0.0694

lnToken 0.115** 0.117**

Softcap 0.263 0.470**

Fiat -0.187 -0.135

Product 0.583*** 0.558***

Planned_budget 0.0971 0.104

Github 0.284 0.214

Team_size 0.00745 0.0147

White_paper 0.268 0.272

KYC 0.358 0.376

Pages 0.262*** 0.326***

Bonus -0.358* -0.544***

Restrictive_areas 0.432** -0.00182

_cons 13.22*** 12.50*** 14.99*** 10.38***

Тест Рамсея

Ramsey RESET test using powers of the fitted values of lny

Ho: model has no omitted variables

F(3, 233) = 1.39

Prob > F = 0.2475

Тест Бройша-Пагана

Breusch-Pagan / Cook-Weisberg test for heteroskedasticity

Ho: Constant variance

Variables: fitted values of lny

chi2(1) = 1.57

Prob > chi2 = 0.2096

Breusch-Pagan / Cook-Weisberg test for heteroskedasticity

Ho: Constant variance

Variables: lnPrice lnToken Has_Softcap Fiat_Accepted Ready Funds_Allocation Github Team_size White_paper KYC Pages Bonus Country_limitation

chi2(13) = 22.21

Prob > chi2 = 0.0522

Тест Уайта

White's test for Ho: homoskedasticity

against Ha: unrestricted heteroskedasticity

chi2(95) = 107.61

Prob > chi2 = 0.1774

Cameron & Trivedi's decomposition of IM-test

Source	chi2	df	p
Heteroskedasticity	107.610	95	0.177
Skewness	19.390	13	0.112
Kurtosis	3.680	1	0.055
Total	130.680	109	0.077

Размещено на Allbest.ru

...