(Источник - расчеты автора)

На этапе предварительного анализа по выборке из 30 наиболее успешных ICO переменная, оценивающая управленческие качества главы компании - наличие ученой степени или MBA у CEO - оказало значимое влияние на объемы привлекаемых инвестиций. Можно ожидать, что для молодой компании, которая ставит своей целью убедить широкий круг инвесторов вложить деньги в инновационный продукт, важен компетентный руководитель. В связи с этим подобная переменная была включена в анализ.

Раннее была отмечена репрезентативность выборки - её состав приближен к реальному распределению компаний по индустриям. Однако имеет смысл говорить и о селективности выборки. Выборка из 221 компании была построена на основании выборки крупнейшего сайта-агрегатора данных об ICO (Icodrops) по данным 2016-2017 гг.. Исходная выборка состояла из 389 наблюдений, и можно предполагать, что эти наблюдения объединяло общее свойство. Компании, попавшие в выборку после проведения ICO продолжают развивать свой продукт, имеют рабочий сайт и контактируют с прессой. То есть в выборку попадают только действующие компании, хотя немалая часть ICO-проектов была закрыта и после проведения ICO. Так как исходная выборка могла оказаться селективной, то и выборка автора может быть таковой. Проблема неслучайной, селективной выборки заключается в смещении оценок регрессии (Heckman, 1979). Для решения этой проблемы в регрессионное уравнение добавляется лямбда Хекмана, имеющая вид:

(7)

Также при использовании лямбды Хекмана оценки уравнения оказываются неэффективными, поэтому в дальнейшем будет проведена проверка остатков на гетероскедастичность.

3.2 Оценка влияния факторов на успех проведения ICO

Прежде чем перейти к анализу результатов регрессионных моделей, стоит напомнить, что в данной работе успех первичного размещения монет определяется двумя переменными - объемом привлеченных инвестиций и выполнение поставленной цели по сбору денежных средств. Также по ходу главы были сформулированы следующие гипотезы о влиянии объясняющих переменных:

· Количество просмотров страницы на тематическом форуме о криптоактивах и количество подписчиков оказывают наибольшее влияние на успех размещения монет;

· Управленческие качества топ-менеджмента компании, проводящей ICO, имеют большое значение с точки зрения успеха ICO;

· Знание технических особенностей проведения ICO и характеристик продаваемых токенов не позволяет предположить успех ICO;

· Принадлежность компании к той или иной категории значимо влияет на успех проведения ICO.

Для проверки влияния объясняющих факторов на объемы привлекаемых инвестиций была построена модель, имеющая вид:

, (8)

где X - вектор фиктивных переменных, включающий в себя переменные Mba, Demo, Ind, P, R.

На предварительном этапе был проведен анализ регрессии методом наименьших квадратов без использования натурального логарифма в объясняющих переменных, однако из-за высокого порядка переменных Bit и Twt - сотни тысяч - по сравнению с остальными факторами качество моделей оказалось ниже, чем при построении регрессии с использованием логарифма.

Для решения проблемы неэффективных оценок была проведена проверка остатков на гетероскедастичность (Приложение 3). С этой целью был использован тест Бреуша-Пагана. Нулевая гипотеза заключается в том, что остатки являются гомоскедастичными - обладают постоянной дисперсией. Результаты тест показали, что нулевая гипотеза не отвергается на уровне значимости 5%, так как ч_набл²(40,09) < ч_кр²(43,11).

Подробные оценки уравнения линейной регрессии представлены в Приложении 4. Лямбда Хекмана оказалась незначима, что позволяет опровергнуть гипотезу о селективности выборки.

Среди результатов модели стоит отметить, что наибольший вклад в объяснение дисперсии логарифма объема привлеченных инвестиций имеет популярность страницы компании на тематическом форуме bitcointalk.org - коэффициент при переменной значим с вероятностью ошибки 1%. В то же время переменная, описывающая популярность Твиттера компании оказалась незначима в модели. Среди остальных факторов стоит отметить переменную Mba, значимую с вероятностью ошибки 10%. Для компании, руководитель которой получил степень MBA или Ph.D., объемы привлекаемых в ходе ICO инвестиций выше в среднем на 43,7%, что полностью подтверждает гипотезу о влиянии управленческих качеств руководителя компании. Также значимыми оказались оценки для трех категорий: финансов, трейдинга и рынка недвижимости. Причем принадлежность компании к категориям трейдинга и рынка недвижимости понижает объемы привлекаемых инвестиций, согласно результатам модели. Ещё одним результатом модели стал значимый вклад использование proof-of-work алгоритма консенсуса.

Задача следующей регрессионной модели - оценить вероятность достижения заявленной цели по привлечению капитала. Так как зависимая переменная в данном случае имеет бинарный характер - цель по сбору средств была выполнена (1) или не было (0), то для регрессионного анализа была выбрана logit-модель со следующим распределением:

(9)

Уравнение модели будет иметь следующий вид (подробное описание Приложении 5):

(10)

В модели используются те же объясняющие переменные, что и в линейной регрессии.

Результаты logit-модели, оценивающей вероятность достигнуть цели по привлечению капитала, оказались схожими с моделью линейной регрессии на параметр объема привлеченных инвестиций. Увеличение просмотров страницы на форуме bitcointalk.org так же значимо повышает вероятность достигнуть цели в ходе ICO на 30%. На указанную вероятность влияет и наличие ученой степени у CEO - повышает вероятность выполнить цель на 41%, и использование proof-of-work алгоритма - увеличивает вероятность на 40%. Все упомянутые переменные значимо повышают вероятность успеха ICO.

У двух моделей имеются различия в оценке категориального вклада в успех ICO. Logit-модель показала значимое, с вероятностью ошибки 10%, влияние принадлежности к категориям смарт-контрактов, медиа и краундфаундинга. Во всех случаях принадлежность к одной из категорий снижает вероятность достижения цели по привлечению капитала.

3.3 Анализ факторов различий между группами наблюдений

Перед тем, как выявлять различия между группами переменных, необходимо понять, на какие группы могут быть разделены наблюдения из выборки.

С помощью метода k-средних 221 наблюдение было распределено по двум кластерам по 153 и 68 наблюдений в каждом. Наличие двух кластеров подтвердила иерархическая кластеризация методом Уорда. Первичный анализ составов кластеров позволил предположить, что наибольший вклад в различия между теми или иными ICO-проектами вносят размеры привлекаемых инвестиций. Для проверки этой гипотезы был проведен дискриминантный анализ (подробные результаты в Приложении 6).

Дискриминантный анализ подтвердил предположение о том, что различия между группами наблюдений обусловлены размером привлеченных инвестиций (см. Таблица 7):

Таблица 7

Структурная матрица дискриминантной функции

(Источник - расчеты автора)

Дискриминантная функция имеет вид:

(11)

Согласно результатам анализа, представленного в Таблице 7, наибольшую дискриминирующую роль играет переменная, характеризующая объемы привлеченных инвестиций, а наименьший вклад в различия между группами вносит факт наличие демо инструмента или технологии компании. Остальные же переменные вносят примерно одинаково мало различий в параметры дискриминантной функции. Для того чтобы исключить эффект главного фактора - объема привлекаемых инвестиций - и проанализировать вклад в различия между группами компаний остальных переменных, можно использовать метод декомпозиции Оаксаки-Блайндера (Woolbridge, 2002).

Суть метода состоит в разложении разницы в средних значениях выбранного показателя двумя способами и проведении регрессионного анализа по получившиеся компоненты.

Формула для поиска компоненты, описывающей различия в средних переменной, выглядит следующим образом:

, (12)

где - средние значения переменной в группах.

Для записи компоненты, описывающей различия в средних значениях коэффициентов, необходимо найти разницу между векторами переменных:

, (13)

В данном случае, фактором различия выступит Ln(Inv). А для заполнения групп наблюдений будут использованы данные из Таблицы 5. Используя разделения по индустриям, удастся не просто выявить факторы различий между двумя абстрактными группами наблюдений, а сразу провести межиндустриальные параллели. Следовательно, в первую группу войдет 124 наблюдения индустрий «Блокчейн» и «Финансы» с традиционно средними показателями привлекаемых в ходе ICO инвестиций. Оставшиеся 97 наблюдений - представители трех индустрий: «Маркетинг», «Социальная сфера» и «Технологии», привлекающие меньше средств в ходе ICO.

Таблица 8

Результаты декомпозиции Оаксаки-Блайндера

(Источник - расчеты автора)

Как и в результатах дискриминантного анализа, наибольший вклад в различия в результатах ICO между традиционно успешными компаниями из сферы блокчейна и финансов и остальных индустрий вносит популярность компании. Разница в количестве просмотров страницы на форуме о криптоактивах объясняет разницу между объемами инвестиций в компании из первой и второй группы больше, чем на 17%. В два раза меньше вклада в объяснение разницы вносит факт наличия ученой или бизнес степени у CEO компании. Все остальные параметры за исключением переменной Demo вносят небольшой вклад в объяснение различий объема инвестиций между двумя группами. Отсутствие демо у компании из второй группы увеличивает разрыв между группами на 2%. Этот факт может стать следствием того, что для разработки демоверсии технологии компании априори нужны значительные ресурсы, которых у компаний из второй группы может не хватать.

Высокое значение вклада константы, равное 68%, может свидетельствовать о том, что при прочих равных компании из первой группы - компании из индустрий блокчейн и финансы - соберут больше инвестиций в ходе ICO просто потому, что они развивают свой продукт в этих индустриях, а не в других. Однако явной экономической интерпретации у вклада константы нет.

В этой главе был проведен статистический анализ успешности публичного размещения монет. С помощью регрессионных моделей удалось выявить некоторые значимые объясняющие факторы, характерные для обеих потенциальных метрик успех размещения - объема привлеченных инвестиций и факта выполнения цели по привлечению капитала. Такими факторами оказались популярность компании и управленческие навыки ее руководителя. С помощью дискриминантного анализа и декомпозиции Оаксаки-Блайндера удалось определить не только, какие факторы обуславливают различия между успешными и неуспешными ICO, но их процентное участие в объяснение различий между группами.

Заключение

Результаты эмпирического анализа позволяют сделать вывод о том, что различия в популярности, технических особенностях, индустрии и общей специфике компании, проводящей ICO, слишком велики, чтобы сформулировать единую модель прогнозирования успеха первичного размещения монет.

Для оценки успеха проведения ICO были использованы две метрики: объем привлеченного в ходе ICO капитала и факт выполнения цели по собранным средствам, выраженные в виде дамми-переменной. Результаты оценки моделей для обоих факторов успеха позволили выявить значимое влияние медийности компании, проводящей ICO, в то время как параметры, оценивающие технические характеристики продукта компании оказывались по большей части незначимы и варьировались от модели к модели. Также стоит отметить влияние управленческих и личных качеств руководителей компании как один из основных факторов успеха первичного размещения монет. Наличие степени MBA или Ph.D. у CEO компании увеличивало объемы привлекаемых в ходе ICO инвестиций на 43,7%.

Также были выявлены категории наиболее или наименее привлекательные с точки зрения развития компании. С точки зрения объемов привлекаемых инвестиций значимым маркеров успеха стала принадлежность компании к сектору финансов. Сигналами к неуспешному ICO стала принадлежность компании к сектору торговли на рынке ценных бумаг и рынку недвижимости. С точки зрения вероятности достичь цели по объему привлеченных инвестиций отрицательный эффект на успех ICO оказывают принадлежность компании к категориям смарт-контрактов, медиа и краудфандинга.

Для поиска значимых различий между наиболее успешными и остальными ICO-проектами был использован дискриминантный анализ и метод декомпозиции различий Оаксаки-Блайндера. Результаты дискриминантного анализа в целом подтвердили выводы регрессионных моделей о том, что медийность и популярность компании и ее технологии в профессиональной среде криптоинвесторов вносит наибольший вклад в различия между успешными и остальными ICO. Результаты декомпозиции Оаксака-Блайндера подтвердили этот вывод, показав, что 17% различий между группами можно объяснить разной популярностью компании в профессиональной среде, на 9% эти различия связаны с управленческими способностями CEO и на 6% эти различия обусловлены техническими особенностями - применения инновационных алгоритмов вознаграждения пользователей токенов и ролью токенов в системе.

Таким образом, фактор медийность действительно оказался ключевым для успеха проведения первичного размещения монет, в то время как технические особенности продукт уступают по вкладу в успех ICO и медийности, и качеству менеджмента компании. Гипотеза о значимых различиях в категориальной принадлежности подтвердилась лишь частично: удалось выявить те категории ICO, где размещение монет, скорее всего, окажется неуспешным.

Список литературы

1. Айвазян С. А. Анализ синтетических категорий качества жизни населения субъектов Российской Федерации: их измерение, динамика, основные тенденции // Уровень жизни населения регионов России. -- 2002. -- № 11.

2. Айвазян С.А., Степанов В. С., Козлова М. И. Измерение синтетических категорий качества жизни населения региона и выявление ключевых направлений совершенствования социально-экономической политики. (на примере Самарской области и ее муниципальных образований) // Прикладная эконометрика. - 2006. №2

3. Кочергин Д. А. Место и роль виртуальных валют в современной платежной системе // Вестник СПбГУ. Серия 5: Экономика. 2017. No 1. С. 119-140.

4. Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика. Начальный курс/Учеб.- 6-е изд., перераб. и доп./ М.:Дело, 2004

5. Adhami S., Giudici G. and Martinazzi S., Why Do Businesses Go Crypto? An Empirical Analysis of Initial Coin Offerings // Journal of Economics and Business, 2018.

6. Buterin V. Analyzing Token Sale Models // The Prehistory of Ethereum Protocol, 2017

7. Burniske C. Cryptoasset Valuations // Medium, 2017

8. Cerezo D. An Optimal ICO Mechanism // MPRA Paper 81285, University Library of Munich, Germany, 2017

9. Conley J.P. Blockchain and the Economics of Crypto-tokens and Initial Coin Offerings // Medium, 2017

10. Dannen C. Introducing Ethereum and Solidity // Professional and Applied Computing, 2017

11. Elender H.The cross-section of crypto-currencies as financial assets: An overview // Collaborative Research Center 649: Economic Risk, Humboldt University Berlin, 2017

12. Hall, J. and Hofer, C. Venture capitalists' decision criteria in new venture evaluation // Journal of Business Venturing, 1993, 8(1), pp.25-42

13. Hegadekatti K. Brand Tokenization and Monetization Through Cryptocurrencies MPRA Paper 82833, University Library of Munich, Germany, revised 19 Oct 2017.

14. Kaal W., Dell'Erba M. Initial coin offerings: emerging practices, risk factors, and red flags // Medium, 2017

15. Kuo Chuen, David Lee and Guo, Li and Wang, Yu, Cryptocurrency: A New Investment Opportunity? (October 24, 2017)

16. Miettinen P. Information acquisition during a Dutch auction // Journal of Economic Theory, Elsevier, 2013, vol. 148(3), pages 1213-1225

17. Mougayar, Buterin (2016), The Business Blockchain: Promise, Practice, and Application of the Next Internet Technology, Wiley

18. Rohr J., Wright A. Blockchain-Based Token Sales, Initial Coin Offerings, and the Democratization of Public Capital Markets // Medium, 2017

19. Wilmoth J. 3 Types of ICO Tokens // StrategicCoin, 2017

20. Wooldridge, J. M. 2002. Econometric Analysis of Cross Section and Panel Data. Cambridge, MA: MIT Press.

21. Venegas P. Initial Coin Offering (ICO) Risk, Value and Cost in Blockchain Trustless Crypto Markets // Journal of Economics and Business, 2017

22. Zetzsche D. The ICO Gold Rush: It's a scam, it's a bubble, it's a super challenge for regulators // Smithandcrown Research, 2017

23. EY research: initial coin offerings (ICOs), December 2017 http://www.ey.com/Publication/vwLUAssets/ey-research-initial-coin-offerings-icos/$File/ey-research-initial-coin-offerings-icos.pdf

Приложение 1

Таблица критериев нормального распределения зависимой переменной

Распределение логарифма объема привлеченных в ходе ICO инвестиций

Приложение 2

Распределение переменных по индустриям и категориям

Приложение 3

Тест Бреуша-Пагана-Годфри на гетероскедастичность

Приложение 4

Регрессионный анализ влияния объясняющих факторов на объемы привлеченных в ходе ICO инвестиций с применением коррекции Хекмана

Приложение 5

Регрессионный анализ влияния объясняющих факторов на вероятность достижения цели по сбору денежных средств

Приложение 6

Проверка качества дискриминантного анализа

Размещено на Allbest.ru