Факторы доходности и выживаемости первичных предложений монет в долгосрочной перспективе

Размещено на http://www.allbest.ru/

Факторы доходности и выживаемости первичных предложений монет в долгосрочной перспективе

Симонов А.Ю., Зямалов В.Е.

Рынок криптовалют является молодым и бурно развивающимся. Рост этого рынка в немалой степени связан с увеличением количества первичных предложений монет, также известных как !Ш, а также объемов денежных средств, привлекаемых в ходе размещения новых валют. В данной статье мы рассматриваем связь между доходностью торгуемых на специализированных биржах криптовалют, вышедших в оборот посредством !Ш, и рядом рыночных показателей, а также исследуем факторы риска, ассоциированные с провалами криптовалютных проектов, которые выражаются в уходе их токенов с бирж или в критическом падении их стоимости. В рамках регрессионного анализа нами было показано, что, в полном соответствии с имеющейся литературой, доходность криптовалют не связана с традиционными факторами финансового рынка. Однако значимое влияние на доходность в долгосрочном периоде оказывают настроения на самом криптовалютном рынке, в качестве прокси для которых мы использовали доходность Биткоина, а также настроения на рынке акций интернет-компаний. Причем последние играют важную роль в отношении вновь выходящих на рынок токенов. Также нами показано, что настроения на криптовалютном рынке важны и для выживания криптовалют. Выход токена на рынок в периоды роста цены Биткоина и увеличения интенсивности проведения !Ш значимо снижает шансы на его выживание. Результаты данной статьи актуальны и для российского рынка, так как российские компании в совокупности занимают четвертое место в мире по количеству проведенных !Ш.

Ключевые слова: криптовалюты; первичные предложения монет; криптовалютные биржи; делистинг; факторы риска.

The cryptocurrency market is young and booming. The growth of this market is to a large extent associated with an increase in the number of initial coin offerings, also known as ICOs, as well as the volume of funds raised during the placement of new cryptocurrencies. In this article, we consider the relationship between the returns of cryptocurrencies emerged through ICOs and traded on specialized exchanges and various market factors as well as we examine the risk factors associated with the failure of cryptocurrency projects expressed in the delisting of their tokens or in a critical drop in their value. As part of the regression analysis, we showed that, in full accordance with the available literature, the returns of cryptocurrencies are not related to traditional factors of the financial market. However, sentiments in the cryptocurrency market itself, proxied by Bitcoin's returns, have a significant impact on long-term profitability, as well as sentiment in the market of Internet companies stocks. Moreover, the latter play an important role in relation to new tokens entering the market. We also showed that sentiment in the cryptocurrency market is important for the survival of cryptocurrencies. The token entering the market during periods of rising Bitcoin and increasing number of ICOs significantly reduces the chances of its survival. The results of this article are also relevant for the Russian market, since Russian companies together occupy the fourth place in the world in the number of ICOs conducted.

Key words: cryptocurrencies; ICO; crypto-exchanges; delisting; factors of risk.

Введение

Криптовалюты сравнительно недавно стали привлекать самое пристальное внимание инвесторов. Первичные предложения монет (InitialCoinOffering- ICO), являясь по сути одной из форм краудфандинга, в то же время зачастую предлагают своим покупателям возможности инвестирования, близкие к традиционным ценным бумагам. Тем не менее у данного вида инвестирования есть большое количество «подводных камней»: правовая неопределенность касательно статуса данного рынка, крайне высокая волатильность цен на криптовалюты, высокая доля неуспешных ICO, отсутствие каких-либо гарантий. Но несмотря на это, криптовалютная отрасль бурно развивается, что проявляется в росте числа первичных размещений.

В данном исследовании мы рассматриваем криптовалютные токены, вышедшие на рынок в результате ICOи торгуемые на специализированных криптовалютных биржах. Объектом нашего интереса выступает связь между доходностью ICOи традиционными факторами риска в долгосрочной перспективе, а также факторы выживаемости проектов. Для выявления этих связей были оценены панельные и портфельные регрессии и модели пропорциональных рисков Кокса с использованием дневных данных в период с сентября 2015 г. по сентябрь 2018 г. В результате мы показываем, что доходность торгуемых токенов, вышедших на рынок в ходе ICO, определяется в первую очередь настроениями на криптовалютном рынке и, в меньшей степени, на рынке акций интернет-компаний. Мы не обнаружили значимой связи с традиционными факторами риска. Причем следует отметить, что последний рынок, по-видимому, оказывает влияние преимущественно на вновь вышедшие токены, теряя свое влияние по мере удаления от момента размещения. Результаты оценивания моделей пропорциональных рисков показали, что если компания выходит на криптовалютный рынок в период его роста или при высоком числе других первичных предложений, то она имеет более высокие шансы неудачи. Также негативным фактором является агрессивная политика по привлечению потенциальных вкладчиков. Наши результаты говорят о сегментации рынка и о том, что рынок криптовалют в настоящий момент не связан с экономическими процессами в традиционной экономике.

Обзор литературы

Хердл и др. [Hardleetal., 2018] в своей работе рассмотрели вопрос наличия взаимосвязи между криптовалютами (Биткоином, Эфиром и XRP) и показателями традиционного финансового рынка, такими как индекс S&P500, SPDRGoldSharesи индекс волатильности CBOE (VIX). Несмотря на то, что, по мнению авторов, криптовалюты имеют некоторое идейное сходство с золотом в плане отсутствия централизованного поставщика, офи-циальной цены и возможности «добычи» новых объемов ресурса, проведенный ими анализ не показал наличия существенной корреляции и коинтеграции между криптовалютами и золотом. Также авторы не смогли показать наличие существенной корреляции с индексом S&P500 и индексом волатильности VIX. При этом между собой все три криптовалюты положительно коррелированы с достаточно высокими коэффициентами корреляции: минимум 0,45 для дневных данных, 0,61 - для месячных.

Результаты Хердла согласуются с результатами, ранее полученными Кляйном и др. [Klein et al., 2018], показавшими, что Биткоин ведет себя абсолютно противоположным образом, по сравнению с традиционными экономическими активами. На примере золота они показали, что в то время как оно является тихой гаванью для инвесторов в периоды нестабильности рынка, Биткоин имеет тенденцию следовать за рынком и падать вместе с ним.

Результаты Кляйна и др. [Klein et al., 2018] и Хердла и др. [Hдrdle et al., 2018] показывают, что динамику криптовалют сложно объяснить при помощи показателей традиционного финансового рынка. Такой же результат в своей работе получили Лю и Цывин- ский [Liu, Tsyvinski, 2018]. Они рассмотрели связь между доходностью таких криптовалют, как Биткоин, Эфир и Ripple, факторами Фама - Френча (трех-, пяти- и шестифакторные модели) и Кархарта (четырехфакторная модель); доходностью от вложения в пять основных мировых валют (австралийский, канадский и сингапурский доллары, британский фунт и евро); доходностью от вложений в золото, серебро и платину; различными макроэкономическими показателями; а также с «зоопарком факторов», предоставленным Эндрю Ченом. Авторам не удалось обнаружить статистически значимого влияния перечисленных показателей на доходность криптовалют.

Вслед за этим Лю и Цывинский [Liu, Tsyvinski, 2018] рассмотрели влияние ряда иных факторов на доходность криптовалют. Они показали, что текущее значение доходности криптовалют позволяет предсказать их будущие значения, причем этот эффект наиболее силен для Биткоина. Также авторы обнаружили интересную взаимосвязь между доходностью Биткоина и интересом инвесторов, в качестве прокси которого использовалась статистика по запросам в Google, в том числе и негативным. Было показано, что совокупное число запросов, с одной стороны, положительно влияет на будущие доходности Биткои- на, а с другой - само положительно связано с прошлыми доходностями Биткоина. Негативный интерес, ожидаемо, снижает будущие доходности Биткоина.

Лю и Цывинский не обнаружили связи между доходностями криптовалют и прокси-переменными для предложения электроэнергии и оборудования для майнинга криптовалют, что оказалось неожиданным результатом. Также авторы не обнаружили систематически значимого влияния криптовалют на акции компаний, разделенных на 30 отраслей Фама - Френча.

Таким образом, если обобщить результаты Лю и Цывинского, то криптовалюты, по-видимому, не обнаруживают связь с традиционным финансовым рынком.

С другой стороны, Момтаз [Momtaz, 2019] в своей работе попытался найти взаимосвязь между доходностью и характеристиками криптовалют. В частности, он показал, что доходность первого дня для ICOтесно связана с такими характеристиками первичного предложения, как экспертная оценка команды и концепции проекта, соответствие проекта стандарту ERC20, прошлое команды (участие в провальных проектах). Доходность первого дня выше для проектов с более высокой оценкой качества команды, менее амбициозными планами и отсутствием негативного опыта у членов команды.

Также Момтаз показал, что существенное влияние на доходность криптовалют оказывает наличие ограничений на рынки, на которых возможна реализация токенов. Чем больше рынков закрыто, тем выше доходность ICO, что объясняется автором как необходимость дополнительного стимулирования инвесторов в условиях сокращения их потенциального числа. Также применение процедуры «знай своего клиента», дающей информацию об инвесторах, отрицательно влияет на доходность, что объясняется возможностью более точно предсказать стоимость токенов в ходе планируемого размещения.

В работе Хоуэлла и др. [Howellet al., 2018] рассматривается влияние характеристик токенов и их эмитентов на успешность первичных размещений, выраженную в рамках их работы через меру неликвидности Амихуда [Amihud, 2002; Amihud et al., 2006]. Авторы показали, что в условиях, когда эмитент прикладывает видимые усилия для снижения асимметрии информации, ликвидность его токенов растет. Также ими было продемонстрировано, что на ликвидность торгуемых токенов, вышедших на рынок в результате ICO, существенное влияние оказывают меры, демонстрирующие стремление создать устойчивую бизнес-модель; в частности, положительным фактором является наличие функциональной нагрузки у токена, в то время как его привязка к реальному активу - золоту или доллару США - существенно повышает риск неудачи.

В работе Фиша [Fisch, 2019] рассматриваются факторы, определяющие величину привлеченных средств в ходе ICO. В своей работе автор рассматривает первичные предложения монет как способ привлечения средств в инновационные стартапы. В качестве основных факторов автор рассмотрел показатели технологического превосходства команды компании - эмитента токенов, а именно наличие патента на разрабатываемую в проекте технологию, доступность технического описания проекта в «белой книге» (whitepaper), доступность исходных кодов в открытых репозиториях, в частности на GitHub, и количество исправленных в них ошибок. В качестве контрольных показателей выступает ряд характеристик токенов и соответствующих ICO. Автор показал, что в силу специфики основных продуктов криптовалютных проектов патенты не оказывают значимого влияния на величину привлекаемых средств, тогда как технологическое описание является существенным сигналом для инвесторов. Качество исходного кода также является существенным фактором, определяющим объем привлекаемых средств.

Данные

В нашем исследовании нами были использованы данные по первичным предложениям монет (ICO), предоставленным ресурсом ICObench, который включает наиболее обширный круг данных о размещениях криптовалют и используется в подавляющем большинстве существующих исследований рынка крипто токенов. Информация по торгам криптовалютами были получены на портале CoinMarketCap, который также широко используется в литературе. Этот ресурс обладает рядом особенностей, которые направлены на максимально корректное представление данных. Во-первых, представленные данные являются средневзвешенной оценкой характеристик торговли на большом количестве криптовалютных бирж. Во-вторых, в расчетах учитываются только те биржи, которые взимают комиссии за совершение операций, что призвано минимизировать влияние рисков манипулирования ценой активов, вероятность возникновения которых на «бесплатных» биржах выше.

Данные из двух описанных выше источников были объединены в единую базу данных при помощи методов нечеткого сравнения текстовых строк, основанных на расстоянии Левенштайна. Использованная при объединении процедура, в свою очередь, каждому наблюдению одной базы данных, характеризующемуся некоторым набором ключевых переменных, ставит в соответствие наиболее близкое наблюдение из второй базы данных. В качестве ключевых переменных при объединении использовались имя проекта, тикер его токена и адрес его вебстраницы.

Совершенно естественно, что нечеткое сравнение строк может приводить к ложным сопоставлениям, поэтому после объединения баз данных была проведена ручная фильтрация результатов с целью исключения ошибочно сопоставленных пар наблюдений.

Итоговая база данных содержит данные для периода с 3 сентября 2015 г. по 15 сентября 2018 г. В нее вошли дневные данные по торгам 424 токенами, вышедшими на рынок в ходе ICO, что примерно соответствует аналогичному числу токенов в работах Хоуэлла и др., Момтаза [Howelletal., 2018; Momtaz, 2019].

Таблица 1.

Описательная статистика показателей ICO

Доходность ICO

Зависимой переменной во всех оцененных уравнениях регрессии является логарифм доходности криптовалют, выраженной в долларах и Биткоине, за вычетом безрисковой ставки, полученной из базы данных факторов риска Фама - Френча¹. Объясняющими переменными являются:

• Рыночная доходность, SMB, HML- рыночные факторы Фама - Френча;

• Рыночная доходность (в BTC), SMB(в BTC), HML(в BTC) - факторы Фама - Френча, выраженные в Биткоинах. Для того чтобы перевести факторы из долларового выражения, мы разделили их на доходность Биткоина в соответствующий момент времени;

• Доходность BTC- дневная доходность Биткоина по данным CoinMarketCap;

• Доходность DJIS, доходность DJIS(в BTC) - дневная доходность индекса Dow- JonesInternetStocks. Доходность индекса Dow- JonesInternetStocksтакже рассматривалась как в долларовом выражении, так и пересчитанная в Биткоины;

• Доходность BTC(+), доходность BTC(-) - доходность Биткоина, разделенная на две переменные, включающие только положительные значения, с заменой отрицательных значений нулем, либо отрицательные значения, с заменой на ноль положительных значений. Эти переменные мы используем для выявления возможной асимметрии влияния рассматриваемых показателей;

• Доходность DJIS(+), Доходность DJIS(-) - доходность индекса Dow- JonesInternetStocks, аналогичным образом разделенная на две переменные;

• Доходность DJIS(+, в BTC), Доходность DJIS(-, в BTC) - доходность индекса Dow- JonesInternetStocks, выраженная в Биткоинах, аналогичным образом разделенная на две переменные;

• Объем торгов BTC- объем дневных торгов Биткоином по данным портала Coin- MarketCap;

• Наличие бонуса - дамми-переменная, равная единице, если эмитент предлагал бонус в ходе ICO;

• KYC- дамми-переменная, равная единице, если эмитент использовал процедуру «знай своего клиента» - идентификацию потенциального покупателя - в ходе ICO;

• Наличие белой книги - дамми-переменная, равная единице, если эмитент предоставил доступ к белой книге (whitepaper).

В табл. 2 и 3 приведены результаты оценивания уравнений регрессии для доходности криптовалют и токенов против факторов риска и ряда характеристик криптовалют и токенов. Было проведено оценивание моделей панельной регрессии с фиксированными эффектами для календарных годов. В скобках приведены значения робастных t-статистик, случайные ошибки кластеризованы по дням. Одна звездочка показывает оцененные значения коэффициентов, значимые на уровне 10%, две звездочки показывают оцененные значения коэффициентов, значимые на уровне 5%, три звездочки показывают оцененные значения коэффициентов, значимые на уровне 1%.

Начнем анализ результатов с рассмотрения табл. 2. Спецификация (1) представляет собой попытку оценить трехфакторную модель Фама - Френча для долларовой доходности криптовалют с использованием факторов, выраженных в долларах. Результат оценивания согласуется с имеющейся литературой в том плане, что статистически значимой связи между доходностью токенов и долларовыми факторами Фама - Френча не обнаружено. Данный результат можно сравнить с работой [Hardleetal., 2018], в которой не было обнаружено существенной корреляции между криптовалютами и индексами реального сектора - цен золота, S&P500 и индекса волатильности VIX.

Спецификация (2) представляет собой аналогичную модель, но уже относительно доходности криптовалют и факторов Фама - Френча, выраженных в Биткоинах. Можно увидеть, что результат оценивания кардинально отличается от спецификации (1). Рыночная доходность положительно влияет на доходность криптовалют, в то время как фактор HMLоказывает отрицательное влияние. Это означает, что рост доходности реального рынка, выраженной в Биткоинах, положительно влияет на настроение криптоинвесторов и побуждает их к более активной торговле. Рост фактора HML, означающий относительно

Спецификация (3) представляет собой спецификацию (1) с включенной в нее доходностью Биткоина в качестве объясняющей переменной. Тем самым делается попытка явно показать влияние настроений на криптовалютном рынке, проявившееся в результатах оценивания модели спецификации (2), с использованием доходности Биткоина в качестве прокси. Оценки коэффициентов показывают, что факторы Фама - Френча в данной спецификации остаются незначимыми, за исключением рыночной доходности, значимой на уровне 10%. Доходность Биткоина, в свою очередь, оказывает значимое влияние на доходность криптовалют. Рост доходности Биткоина на 1% увеличивает доходность криптовалют в среднем на 0,38%.

Спецификация (4) аналогична предыдущей за исключением того, что в нее была включена доходность индекса Dow- JonesInternetStocks. Оценки коэффициентов показывают, что включение этого индекса сделало коэффициент при факторе рыночной доходности статистически незначимым, в то время как коэффициент при доходности Биткоина остался статистически значимым, практически не изменив своего значения.

Спецификации (5) и (6) представляют собой спецификацию (4), в которой движения Биткоина разделены на положительное и отрицательное. Спецификация (6) также включает фиксированные эффекты для 2016-2018 гг. Результаты показывают, что индекс Dow- JonesInternetStocksи фактор HMLоказывают положительное влияние на доходность торгующихся токенов. При этом оцененное значение коэффициента при факторе HMLположительно, что отличается от спецификации (2) и может быть объяснено ростом интереса инвесторов, склонных вкладываться в акции роста, к криптовалютному рынку в ситуации относительного снижения их доходности. Также следует отметить то, что оцененные коэффициенты при переменной для отрицательных значений доходности Бит- коина значимы и положительны, что говорит о том, что при падении доходности Бит- коина на 1% доходность криптовалют падает в среднем на 0,63%. При этом положительные значения доходности Биткоина не оказывают статистически значимого влияния. Таким образом, результаты оценивания спецификаций (5) и (6) показывают, что настроения на рынке криптовалют и акций интернет-компаний оказывают значимое влияние на доходность ICO, причем влияние криптовалютного рынка особенно сильно проявляется в ситуации его падения, о чем говорят оценки коэффициентов при переменных, включающих положительные и отрицательные значения доходности Биткоина.

Перейдем к рассмотрению результатов, приведенных в табл. 3.

Спецификация (1) аналогична спецификации (6) табл. 2; кроме того, в нее были добавлены переменные для положительных и отрицательных значений доходности индекса Dow- JonesInternetStocks. Как показывают оценки коэффициентов, связи, обнаруженные при оценивании спецификации (6) табл. 2, сохраняются. Также следует отметить, что оцененный коэффициент при положительных значениях доходности индекса Dow- JonesInternetStocksбольше, чем при отрицательных, что говорит о том, что доходность криптовалют растет вместе с реальным фондовым рынком сильнее, чем падает. Что касается доходности Биткоина, то связь с отрицательными значениями доходности Биткоина сохраняется практически неизменной. Данный результат усиливает выводы, полученные нами ранее в том плане, что в отличие от Биткоина, влияющего на доходность ICOпреимущественно во время своего падения, акции интернет-компаний сильнее влияют на криптовалюты во время своего роста.

Влияние факторов риска на доходность криптовалют и токенов (продолжение)

Таблица 3.

Источник: расчеты авторов.

Спецификация (2) представляет собой спецификацию (1) с добавленной переменной для логарифма объема дневных торгов Биткоином. Добавление этой переменной существенно не повлияло на значимость и величину прочих коэффициентов, за исключением фиксированного эффекта для 2018 г., который стал значим на уровне значимости 5%.

Спецификации (3) и (4) представляют собой аналоги спецификаций (1) и (2), отличающиеся от них использованием факторов Фама - Френча и значений доходностей, выраженных в Биткоинах. По этой же причине сама доходность Биткоина не была включена в число объясняющих переменных. Оценки коэффициентов показывают, что значимой оценкой является только оцененное значение коэффициента при отрицательных значениях доходности индекса Dow- JonesInternetStocks. Включение в число объясняющих переменных логарифма объема торгов Биткоином также делает значимыми фиксированные эффекты 2017-2018 гг. Смена характера влияния индекса интернет-компаний объясняется пересчетом его доходности в Биткоинах, а как было показано ранее, Биткоин влияет на доходность ICOпреимущественно во время своего падения.

Спецификации (5) и (6) аналогичны друг другу и включают в себя максимальное количество объясняющих переменных. Спецификация (5) использует доходности, выраженные в долларах, спецификация (6) - в Биткоинах. Аналогично спецификации (4), модель (6) не включает в себя доходность Биткоина. Дополнительно в качестве объясняющих переменных использовались дамми-переменные для процедуры «знай своего клиента», наличия бонуса в ходе первичного предложения и наличия проспекта эмиссии. Полученные оценки коэффициентов аналогичны оценкам, полученным ранее, за исключением фиксированных эффектов годов, которые потеряли свою значимость. Из вновь добавленных переменных статистически значимый коэффициент наблюдается только у дамми для процедуры «знай своего клиента», причем он отрицателен, что говорит о том, что криптовалюты, компании-эмитенты которых проводят такую процедуру для повышения безопасности размещения своих токенов, имеют в среднем на 1% меньшую доходность, чем прочие токены. Полученный результат согласуется со всеми ранее оцененными спецификациями. Результат для процедуры KYCможно объяснить тем, что, идентифицируя клиента, эмитент токенов может более точно оценить его действительную стоимость и приблизить ее к рыночной.

Перейдем к рассмотрению табл. 4 и 5, в которых приведены результаты оценивания моделей для условного равновзвешенного портфеля криптовалют. Портфель был построен простым усреднением всех имеющихся в каждый момент времени доходностей. Мы рассматриваем такой портфель для того, чтобы воспроизвести опыт инвестора, вкладывающего в существующие криптовалюты.

Оценивая модели регрессии для условного портфеля, мы следуем логике, представленной в работе Шульца [Schultz, 2003], в которой был описан эффект «псевдосинхронизации рынка» для случая IPO. Данный эффект выражается в том, что чем больше средств потенциально может быть привлечено в ходе IPO, тем выше вероятность его проведения, даже при отсутствии у эмитентов возможности синхронизации с рынком. В результате оказывается, что IPOимеют место в моменты пика рынка ex-post,хотя компании и не способны предвидеть пиковые моменты ex-ante.Также это приводит к концентрации IPOв пиковые моменты ex-post.Усреднение по моментам времени призвано нивелировать эти эффекты.

Таблица 4.

Влияние факторов риска на доходность равновзвешенного портфеля криптовалют и токенов

	(1) доходность	(2) доходность	(3) доходность	(4) доходность	(5) доходность	(6) доходность
Рыночная доходность	0,0018 (0,363)	-0,0037 (-0,352)	-0,0039 (-0,414)	-0,0056 (-0,597)	-0,0061 (-0,647)	-0,0072 (-0,763)
SMB	-0,0024 (-0,369)	-0,0030 (-0,457)	-0,0033 (-0,556)	-0,0034 (-0,570)	-0,0032 (-0,538)	-0,0024 (-0,402)
HML	-0,0024 (-0,414)	0,0005 (0,0580)	0,0005 (0,0651)	0,0007 (0,0803)	0,0006 (0,0720)	0,0011 (0,134)
Доходность BTC			0 449*** (5,772)
Доходность BTC (-)				0,618*** (5,419)	0,622*** (5,402)	0,623*** (5,468)
Доходность BTC (+)				0,279** (2,190)	0,278** (2,186)	0,245* (1,762)
Доходность DJ		0,465 (0,607)	0,426 (0,595)	0,519 (0,723)
Доходность DJ (-)					0,295 (0,380)	0,190 (0,243)
Доходность DJ (+)					0,882 (1,047)	1,162 (1,353)
Окончание табл. 4.
	(1)	(2)	(3)	(4)	(5)	(6)
	доходность	доходность	доходность	доходность	доходность	доходность
2016 г.						-0,0037 (-0,332)
2017 г.						0,0064 (0,643)
2018 г.						-0,0126 (-1,350)
Константа	0,0046	0,0045	0,0024	0,0077*	0,0053	0,0059
	(1,410)	(1,385)	(0,765)	(1,857)	(1,103)	(0,586)
Число наблюдений731	731	731	731	731	731
R-squared	0,001	0,001	0,064	0,069	0,070	0,076

Начнем анализ с рассмотрения табл. 4. Спецификация (1) показывает результат оценивания трехфакторной модели Фама - Френча. Оценки коэффициентов показывают, что какого-либо значимого влияния не наблюдается. В спецификации (2) была добавлена переменная для доходности индекса Dow- JonesInternetStocks, что также не привело к статистической значимости оценок коэффициентов.

В спецификации (3) была добавлена переменная для доходности Биткоина. Оценки коэффициентов показывают, что эта доходность оказывает статистически значимое на уровне 1% влияние на среднюю доходность токенов в «портфеле».

В спецификации (4) доходность Биткоина была разделена на две отдельные переменные для положительных и отрицательных значений. В спецификации (5) то же самое было проделано и для доходности индекса Dow- JonesInternetStocks. Оценки коэффициентов в обеих спецификациях показывают, что отрицательные значения доходности Биткоина оказывают гораздо большее влияние на доходность портфеля токенов, чем положительные. Индекс Dow- JonesInternetStocksвлияния на доходность не оказывает.

В последней спецификации к переменным, включенным в модель (5), были добавлены фиксированные эффекты для 2016-2018 гг. Оцененные коэффициенты показывают результаты, аналогичные спецификациям (4) и (5).

Перейдем к рассмотрению табл. 5. Спецификации (1)-(3) аналогичны спецификациям (1), (2) и (6) из табл. 4; в текущей таблице используются доходности и факторы Фама - Френча, выраженные в Биткоинах. Оцененные коэффициенты не показывают наличия какой-либо статистически значимой связи.

В совокупности результаты оценивания спецификаций из табл. 4 и 5 подтверждают ключевое влияние настроений на криптовалютном рынке на доходность ICO. Более того, отличие результатов оценивания моделей, представленных в табл. 2 и 3, от представленных выше показывает, что на появление новых криптовалют также влияют настроения на рынке акций интернет-компаний.

Влияние факторов риска на доходность равновзвешенного портфеля криптовалют и токенов

Таблица 5.

	(1) доходность (в BTC)	(2) доходность (в BTC)	(3) доходность (в BTC)
Рыночная доходность (в BTC)	0,0856 (0,256)	-0,213 (-0,251)	-0,240 (-0,282)
SMB (в BTC)	-0,596 (-1,511)	-0,663 (-1,471)	-0,630 (-1,390)
HML (в BTC)	-0,385 (-1,045)	-0,265 (-0,504)	-0,283 (-0,539)
Доходность DJ (BTC)		0,245 (0,395)	0,266 (0,425)
2016 г.			-0,0007 (-0,0620)
2017 г.			-0,0018 (-0,193)
2018 г.			-0,0114 (-1,278)
Константа	0,0005 (0,175)	0,0005 (0,158)	0,0036 (0,430)
Число наблюдений	731	731	731
R-squared	0,237	0,238	0,240

Источник: расчеты авторов.

В общем и целом, полученные результаты позволяют сделать следующий вывод. Доходность криптовалют демонстрирует крайне слабую связь с реальным фондовым рынком. Эта связь проявляется только во влиянии настроений на рынке акций интернеткомпаний, причем в период их роста влияние сильнее. С другой стороны, настроение на криптовалютном рынке оказывает сильное статистически значимое влияние на доходность !Ш, особенно сильное в периоды падения рынка.

Риски провала 1СО

Далее будут рассмотрены результаты оценивания модели пропорциональных рисков Кокса для определения факторов провала криптовалют. Модель Кокса позволяет определить факторы риска, ассоциированные с наступлением некоторого отрицательного события.

В рамках данного исследования в качестве отрицательного события мы рассматривали делистинг криптовалюты либо существенное падение ее стоимости. Под делистингом мы понимаем ситуацию, когда криптовалюта перестает торговаться на криптовалютных биржах. В рамках имеющихся у нас данных это эквивалентно исчезновению информации о торгах токенами из базы CoinMarketCap. Под существенным падением стоимости мы понимаем снижение цены закрытия криптовалюты или токена до уровня 15% от цены размещения. Технически определение этого момента осуществлялось расчетом кумулятивной доходности начиная с первого дня после размещения.

В общей сложности из 424 ICOв рассматриваемой нами выборке 23 прошли через делистинг, а 121 испытали падение стоимости ниже критического уровня. криптовалютный токен биржа кокс

В качестве объясняющих переменных использовались:

• Число ICOза 91 день до завершения ICO- число прочих ICO, завершившихся в течение 91 дня до даты завершения текущего предложения монет;

• Вторая-четвертая квартиль - помимо числа ICO, в качестве объясняющих переменных рассматривались дамми-переменные, равные единице, если это число попадало во вторую (от 25 до 50%), третью (от 50 до 75%) и четвертую квартиль;

• Произведение описанных выше дамми-переменных для числа прочих ICOи дамми-переменной наличия бонуса при размещении;

• Цена ICO- цена токенов в ходе ICO;

• Цена с учетом бонуса - цена токенов с учетом предлагаемого бонуса;

• Доходность BTCза 91 день до завершения ICO- кумулятивная доходность Бит- коина за 91 день до завершения ICO;

• Наличие бонуса - дамми-переменная, равная единице, если эмитент предлагал бонус в ходе ICO;

• KYC- дамми-переменная, равная единице, если эмитент использовал процедуру «знай своего клиента» - идентификацию потенциального покупателя - в ходе ICO;

• Наличие белой книги - дамми-переменная, равная единице, если эмитент предоставил доступ к белой книге (whitepaper).

В табл. 6 и 7 приведены результаты оценивания модели Кокса для делистинга и падения цены и только делистинга соответственно.

Рассмотрим результаты, приведенные в табл 6.

Спецификация (1) включает дамми-переменные для процедуры «знай своего клиента», проспекта эмиссии, цену размещения с учетом бонуса, цену размещения и доходность Биткоина за 91 день до конца ICO. Оценки коэффициентов показывают, что дамми- переменные и цена размещения слабо значимы, но, тем не менее, являются позитивными факторами выживания криптовалют. С другой стороны, цена с учетом бонуса и количество первичных предложений являются негативными факторами выживаемости. Доходность Биткоина за три месяца до завершения ICOявляется негативным фактором, повышающим риск его провала.

Спецификация (2) вместо числа ICOиспользует дамми-переменные. Оценки коэффициентов показывают, что большое количество первичных предложений, имевших место перед размещением криптовалюты, является негативным фактором, причем коэффициент при дамми для второй квартили числа прочих ICOв три раза меньше дамми для третьей квартили и в два раза меньше дамми для четвертой квартили числа размещений. Знаки прочих коэффициентов остались теми же. Доходность Биткоина также является негативным фактором риска.

контрольная работа "Факторы доходности и выживаемости первичных предложений монет в долгосрочной перспективе" скачать

Подобные документы

• Анализ долгосрочной доходности при проведении размещений акций российскими компаниями

  Мотивы и интересы сторон в размещении акций, преимущества и недостатки, процедура проведения. Особенности вторичных размещений акций (SPO). Анализ долгосрочной доходности при проведении размещений акций российскими компаниями, обзор рынка в России.
  
  дипломная работа [2,0 M], добавлен 03.07.2017
  

• Риск и доходность в принятии финансовых решений

  Понятие риска, его разновидности. Особенности управления риском, методы защиты от финансовых рисков, специфика страхования от них. Главные инструменты статистического метода расчета финансового риска. Модель оценки доходности финансовых активов.
  
  реферат [43,7 K], добавлен 16.03.2011
  

• Основы финансовых инвестиций

  Рассмотрение понятий и форм финансовых инвестиций. Исследование понятия портфеля ценных бумаг и его классификации. Рассмотрение методов оценки риска и доходности финансовых активов. Формирование портфеля ценных бумаг, оценка его доходности и риска.
  
  дипломная работа [4,9 M], добавлен 03.05.2018
  

• Влияние объявлений о дивидендных выплатах на цены акций российских компаний

  Обоснования направления влияния дивидендных выплат. Политика выплаты российских компаний. Метод event study. Расчет нормальной доходности акции, влияние объявлений о дивидендных выплатах на цены. Усредненная избыточная доходность по типам новостей.
  
  курсовая работа [454,5 K], добавлен 13.10.2016
  

• Портфельные риски и модель оценки доходности финансовых активов

  Общее понятие и теории инвестиционного портфеля. Сущность портфельных рисков, пути их диверсификации. Модель оценки доходности финансовых активов (САРМ): основные предпосылки и особенности построения. Бета-коэффициенты ликвидных Российских акций.
  
  контрольная работа [270,6 K], добавлен 16.02.2011
  

• Управление портфелем недвижимости

  Факторы, влияющие на ставку доходности в портфеле инвестиций. Диверсификация активов, необходимая для управления доходностью и уровнем риска. Алгоритм разработки и управления портфелем недвижимости. Методы расчета стоимости, доходности и риска портфеля.
  
  курсовая работа [1,1 M], добавлен 28.06.2011
  

• Формирование инвестиционного портфеля и анализ его доходности

  Определение риска и доходности инвестиционного портфеля. Анализ структуры инвестиций с точки зрения потенциального риска и доходности. Расчет мультипликаторов по акциям, показателей рентабельности и ликвидности, коэффициентов оборачиваемости и автономии.
  
  курсовая работа [2,1 M], добавлен 08.01.2012
  

• Соотношение агентской теории с концепцией риска и доходности

  Знакомство с особенностями определения соотношения риска и доходности в агентской теории. Формирование системы контрактов как один из путей решения агентских проблем. Общая характеристика модели морального риска. Способы акционерного построения капитала.
  
  контрольная работа [1,9 M], добавлен 02.05.2015
  

• Использование показателей ожидаемой доходности и вариации при оценке риска вложений в ценные бумаги

  Оценка абсолютной и относительной эффективности инвестиций. Величины чистого денежного потока. Основные нормы текущей доходности. Моделирование инвестиционного портфеля. Рынок ценных бумаг. Основные показатели доходности вложений в ценные бумаги.
  
  реферат [292,2 K], добавлен 22.07.2011
  

• Статистика фондового рынка. Формирование оптимального инвестпортфеля

  Расчет средней доходности, дисперсии и коэффициента вариации акций, ежедневно торгуемых на фондовой бирже. Выбор акций двух эмитентов для формирования инвестиционного портфеля. Исследование взаимосвязи риска и доходности портфеля с помощью модели CAPM.
  
  контрольная работа [3,0 M], добавлен 16.07.2012
  

• Риск и доходность инвестиционных проектов

  Понятие и сущность доходности, определение риска, вероятность возникновения финансовых потерь и типичные зоны "риск-доходности". Оценка инвестиционного проекта и методы его анализа. Бизнес план инвестиционного проекта по строительству жилого комплекса.
  
  курсовая работа [75,8 K], добавлен 20.11.2013
  

• Выбор оптимального портфеля инвестора

  Расчет фактической, ожидаемой и безрисковой доходности и риска по акциям. Определение привлекательности акций для инвестирования. Определение коэффициента Шарпа. Сравнение выбранного портфеля акций с индексным портфелем. Доходность акции на единицу риска.
  
  курсовая работа [1,6 M], добавлен 24.05.2012
  

• Модель управления риска

  Факторы, воздействующие на экономику и управленческие решения. Риски, опасности, угрозы деятельности предприятия. Источники и факторы риска. Схема функциональных связей организации. Диверсификация деятельности, рынка сбыта, закупки сырья и материалов.
  
  реферат [215,4 K], добавлен 08.06.2014
  

• Эмпирические исследования модели CAPM

  Понятие, сущность и цели модели оценки доходности финансовых активов CAPM, взаимосвязь риска с доходностью. Двухфакторная модель CAPM в версии Блэка. Сущность модели D-CAPM. Эмпирические исследования концепции "риск-доходность" на развивающихся рынках.
  
  курсовая работа [226,8 K], добавлен 20.12.2010
  

• Оценка риска портфеля международных инвестиций

  Пассивный и активный подходы при формировании портфеля международных инвестиций. Оценка показателей его доходности и общего риска. Использование данных по доходности и риску портфеля, проводимые службами анализа качества международных инвестиций (IPA).
  
  презентация [66,7 K], добавлен 07.12.2013
  

• Мезонинное финансирование

  Цели, преимущества применения мезонинного финансирования для инвесторов. Соотношение риска и доходности. Структурные проблемы в области кредитования малого и среднего бизнеса. Факторы, влияющие на размер мезонинных сделок на примере стран Евросоюза.
  
  дипломная работа [607,5 K], добавлен 04.09.2016
  

• Финансовые показатели предприятия

  Экономическое содержание, функции и виды прибыли. Сущность доходности и рентабельности организации, определение факторов, на нее влияющих, подходы и методы оценки. Организационно-экономическая характеристика и повышение уровня доходности предприятия.
  
  курсовая работа [316,1 K], добавлен 18.06.2014
  

• Доходность финансовых активов

  Понятие и содержание финансового актива, порядок и этапы определения степени его доходности. Расчет доходности облигации, акции. Определение оптимальной структуры капитала предприятия. Вычисление рисков вхождения в венчурную компанию, ожидаемые прибыли.
  
  контрольная работа [145,5 K], добавлен 18.06.2011
  

• Ценные бумаги, их классификация и анализ доходности в банке

  Рынок ценных бумаг как составная часть финансового рынка. Вычисление доходности ценных бумаг по простой и сложной ставке процента. Оптимальный выбор и анализ доходности ценных бумаг на примере ЗАО "ВТБ24". Динамика движения средств по портфелю активов.
  
  курсовая работа [241,3 K], добавлен 03.05.2009
  

• Понятие финансового инвестиционного портфеля

  Характеристика понятия инвестиционного портфеля. Рассмотрение общих подходов к его формированию. Определение зависимости доходности и риска портфеля от ожидаемых доходностей входящих в него активов и удельного веса каждого из них в его структуре.
  
  презентация [138,7 K], добавлен 13.03.2019
  

Другие документы, подобные "Факторы доходности и выживаемости первичных предложений монет в долгосрочной перспективе"

• главная
• рубрики
• по алфавиту
• вернуться в начало страницы
• вернуться к началу текста
• вернуться к подобным работам

• Рубрики
• По алфавиту
• Закачать файл
• Заказать работу

• весь список подобных работ

• скачать работу можно здесь

• сколько стоит заказать работу?

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.

© 2000 — 2023, ООО «Олбест» Все права защищены

Спецификация (3) представляет собой спецификацию (1) с добавленной дамми- переменной для наличия бонуса. Оценки коэффициента показывают, что наличие бонуса является негативным фактором выживаемости проектов. Спецификация (4) показывает, что в условиях большого количества выходящих на рынок криптовалют компании, предлагающие бонусы, имеют несколько более высокие шансы на выживание. Оценки коэффициентов при доходности Биткоина показывают, что выход на рынок в период его роста чреват более высокими шансами на делистинг или критическое падение стоимости. Таблица 6. Модель Кокса. Делистинг и падение цены ниже 15% от цены размещения
	(1)	(2)	(3)	(4)
KYC	-0,1708	-0,1855	0,1107	-0,1895
	(-1,49)	(-2,37)	(0,116)	(-2,29)
Наличие белой книги	-0,376	-0,4047	-0,3948	-0,4122
	(-1,98)	(-2,64)	(-2,04)	(-2,58)
Цена с учетом бонуса	0,0094	0,0112	0,0088	0,0112
	(7,79)	(8,68)	(9,8)	(8,53)
Наличие бонуса			0,9238	0,8603
			(1,23)	(2,3)
Число ICOза 91 день до завершения ICO	0,012		0,0128
	(30,79)		(20,23)
Число ICOза 91 день до завершения ICOх			-0,007
Наличие бонуса			(-1,27)
Вторая квартиль		0,4581		0,6205
		(659,51)		(6,9)
Вторая квартиль х Наличие бонуса				-0,892
				(-2,37)
Третья квартиль		1,2289		1,4101
		(13,45)		(9,13)
Третья квартиль х Наличие бонуса				-0,8984
				(-2,21)
Четвертая квартиль		0,9327		1,1253
		(11,44)		(8,52)
Четвертая квартиль х Наличие бонуса				-0,9255
				(-2,48)
Цена ICO	-0,0015	-0,0016	-0,0014	-0,0015
	(-1,87)	(-2,06)	(-2,0)	(-2,09)
Доходность BTCза 91 день до завершения	0,1921	0,1521	0,1971	0,1468
ICO	(7,54)	(3,54)	(5,78)	(3,4)
FE года	Да	Да	Да	Да
Число ICO	424	424	424	424
Число провалов	144	144	144	144
Log pseudolikelihood	-781,453	-781,269	-780,592	-779,812
Модель Кокса. Делистинг	Таблица 7.
	(1)	(2)	(3)	(4)
KYC	-32,708 (-40,3)	-32,2972 (-39,85)	-32,7143 (-39,51)	-33,2733 (-40,29)
Наличие белой книги	-31,8697 (-38,39)	-31,0657 (-34,8)	-31,8559 (-37,93)	-31,4674 (-31,41)
Цена с учетом бонуса	-0,0079 (-5,96)	-0,0032 (-3,78)	-0,0148 (-4,43)	0,0988 (6,23)
Наличие бонуса			2,1057 (2,25)	1,7822 (6,28)
Число ICOза 91 день до завершения ICO	0,007329 (6,63)		0,0094 (6,32)
Число ICOза 91 день до завершения ICOх Наличие бонуса			-0,0184 (-2,04)
Вторая квартиль		0,2529 (71,69)		1,0492 (7,71)
Вторая квартиль х Наличие бонуса				-52,5438 (-15,73)
Третья квартиль		-1,459 (-14,36)		-21,7121 (-131,09)