Модели ценообразования криптовалют

Размещено на http://www.allbest.ru/

Модели ценообразования криптовалют

Введение

Таким образом, Blockchain -- это вполне революционная технология, которая работает как часы, ей не требуются третьи стороны для наблюдения, участникам не нужно доверять друг другу, в которой невозможна коррупция и которая гарантирует анонимность. При всем этом, её участникам гарантируется анонимность, а записи об абсолютно всех транзакциях находятся в общем доступе и их невозможно изменить.

Очевидно, что система с такими преимуществами может работать не только в сфере электронных денег. Мираз и Али убеждены, что Bitcoin и криптовалюты в целом -- лишь пример использования системы Blockchain. Ее называют «Гроссбухом мирового уровня», так как такой способ хранения и передачи данных может использоваться на гораздо более крупном уровне, нежели на сборе информации о транзакциях в системах криптовалют. Такой уровень одновременной приватности и прозрачности и стойкости к порче данных может найти применение во многих сферах: от подписи юридических бумаг и хранения медицинских данных до регулирования автоматизированных и децентрализованных организаций. Последнее уже в некоторой степени практикуются компаниями, использующими приватные системы Blockchain для своих компаний. [8]

Несмотря на частое обделение системы Blockchain вниманием при работе с криптовалютами, необходимо осознавать всю ее важность, так как Blockchain не обязательно связана с криптовалютами, но криптовалюты всегда будут связаны с данной системой и вряд ли смогут существовать отдельно от нее, так как никакой другой инструмент не сможет предоставить необходимый набор функций, ключевых для самого существования криптовалют.

1.3 Исследование ценообразования криптовалют

Как уже было упомянуто ранее, криптовалюты начали привлекать к себе всеобщее внимание относительно недавно. С 2017 года многие исследовательские институты и даже государственные структуры начали посвящать криптовалютам многочисленные исследования, но чаще всего они направлены на изучение самой крупной из них -- Bitcoin. Это неудивительно, так как именно из-за событий, произошедших с ней появились многочисленные заинтересованные инвесторы и даже новые криптовалюты. В подавляющем большинстве случаев, работы на тематику, связанную с Bitcoin представляют собой анализ рынка, либо потенциальное влияние Bitcoin на экономику стран или же каких-либо других рынков. Кроме того, так как на данный момент капитализация данной криптовалюты превышает 90 миллиардов долларов США, её рассматривают так же как потенциальную замену традиционным фиатным деньгам, либо же как вид электронных денег, способный работать с обычными валютами в тандеме.

Изучение ценообразования Bitcoin и криптовалют на сегодняшний день, в целом, не зашло очень далеко. Это связано с тем, что прошло не так много времени с критических точек подъема цены Bitcoin. Помимо этого, многие исследователи и экономисты уверены в том факте, что Bitcoin, как и все альткоины -- лишь экономические пузыри. Это суждение не лишено логики, так как основные факторы, вляющие на их ценообразование -- это спрос и предложение. Если в определенный момент большинство инвесторов и «майнеров» потеряют интерес к данному активу, скорее всего он потеряет любую ценность, которую он имел до этого.

При всём этом, изучение ценообразования криптовалют не лишено смысла. Безусловно есть факторы помимо спроса и предложения, которые влияют на динамику цен той или иной валюты. В случае с Bitcoin, Бескровный и Трифонова поставили задачу найти некую числовую переменную, которая имеет связь с ценой Bitcoin. Проведя анализ динамики цен данной криптовалюты за 2017 год, такая переменная находится -- это количество транзакций с Bitcoin. На основе этих данных, строится степенная модель, наглядно показывающая зависимость цены Bitcoin от количества транзакций в определенный момент времени. Модель оказывается адекватной и объясняет 90,1% переменных. Основной проблемой данного исследования является временной отрезок, на котором были собраны данные. 2017 год, как неоднократно упоминалось ранее, был связан с постоянными драматическими скачками цены Bitcoin, что, в свою очередь привело к появлению огромного количества новых инвесторов, заинтересованных в получении легкой прибыли на новом популярном активе. Из-за этого релевантность модели, построенной Бескровным и Трифоновой находится под вопросом в 2019 году, так как сейчас цена Bitcoin стабильна в сравнении с 2017 годом и, скорее всего, такой большой корреляции между количеством транзакций и ценой Bitcoin при использовании свежих данных обнаружено не будет. Кроме того, это исследование при рассмотрении на сегодняшний день хорошо демонстрирует тот факт, что изучение динамики ценообразования одной конкретной криптовалюты может быть релевантным в один период времени, но через какой-то промежуток может стать абсолютно бесполезным. Невозможно на 100% точно предсказать что случится с криптовалютой и ее ценой через год, месяц, неделю или даже на следующий день. [3]

Из-за высокой степени неопределенности при работе с одной конкретной криптовалютой появляется смысл изучения коллективного поведения криптовалют в целом, или же их некой группы, исследовать как разные криптовалюты взаимодействуют друг с другом. В сериях исследовательских проектов, Стосики и Людемир изучают как раз таки коллективное поведение данных активов. В частности, задается вопрос: «Имеют ли корреляции между ценами криптовалют такие же признаки, какие можно обнаружить в других финансовых рынках?». В исследовании используются данные по 119 криптовалютам и их цены на протяжении 5 месяцев. Используя метод «Random matrix theory» и иерархические структуры, исследователи раскрывают наличие многих корреляций и анти-корреляций между различными криптовалютными парами. По большому счету, данное исследование, как и несколько других, проведенных Стосиками и Людемиром, предоставляют довольно много информации о поведении криптовалют и об их статистической натуре и имеют хорошо проанализированные данные, но их проблема заключается в том, что они, по большому счету, не несут в себе никакой практической значимости. Информация об общем поведении криптовалют безусловно очень ценна и предоставляет множество возможностей для будущих работ, но наиболее заинтересованным в криптовалютах людям -- инвесторам, необходимо нечто более практичное, дающее возможность в кратчайшие сроки в той или иной степени предсказать поведение определенных криптовалют для снижения уровня рисков при инвестировании. [6,7]

Очевиден тот факт, что прикладные модели для работы с криптоактивами исследователи тоже не обошли стороной. В 2018, Соколов, Чернышова и Петрунин поставили перед собой задачу построить модель, цель которой -- повысить эффективность принятия решений при составлении инвестиционного портфеля криптовалют и снижение уровня рисков. При анализе рынка, исследователи выяснили, что основная сила, приводящая к росту рынка криптовалют -- это Альткоины, а не Bitcoin, который, как казалось, занимает лидирующую позицию на рынке по всем параметрам. В исследовании нет углубления в технологии, стоящие за криптовалютами, в частности, используется метод MI -- mutual information, то есть общей информации. Данный метод позволяет отследить нелинейные зависимости между криптовалютами, но его основной минус в том, что он позволяет обнаружить лишь наличие таких корреляций, но не может отразить их силу. Используя данные по 16 криптовалютам, исследователи формируют пары альткоинов и смотрят на их коэффициент MI. Объединяя полученную информацию с экспертной оценкой, в исследовании делается вывод, что общие тренды на рынке криптовалют не сильно зависят от Bitcoin. Помимо этого, вывода, так же с помощью полученных коэффициентов авторы отражают степень риска при инвестировании в несколько криптовалют одновременно: приобретение комплекта активов с низким уровнем корреляции будет менее рискованным решением, нежели приобретение нескольких криптовалют, у которых данный коэффициент высокий. [2]

Также к существующим исследованиям, связанным с тематикой ценнообразования криптовалют и их коллективного поведения можно отнести криптовалютные индексы. По большому счету, они несут ту же роль, что и обычные фондовые индексы, но, очевидно, для рынка криптовалют. Индексы криптовалют позволяют инвесторам отслеживать поведение рынка в целом, не фокусируясь на одной конкретной криптовалюте и являются хорошим инструментом для диверсификации инвестиционного портфеля в любой ситуации.

Наиболее интересными индексами являются CRIX, запущенный Институтом управления Сингапура в 2016 году и CCi30, запущенный командой специалистов разных направлений в 2017 году. Интересны они тем, что методология построения данных индексов находится в свободном доступе. В частности, CRIX использует 20 криптовалют с наибольшими рыночными капитализациями (вес которых пересчитывается в реальном времени) и берет за основу индекс Ласпейреса. CCi30, как ясно по его названию, использует 30 криптовалют (так же отобранных по размеру рыночной капитализации). При процессе взвешивания капитализации данных криптовалют используется экспоненцаильно взвешенное скользящее среднее из-за высокого уровня волатильности на рынке. Данные индексы не только помогают инвесторам при работе с рынком криптовалют, но также могут служить для проведения новых исследований, связанных с ценообразованием, доходностью и общим поведением рынка криптовалют. В частности, CRIX и его методология уже были использованы при написании нескольких научных работ по экономике. [18,19]

В целом, можно сказать, что коллективное поведение криптовалют и возможные зависимости между альткоинами остаются открытым вопросом, особенно в отношении прикладных моделей. Тогда как найденные факторы, влияющие на ценообразование одной криптовалюты могут стать устаревшими в любой момент времени, обнаружение реальных зависимостей между поведениями различных криптовалют в теории могут позволить значительно понижать риски при формировании инвестиционных портфелей и открывать новые пути для продолжающих исследований.

1.4 Анализ рынка криптовалют

Так как данная работа преследует цель изучения ценообразования криптовалют для того, чтобы в перспективе оптимизировать принятие решений и уменьшить риски при инвестировании в криптовалюты, необходимо определить, эффективны ли инвестиции в данный актив на сегодняшний день. В частности, стоит обратить внимание на общие тенденции и курс движения криптовалютного рынка в целом.

Если говорить о состоянии рынка в целом на апрель 2019 года, можно отметить, что резкий рост в начале месяца не прошел незамеченным. Согласно данным Coinmarketcap.com, начало апреля выделилось довольно крупным скачком рыночной капитализации - с 147 миллиардов долларов США, до 185 миллиардов. После момента скачка рынок стабилизировался, но при этом общая капитализация не снизилась до изначального уровня.

Рис 1. Капитализация криптовалютного рынка, Апрель 2019 (источник - coinmarketcap.com)

Причины данного выброса не до конца ясны, теории ранжируются от внезапного потока наиболее стабильных монет, резко усиливших и укрепивших рынок, до элементарного анонимного приобретения некого количества Bitcoin, повлекшего за собой цепную реакцию покупок. В любом случае, эффект виден налицо: скачок рынка на 25% и его стабилизация на новом, более высоком уровне.

При этом, наиболее важен не сам скачок рыночной капитализации, а именно ее стабилизация на новом уровне. Криптовалюты занимают новый, более высокий уровень, и аналитики принимают его за новую нормальную позицию для данных активов. В частности, Мати Гринспан из eToro считает, что такой ход стабилизации после скачка говорит о том, что рынок все еще «взволнован» и может удивить. [17]

Говоря об экспертных оценках, можно отметить, что большая часть прогнозов является «бычьими». Аналитики утверждают, что несмотря на стабилизацию криптовалютного рынка по сравнению с состоянием 2017 года, криптовалюты могут и будут расти, а апрельский скачок рынка - тому непосредственное подтверждение.

Основатель компании McAfee, занимающейся цифровой безопасностью и шифрованием, Джон МакАффи делает большие ставки на рост Bitcoin и криптовалютного рынка в целом. По его мнению, цена Bitcoin к концу 2020 года достигнет отметки в 1 миллион долларов в США или больше. Так же оптимизмом выделяется исполнительный директор eToro Йони Ассиа. По его мнению, сложно будет предсказать, будет ли 2019 год временем очередного «наплыва быков», или же этим годом будет 2020, но точно можно сказать, что этот период наступит в относительно скором времени. Скачок рыночной капитализации в первых числах апреля 2019 года скорее всего ознаменовал его начало. Помимо этого, Джесси Пауэлл - исполнительный директор Kraken - одной из старейших и крупнейших криптобирж, существующих на сегодняшний день уверен, что сейчас рынок вступает в стадию «ускоренного роста» и в скором времени полная капитализация рынка достигнет 1 триллиона долларов США, что, в теории, не является невозможным, так как пик в Декабре 2017 года составлял 800 миллионов долларов США. [17]

По большому счету, можно сказать, что эксперты уверены в том, что рынок криптовалют, несмотря на свою стабилизацию в период с 2018 по 2019 год в ближайшее время будет расти. Реальным подтверждением этих предположений является уже упомянутый ранее скачок рынка в начале Апреля 2019 года. Из этого можно сделать вывод, что данный рынок вполне перспективен для инвестиций.

Помимо экспертных оценок, необходимо также взглянуть на реальное поведение валют, составляющих данный рынок. Ведущая и самая крупная из них - Bitcoin, наглядно демонстрирует правдивость предсказаний экспертов. В частности, в Апреле объем Bitcoin, закупленный институциональными игроками на рынке увеличился до 19 процентов от общего объема валюты в обороте (в наибольших количествах - Чикагской товарной биржей, Чикагской биржей опционов и Инвестиционным трастом Bitcoin Грейскейла). Это говорит о том, что крупные игроки на рынке готовятся к окончанию рынка «медведей» и наступлению повышения цен. Ожидание повышения цен также провоцирует Китайских игроков к возвращению на рынок. При этом в Китае по закону криптовалюты запрещены, и инвесторам приходится нести огромные издержки только чтобы иметь возможность играть на данном рынке. Это показывает, что даже в месте, где криптовалюты запрещены, трейдеры ищут способы купить данный актив, даже по очень завышенным ценам. Кроме того, Bitcoin все более плотно встраивается в традиционную систему обмена. В некоторых странах данный вид валюты принимают в обычных магазинах, а 22 Апреля 2019 года крупнейший онлайн-ритейлер Amazon сообщил о начале принятия Bitcoin к оплате. [17]

Не менее важный игрок на рынке - Ethereum на середину апреля 2019 года был зажат между борьбой «быков» и «медведей» в критическом значении около 167 долларов США за монету. «Быки» стараются поднять цену чтобы достигнуть целевого для них значения в 250 долларов США. Судя по нынешнему показателю в 175 долларов США за монету, «медведи» могут проиграть эту схватку, и данная криптовалюта продолжит расти, и в течение нескольких следующих недель, которые будут критически важными для инвесторов, определится следующее направление развития Ethereum. [20]

Помимо этого, стоит отметить, что Ethereum до сих пор является наиболее привлекательным инструментом для разработчиков, строящих свои приложения DApp, согласно официальной аналитики с вебсайта DApp.com. DApp - это вид децентрализованных приложений, использующих систему Blockchain и уже упомянутую ранее систему «Peer-To-Peer» и чаще всего используются либо как инструмент управления деньгами, способ интегрирования деньги с внешними событиями в мире, или же для организации децентрализованных автономных организаций. [17]

Два наиболее крупных и важных как для инвесторов, так и для разработчиков игрока на криптовалютном рынке, на данный момент, определенно не потеряли своей популярности. Более того, упомянутый ранее скачок рыночной капитализации, случившийся в начале Апреля 2019 года только поднял интерес инвесторов к рынку криптоактивов. Строго говоря, уже по показателям, поведению и перспективам двух данных валют можно судить о ситуации на рынке, так как за Bitcoin на данный момент около 55 процентов рынка, а за Ethereum - около 10 процентов. Несмотря на это, необходимо также проанализировать альткоины с меньшей долей на рынке, так как для данного исследования важно ценообразование меньших криптовалют и перспективы инвестирования в них.[20]

Наиболее важные и крупные альткоины на данный момент демонстрируют относительную стабильность или уверенный рост, как например Ripple, который показывает рост практичеки каждый день. Кроме того, заметен тот факт, что за несколько последних недель изменения в его цене никак не коррелировали с Bitcoin. Другие топ-10 альткоинов с наибольшей рыночной капитализацией за последнее время показывали рост, за исключением EOS, который держится на одном значение цены уже довольно долго, Litecoin, показывающий небольшие снижения цены и Tether, который также снизился на около 0,2 процентов за последнее время. Остальные альткоины же показывают убедительный рост, хотя и не такой активный и масштабный как у Bitcoin. [20]

Также стоит отметить, что, судя по отчету Blockchain, на данный момент наблюдается повышенный спрос на криптовалюты со стороны Южно-Корейских инвесторов. 7,4 процента всего населения Южной Кореи сообщили, что инвестировали в данный вид активов. Средний размер вложения составляет более 6000 долларов США, что выше этого же показателя в 2017 году на 64 процента. Помимо этого, Британские Виргинские Острова начали работать с Blockchain для запуска альтернативной крипто-активной инфраструктуры платежей для жителей островов.[17]

Взглянув на рынок и последние новости, связанные с ним, можно определенно сказать, что сфера криптовалют определенно активна и многие заинтересованы в инвестировании и работе с данным видом активов. Рынок показывает рост, и, как было упомянуто ранее, в скором времени начнется временной период, привлекательный для «быков», поэтому, именно 2019 год может стать наиболее перспективным и прибыльным как для старых, так и для новых инвесторов, заинтересованных в работе с криптовалютами.

2. Определение влияния изменения цен доминирующих криптовалют на цены криптовалют с меньшей капитализацией

2.1 База данных и переменные

электронный деньги ценообразование

Так как в данной работе подразумевается эмпирический анализ поведения цен, сбор данных представляет собой один из наиболее важных шагов в исследовании. При работе с криптовалютами один из наибольших плюсов - это открытость данных, по приведенным ранее причинам. В открытые данные входят и исторические цены криптовалют, которые необходимы для данного исследования. Выбранный промежуток времени, по которому были собраны данные - с 1 января 2018 года по 1 января 2019 года. Данный промежуток был выбран, так как с начала 2018 года «бум» криптовалют, связанный со скачками цены Bitcoin начал сходить на нет и рынок пришел к относительно стабильному состоянию, в котором он находится и на данный момент.

Массив данных был собран с помощью веб-сайта Investing.com, который предоставляет исторические данные по практически всем существующим криптовалютам на сегодняшний день, такие как рыночная капитализация, открывающая, закрывающая, низкая и высокая цены, объем торгов. Для данного исследования были взяты ежедневные закрывающие цены 30 криптовалют, отсортированных по размеру рыночной капитализации. При этом из списка криптовалют с наибольшей капитализацией были исключены альткоины, созданные позднее 2017 года, так как после декабря 2017 года было создано большое количество новых криптовалют различными компании чтобы получить прибыль с нового перспективного рынка, и, криптовалюты, созданные после этого момента в начале своего существования будут иметь довольно неправдоподобные завышенные цены, что негативно повлияет на результаты исследования. Решение взять закрывающие цены связано с тем, что, к примеру, на рынках ценных бумаг именно сравнивая сегодняшнюю закрывающую цену со вчерашней можно отследить поведение актива за один день. Итоговое количество переменных в выборке - 10980.

Для проведения исследования решено было использовать не сами величины цен, а их первую логарифмическую разность, она же логарифмическая доходность или логарифмическое изменение. Формула расчета логарифмической разности в общем виде:

Где:

LCt - логарифмическая доходность криптовалюты C в период времени t

Ct - цена криптовалюты C в период времени t

Ct-1 - цена криптовалюты C в период времени t-1

Таблица 2. Переменные, используемые в исследовании

Таким образом, в непосредственном исследовании будут использоваться 10950 наблюдений. Промежуток между наблюдениями равняется одному дню, так как было принято решение использовать именно закрывающие цены, которые подразумевают последнюю цену в конце дня, а также потому что сбор данных с меньшими временными промежутками, как, например, часы или минуты практически невозможен без применения сторонних труднодоступных ресурсов.

2.2 Методология исследования

Основная задача исследования - определить, влияют ли изменения цен криптовалют с наибольшими рыночными капитализациями на цены криптовалют с меньшими рыночными капитализациями, и, если это влияние существует, определить какой характер оно носит. Обнаружение причинно-следственных связей и зависимостей между изменениями в ценах криптовалют позволит создавать предсказания поведения цены той или иной криптовалюты, что, в свою очередь, значительно снизит уровень риска при инвестировании в данную валюту. Главное предположение в данном исследовании основывается на том, что в свое время, подъем цены криптовалюты с самой большой капитализацией - Bitcoin, привел к стремительному росту рынка и цен криптовалют с меньшими капитализациями. Объясняющими переменными являются цены Bitcoin, Ethereum, Ripple, Bitcoin Cash и Litecoin в течение 2018 года. Данные пять криптовалют на данный момент занимают более 77 процентов рынка (ссылка), из чего делается предположение о том, что остальная часть рынка будет реагировать на изменения цен данных валют. В качестве зависимых переменных будут использоваться цены остальных 25 криптовалют за тот же промежуток времени.

Для начала проведения непосредственного анализа необходимо выяснить, стационарны ли временные ряды, из которых состоит собранная выборка. Это необходимо потому как многие методы анализа временных рядов, включая использующиеся в данной работе, предполагают стационарность временного ряда. Кроме того, убедившись в том, что временные ряды стационарны, отпадет пробема ложных регрессий.

Для проверки рядов на стационарность используются тест Квятковского-Филлипса-Шмидта-Шина (KPSS-test) и Расширенный тест Дики-Фуллера (ADF-test). Если нулевая гипотеза теста KPSS подтверждается, ряд можно будет назвать стационарным относительно некого детерминированного тренда и для продолжения работы с ним от данного тренда будет необходимо избавиться. Если же нулевая гипотеза отвергается, можно сказать, что ряд не стационарен по детерминированному тренду и можем воспользоваться ADF тестом. В общем определении, альтернативная гипотеза ADF теста подразумевает стационарность ряда, либо стационарность по тренду, но, в данной работе она будет подразумевать только стационарность ряда, так как по исходу KPSS теста будет точно известно, что ряд не стационарен по тренду. То есть, если нулевая гипотеза отвергается, можно сказать, что ряд стационарен. Если же нулевая гипотеза не отвергается, проверяемый ряд будет являться нестационарным рядом, который для продолжения работы нужно будет привести к стационарности. Взятие первой логарифмической разности в большинстве случаев приводит временной ряд к стационарности.

Наиболее важной частью исследования является выявление причинности по Грейнджеру (Granger causality). Данный фактор играет в работе ключевую роль, так как одной из главных задач является обнаружение причинно-следственных связей между изменениями цен криптовалют. Для проверки на наличие искомых причинно-следственных связей используется тест Грейнджера.

Также необходимо отметить, что в данном исследовании необходимо, чтобы причинность по Грейнджеру была односторонней. То есть, допустим есть криптовалюта из списка объясняющих BC и зависимая криптовалюта SC. С помощью теста Грейнджера необходимо будет доказать, что изменения цены BC действительно влекут за собой изменения цены SC, но не наоборот. При успешном прохождении некими криптовалютами теста Грейнджера по данным критериям, можно переходить к построению моделей.

В данном исследовании будут строиться Авторегрессионные модели с распределенным лагом, они же ARDL или ADL (Autoregressive distributed lag model). ARDL - модель, которая основывается на регрессии, способной учитывать причинные факторы, объясняющими переменными в которой являются значения независимых переменных за прошлые периоды и значения самой зависимой переменной за прошлые периоды.

В общем виде ARDL выглядит как

· yt = б + в1yt-1 + … + вpyt-p + г1xt-1 + … + гpxt-p + еt

Где:

yt - Объясняемая переменная

xt - Объясняющая переменная

вpyt-p - Лаги объяснемой переменной

гpxt-p - Лаги объясняющей переменной

еt - Белый шум

При оценке модели нужно учитывать, что оценка МНК будет состоятельна только при условии, что неизмененные значения объясняющей переменной не коррелируют с ошибками. То есть при использовании модели ARDL изначально предполагается, что ошибки модели представляют собой белый шум и независимы от зависимых и независимых переменных, так как только при этом условии модель может быть адекватно и состоятельно оценена методом наименьших квадратов.

Построенные модели будет необходимо сравнить по значимости, и наиболее успешные из них будут отражать ценовое влияние криптовалют с большей капитализацией на криптовалюты с меньшей.

Выбранные модели необходимо будет проверить на наличие мультиколлинеарности. Для выявления мультиколлинеарности необходимо рассчитать показатель VIF.

Где:

Rj2 - коэффициенты детерминации факторов регрессии на остальные факторы

Значение VIF выше 4 будет свидетельствовать о наличии мультиколлинеарности в модели, что будет говорить о наличии линейной зависимости между объясняющими переменными, что, в свою очередь, непосредственно повлияет на возможность оценки влияния объясняющих переменных на объясняемые.

Проведение проверки на мультиколлинеарность в данном исследовании необходимо по причине наличия среди объясняющих переменных цены Bitcoin. За Bitcoin на данный момент стоит более 55 процентов всей капитализации рынка криптовалют, поэтому, в теории, изменения в цене данной монеты могут повести за собой изменения в ценах других криптовалют из списка объясняющих переменных, как это было в период «бума» криптовалют.

3. Эмпирический анализ влияния изменения цен доминирующих криптовалют на ценообразование криптовалют с меньшей капитализацией

3.1Стационарность рядов и причинность по Грейнджеру

В ходе проведения эмпирического анализа будут проверены следующие гипотезы:

· Криптовалюты с наибольшими капитализациями на рынке непосредственно влияют на ценообразование криптовалют с меньшими капитализациями

· Цена криптовалюты Bitcoin имеет наиболее сильное влияние на цены выбранных альткоинов

· В выборке имеются криптовалюты, не подверженные влиянию изменения цен выбранных объясняющих криптовалют

· Зависимости между изменениями цен будут проявляться у криптовалют, которые схожи в технологическом плане

Первым шагом, как упоминалось ранее, является проверка всех 30 имеющихся временных рядов на стационарность. При использовании KPSS теста для всех 30 переменных нулевая гипотеза отвергалась. Следовательно, все из них не стационарны по тренду. Так как теперь точно известно, что ряды не стационарны по тренду, можно перейти к применению ADF теста.

Результат проведения расширенного теста Дики-Фуллера выявил, что все имеющиеся ряды не являются стационарными. Следовательно, для продолжения работы необходимо привести их к стационарности. Для этого были вычислены логарифмические доходности каждой имеющейся переменной, процесс взятия которых описан в главе 2.

Рис 2. Приведение рядов к стационарности на примере объясняющих переменных

После взятия первых логарифмических разниц, ADF-тест показал, что все ряды были приведены к стационарности, что, в свою очередь, отразилось и на графиках. После этого был проведен поиск наличия причинности по Грейнджеру.

Для каждой из зависимых криптовалют был проведен тест Грейнджера на причинно-следственную связь с каждой из объясняющих переменных - доходности Bitcoin, Ethereum, Ripple, Bitcoin Cash и Litecoin. Первое, что стоит отметить - это тот факт, что для большей части криптовалют причинно-следственную связь выявить не удалось. Все выбранные объясняющие переменные оказались Грейнджер-причиной только для одной криптовалюты - для Tether. Кроме нее, причинно-следственные связи были установлены для 5 альткоинов:

· Для Binance Coin Грейнджер причиной является Ripple

· Для Waves Грейнджер причиной является Bitcoin Cash

· Для Dogecoin Грейнджер причиной являются Bitcion, Ethereum, Ripple и Bitcoin Cash

· Для Bitcoin Gold Грейнджер причиной являются Bitcoin, Ethereum и Bitcoin Cash

· Для Bytecoin Грейнджер причиной являются Bitcoin, Ethereum, Bitcion Cash и Litecoin

Что до остальных криптовалют, выбранных зависимыми переменными, коэффициенты при лагах в построенных для проведения теста Грейнджера оказались незначимыми, что исключило наличие причинно-следственной связи между ними и объясняющими переменными.

3.2Модели ARDL

После нахождения причинно-следственных связей между логарифмическими доходностями криптовалют необходимо провести регрессионный анализ. Для выбранных связок было построено большое количество моделей, в частности, объясняющие переменные добавлялись в порядке увеличения рыночных капитализаций. Построенные модели сравнивались по значимости коэффициентов, F-статистике и скорректированному R2. По выбранным критериям были отобраны следующие модели:

· DOGEt = 0,0000987 + 0,2002484DOGEt-1 + 1,074992BTCt - 0,2615453BTCt-1

· BTGt = -0,0051726 - 0,2315732BTGt-1 + 0,4769518BTCt + 0,5767659ETHt

· BNBt = 0,001214 + 0,1049622BNBt-1 + 0,5959056XRPt - 0,1645102XRPt-1

· BCNt = -0,00075 + 0,114858BCNt-1 + 1,1482771BTCt - 0,25552BTCt-1

· Для Waves удовлетворительных моделей найдено не было

В первой модели, объясняющей ценообразование Dogecoin, помимо лага самой зависимой переменной, значимыми оказались коэффициенты при нулевом и единичном лагах цены Bitcoin.

Рис.3 Модель ARDL для Dogecoin

Наибольшее влияние Bitcoin на изменение цены данной криптовалюты скорее всего объясняется тем, что Dogecoin является одной из старейших криптовалют и появилась в то время, когда Bitcoin был ведущей и практически единственной силой на рынке. При этом Dogecoin за более чем 5 лет существования никогда не мог похвастаться высокой рыночной капитализацией. Скорее всего из-за этого ценообразование данной криптовалюты все время ее существования следовало за неоспоримым лидером рынка - Bitcoin.

Ситуация обстоит таким же образом и с Bytecoin, еще одной криптовалютой, существующей довольно долгое время - она была создана в 2012 году. В модели для данной криптовалюты наибольшей силой также является Bitcoin.

Рис.4 Модель ARDL для Bytecoin

В модели для Bitcoin Gold также наблюдается влияние Bitcoin, что ожидаемо, так как данная валюта является «hard-fork» Bitcoin, то есть криптовалютой, «отпочковавшейся» от основной, для изменения некоторых параметров, функций или возможностей. В случае с Bitcoin Gold, отделение от Bitcoin было сделано ради упрощения «майнинга», так как для Bitcoin требовались специализированные графические процессоры, а создатели Bitcoin Gold хотели, чтобы валюту могли добывать любые пользователи с простейшими графическими ускорителями, даже теми, которые имеются на самых дешевых ноутбуках.

При этом, видно, что наибольшее влияние на цену данной криптовалюты оказывает Ethereum. Данное влияние не совсем ясно, так как связи между двумя данными криптовалютами нет, даже в техническом плане.

Кроме того, только для данной модели необходимо провести проверку на мультколлинеарность, так как это единственная модель со значимыми коэффициентами в которой регрессорами являются разные переменные, а не только лаги зависимой переменной и одной независимой. Коэффициент VIF для Ethereum и Bitcoin в данном случае равняется 3.20, что меньше «4», что, в свою очередь, говорит об отсутствии мультиколлинеарности.

Рис.5 Модель ARDL для Bitcoin Gold

Последняя модель, которая имеет значимые регрессоры и хорошие показатели относительно остальных - это модель Binance Coin. Как видно из самой модели, наибольшее влияние на изменение цены данной валюты оказывает Ripple.

Это объясняется тем, что Binance Coin является «токеном» биржи Binance. То есть, помимо торговли, данная криптовалюта также может использоваться как некая опознавательная единица, дающая владельцу некоторые преимущества вне системы торговли.

Влияние Ripple на данную криптовалюту же объясняется тем, что Ripple на данный момент - не только криптовалюта с одной из крупнейших рыночных капитализаций, но также и крупнейший из существующих на сегодняшний день криптовалютный токен.

Рис.6 Модель ARDL для Binance Coin

Как видно по R2 и F - статистике, наиболее успешными из полученных являются модели для Dogecoin и Bytecoin. Для проверки объясняющей способности двух данных моделей были собраны наиболее свежие данные по закрывающим ценам двух данных криптовалют, с 1 января по 1 мая 2019 года, а также цены объясняющих криптовалют за этот же период. После этого, были взяты логарифмические доходности данных цен, и полученные реальные значения были сравнены со значениями, которые предоставляла модель.

Рис.7 Сравнение значений Dogecoin

Рис.8 Сравнение значений Bytecoin

Как видно на графиках, динамики как первой, так и второй модели довольно близки к реальным значениям, но не описывают данные идеально. В частности, отчетливо видны некоторые резкие скачки, которые модели не смогли уловить. То есть, можно точно утверждать, что изменение цены Bitcoin оказывает влияние на динамику цен как Dogecoin, так и Bytecoin, но определенно есть и другие факторы, влияющие на их ценообразование.

Так, по итогам эмпирического исследования, можно сказать, что первая выдвинутая гипотеза подтвердилась частично, так как криптовалюты с наибольшими рыночными капитализации действительно оказывали влияние на изменение цен криптовалют с меньшими капитализациями, но далеко не на все выбранные. Вторая гипотеза подтвердилась, так как в трех из четырех выбранных моделей и в двух лучших из них коэффициент при Bitcoin был значимым. Третья гипотеза подтвердилась, так как всего для 4 из 25 выбранных криптовалют обнаружилось влияние на них криптовалют с крупнейшими капитализациями. Четвертая же гипотеза подтвердилась частично, так как в модели, описывающей Binance Coin наиболее значимым регрессором являлась доходность Ripple, и, как первая, так и вторая валюты являются крипто-токенами.

В целом, можно сказать, что полученные модели можно использовать для предсказания динамики цен Dogecoin и Bytecoin, или, как минимум, предсказания движения цены вверх или вниз, но природа ценообразования криптовалют зависит от цен крупнейших криптовалют на рынке не так сильно, как предполагалось.

Заключение

1.Подколзина И. М., Грицкив М. А. ЧТО ТАКОЕ КРИПТОВАЛЮТА? //СОВРЕМЕННЫЕ ИССЛЕДОВАНИЯ-2017. - 2017. - С. 568-572.