جدا کردن اثر غیرخطی در بازارهای رمزنگاری در طول همه گیر COVID-19: شواهدی از رویکرد تغییر رژیم

در این مقاله ، ما سعی در درک و شناسایی نوسانات چرخه ای در بازارهای رمزنگاری داریم. برای این منظور ، ما رویکرد تغییر مارکوف را در قیمت های روزانه 17 ارز دیجیتال انتخاب شده اعمال می کنیم. این مدل به ما امکان می دهد ساختار غیرخطی را در قیمت های رمزنگاری ضبط کنیم. نتایج تجربی به وضوح تفاوت (های) بالقوه بین ارزهای دیجیتال را نشان می دهد که آنها به سطح مختلف شدت بیماری همه گیر واکنش نشان می دهند. به نظر می رسد وجود دو حالت قابل تشخیص و هر ایالت با ویژگی های مختلف مرحله چرخه بازار برای هر رمزنگاری مشخص می شود. بنابراین ، همه گیر Covid19 به طور نامتقارن بر مراحل مختلف بازار ارزهای دیجیتال تأثیر می گذارد. چنین یافته هایی می توانند پیامدهای پرتفوی روشنگری داشته باشند.

روی نسخه خطی کار می کنید؟

از رایج ترین اشتباهات خودداری کنید و نسخه خطی خود را برای ویراستاران ژورنال آماده کنید.

معرفی

به طور کلی ، ادبیات مربوط به ارزهای رمزنگاری شده به طور گسترده بسیاری از موضوعات مربوط به پویایی قیمت های رمزنگاری شده مانند حباب های سوداگرانه در بیت کوین (Cheah & Fry ، 2015) ، ناکارآمدی بیت کوین (Nadarajah & Chu ، 2017) ، پیش بینی های آماری قیمت های بیت کوین را مورد تجزیه و تحلیل قرار داده است.(Cheah & Fry ، 2015) ، توانایی محافظت از بیت کوین (Bouri et al. ، 2017a ، 2017b) و Multifractality (به عنوان مثال Mensi et al. ، 2020). آنها با موفقیت ویژگی های برجسته ای مانند شکستگی های ساختاری ، چند منظوره ، ماندگاری را با موفقیت شناسایی کردندنوسانات قیمت و حافظه طولانی در بازده و نوسانات. به عنوان مثال ، Bariviera (2017) وابستگی دوربرد در بازده قیمت را در دوره 30/06/2013-30/06/2017 بررسی می کند. نتایج تجربی وجود همبستگی نامتقارن را با توجه به افزایش و کاهش روند نشان داد. لاهمی و همکاران.(2018) نشان داد که وابستگی دوربرد در بسیاری از بازارهای رمزنگاری مستند است. Caporale و همکاران.(2018) رفتار پویا ماندگاری در بازارهای رمزنگاری (بیت کوین ، لیتکین ، ریپل و داش) را در دوره 2013-2017 بررسی کرد. آنها به وضوح اظهار داشتند كه بازار رمزنگاری پایداری متغیر از زمان را نشان می دهد. منسی و همکاران.(2018) حافظه طولانی دوگانه و تغییرات ساختاری در بازارهای رمزنگاری را به وضوح مشخص کرد. Chaim and Laurini (2018) تکامل بازده های Bitoin و نوسانات را در دوره 05/2013-04/2018 بررسی کردند. آنها اهمیت در ترکیب جهش های دائمی به نوسانات و ارتباط پرش های گذرا را در میانگین بازده گزارش می دهند. Béjaoui و همکاران.(2019) رفتار پویا بیت کوین ، Litecoin ، Ethereum و Ripple Daily و نوسانات را بررسی کرد. آنها نشان می دهند که سوئیچینگ رژیم در فرآیند تولید بازده به خوبی بیان شده است. به نظر می رسد پویایی بازار توسط دو کشور مختلف اداره می شود که از نظر میانگین بازده ، نوسانات و پویایی بین ایالتی از بازار رمزنگاری به دیگری متفاوت است. Caferra (2020) پیوندهای بین احساسات مبتنی بر اخبار و رفتار بازارهای رمزنگاری شده از 01/01/2018 تا 01/01/2020 را مورد تجزیه و تحلیل قرار داد. سیزده ارز رمزنگاری شده استفاده می شود ، یعنی: بیت کوین ، لیت سکه ، ریپل ، اتریوم ، ستاره ای ، NXT ، ورتکوین ، کاردانو ، سکه دوتایی ، تتر ، EOS ، ZCASH و IOTA. یافته های تجربی به وضوح نشان داد که افزایش و کاهش شکل خوش بینی باعث تغییرپذیری می شود. آنها همچنین نشان می دهند که چگونه افزایش مثبت اخبار مربوط به پراکندگی بازده پایین تر است و دلالت بر همگرایی اعتقادات در بین سرمایه گذاران دارد.

با شیوع بیماری همه گیر Covid-19 ، برخی از محققان تلاش کرده اند تا دوباره رفتار بازارهای رمزنگاری را بررسی کنند. کوربت و همکاران.(2020) رفتار پویا برخی از ارزهای رمزنگاری شده مانند بیت کوین ، اتریوم ، XRP ، پول نقد بیت کوین ، بیت کوین و Litecoin را در دوره 01/01/2019-31/03/2020 بررسی کنید. آنها فاش کردند که افزایش قابل توجهی در بازده و حجم معاملات. این به وضوح نشان می دهد که ارزهای بزرگ رمزنگاری می توانند در دوره های آشفته به عنوان فروشگاهی از ارزش عمل کنند. علاوه بر این ، به نظر می رسد که بازده رمزنگاری به طور قابل توجهی تحت تأثیر احساسات منفی مربوط به COVID19 قرار دارد. عمر و گوباروا (2020) در مورد تأثیر همه گیر Covid19 بر نوسانات رمزنگاری (بیت کوین ، اتریوم ، مونرو ، ریپل و ZCASH) و بازارهای فیات در ژانویه-مه 2020 بررسی کردند. واداقبال و همکاران.(2020) تأثیر بیماری همه گیر COVID19 بر رفتار ارزهای رمزنگاری شده (بیت کوین ، اتریوم ، اتر ، XRP ، پول نقد بیت کوین ، بیت کوین SV ، لیتکوین ، سکه دوتایی ، EOS ، Cardano و Tezos) در دوره 01/01/2020 - 202 0-15/06/2020. آنها نشان دادند كه سطح شدت متفاوت همه گیر Covid19 بر مراحل صعودی و نزولی بازارهای رمزنگاری متفاوت تأثیر می گذارد. پیتریچ و همکاران.(2021) غیرخطی و هرج و مرج را در برخی از ارزهای دیجیتال (بیت کوین ، لیتکین ، ریپل و اتریون) بازده و نوسانات بررسی کرد. آنها از کارآیی بازار cryptocurrency پشتیبانی نمی کنند ، دلالت بر این که چنین سریال های زمانی از یک فرآیند تولید ناشناخته اساسی ناشی می شود. بنابراین آنها به صورت غیرخطی و هرج و مرج رفتار می کنند. Vidal-Tomás (2021) بررسی کرد که همه گیر COVID19 به طور قابل ملاحظه ای بر رفتار ارزهای دیجیتال در دوره 12/03/2020-01/04/2020 تأثیر می گذارد. این به وضوح حاکی از افزایش چشمگیر هماهنگ سازی بازار است. Caferra و Vidal-Tomas (2021) با ظهور همه گیر Covid19 ، پویایی بازارهای سهام و رمزنگاری را بررسی کردند. آنها به وضوح نشان دادند كه با توجه به اینكه هر دو رمزنگاری و قیمت سهام به شدت كاهش یافته اند ، در مارس 2020 به خوبی بیان شده است. همچنین ، به نظر می رسد پویایی قیمت به نوع بازار در طول بحران بهداشت بستگی دارد.

این مقاله مربوط به ادبیات فوق الذکر و تلاش برای تجزیه و تحلیل رفتار پویا بازارهای رمزنگاری قبل و در طول همه گیر Covid19 است. به ویژه ، ما ساختار غیرخطی و رفتار چرخه ای 17 قیمت رمزنگاری را بررسی می کنیم. شایان ذکر است که آیا قیمت رمزنگاری همان ساختار غیرخطی و رفتار چرخه ای را در طول بحران بهداشت نشان می دهد. از دیدگاه روش شناختی ، ما مدل سوئیچینگ مارکوف را بر روی قیمت های رمزنگاری اعمال می کنیم. این مدل امکان را در نظر می گیرد که رفتار تغییر رژیم را با توجه به متغیر حالت نهان در نظر بگیرید_t، که تعداد محدودی از مقادیر را به خود اختصاص می دهد.

مقاله بصورت زیر مرتب شده است. بخش 2 بررسی ادبیات را گزارش می کند و مدل در بخش ارائه شده است. 3. بخش 4 داده ها و آمار توصیفی را ارائه می دهد. نتایج تجربی در فرقه گزارش شده است. 5. بخش 6 نتیجه می گیرد.

بررسی ادبیات

بسیاری از محققان به طور فزاینده ای پویایی قیمت ارزهای دیجیتالی مانند ویژگی های آماری قیمت بیت کوین (Cheah & Fry ، 2015) ، (در) کارایی بازار رمزنگاری (Nadarajah & Chu ، 2017) ، حباب های سوداگرانه در بیت کوین (Cheah & Fry ، Fry ، Fry ،)2015) ، ویژگی های محافظت از بیت کوین (Bouri et al. ، 2017a ، 2017b) ، Multifractility (Mensi et al. ، 2019) و اثر غیرخطی (Béjaoui et al. ، 2019). به طور خاص ، آنها به منظور تولید مثل و درک پویایی قیمت سهام در بازار cryptocurrency ، مشخصات کافی را جستجو می کنند. به عنوان مثال ، Conard و همکاران.(2018) اجزای نوسانات کوتاه مدت و بلند مدت ارزهای دیجیتال را بررسی کنید. آنها گزارش می دهند که نوسانات بیت کوین بلند مدت منفی و به میزان قابل توجهی تحت تأثیر نوسانات تحقق یافته S& P00 قرار دارد. آنها همچنین تأثیر مثبت و معناداری از حق بیمه ریسک نوسانات S& P00 را بر نوسانات طولانی مدت بیت کوین گزارش می دهند. رابطه بسیار مثبت بین نوسانات طولانی مدت بیت کوین و شاخص خشک بالتیک به خوبی مستند است. یایا و همکاران.(2019) پایداری و وابستگی متقابل بیت کوین با سکه های دیگر را بررسی کنید. آنها نشان از ماندگاری بیشتر در شوک های قیمت پس از سقوط قیمت cryptocurrency 2007/2008 نشان می دهند. این می تواند به دلیل معاملات سوداگرانه بین معامله گران cryptocurrency باشد. همچنین ، پدیده ای از عدم معکوس به خوبی مستند است و این نشان می دهد که احتمال کاهش قیمت بیشتر در Crtpoccurrences. همچنین در هر دو دوره رابطه همبستگی بین بیت کوین و سکه های دیگر وجود دارد. اردیا و همکاران.(2019) بررسی کنید که آیا حضور رژیم در پویایی نوسانات بیت کوین وجود دارد یا خیر. آنها به وضوح تغییرات رژیم در پویایی نوسانات بیت کوین را نشان می دهند. Béjaoui و همکاران.(2019) با کاوش در ساختار غیرخطی در بازده چهار ارز Crytoc ، پویایی بازده در بازار مجازی را بررسی کنید. آنها چرخه بازار cryptocurrency وجود را نشان می دهند که از نظر میانگین بازده و نوسانات با وجود کشورهای مختلف مشخص شده است. ما همچنین دینامیک غیرقابل تشخیص بین ایالات را نشان می دهیم. Gunay (2019) بین اثرات ورود اطلاعات عمومی در بازار cryptocurrency با استفاده از پست های Twiter تحقیق می کند. نتایج تجربی نشان می دهد که ورود اطلاعات عمومی مثبت در بازارهای گاو نر مثبت و به میزان قابل توجهی بر ارزش ریپل تأثیر می گذارد. با این وجود ، در بازارهای نزولی بر ریپل تأثیر نمی گذارد. Kyriazis (2020) رفتار گله دار 240 ارز دیجیتال را در بازارهای خرس و گاو نر تجزیه و تحلیل می کند.

نتایج تجربی رفتارهای مختلفی را در دوره های صعودی و نزولی نشان می دهد. همچنین ، رفتار گله دار منحصر به فرد در بازارهای گاو نر مستند است. جو و همکاران.(2020) سعی کنید حتی پس از اعلام رویداد ، فرصت های تجاری سودآور احتمالی را بررسی کنید. آنها به وضوح چنین شواهدی را در چنین دوره ای نشان می دهند.< Pan> نتایج تجربی رفتارهای مختلفی را در دوره های صعودی و نزولی نشان می دهد. همچنین ، رفتار گله دار منحصر به فرد در بازارهای گاو نر مستند است. جو و همکاران.(2020) سعی کنید حتی پس از اعلام رویداد ، فرصت های تجاری سودآور احتمالی را بررسی کنید. آنها به وضوح چنین شواهدی را در چنین دوره ای نشان می دهند. نتایج تجربی رفتارهای مختلفی را در دوره های صعودی و نزولی نشان می دهد. همچنین ، رفتار گله دار منحصر به فرد در بازارهای گاو نر مستند است. جو و همکاران.(2020) سعی کنید حتی پس از اعلام رویداد ، فرصت های تجاری سودآور احتمالی را بررسی کنید. آنها به وضوح چنین شواهدی را در چنین دوره ای نشان می دهند.

با شیوع همه گیر Covid-19 ، آنها دوباره رفتار پویا بازار رمزنگاری را بررسی می کنند. به عنوان مثال ، Drozdz و همکاران.(2020) پویایی بازار رمزنگاری را بررسی کنید. آنها نشان می دهند که بازده رمزنگاری به نظر می رسد با امضاهای گاه به گاه از دوقلوها که مربوط به بی ثبات ترین مراحل پویایی بازار مانند بیرون آمدن COVID-19 در 03/2020 و شروع بازار گاو نر در 04/2019 است ، به نظر می رسد چند منظوره به نظر می رسد. نی و همکاران.(2020) بررسی کنید که آیا احساسات سرمایه گذار می تواند بر نوسانات و حجم معاملات ارزهای اصلی دیجیتال تأثیر بگذارد یا خیر. آنها نشان می دهند که وقتی به نظر می رسد سرمایه گذاران نسبت به بازار سهام ایالات متحده خوش بین هستند ، نرخ تغییر حجم معاملات اتریوم و بیت کوین کوچک است. علاوه بر این ، نوسانات بیت کوین زمانی کاهش می یابد که سرمایه گذاران نسبت به بازار سهام مربوط به عدم قطعیت سیاست اقتصادی ایالات متحده خوشبین باشند. Alqaralleh و همکاران.(2020) ویژگی های بالقوه تلخ ارزهای دیجیتال را تجزیه و تحلیل کنید. آنها وجود فرایند معانی غیرخطی را نشان می دهند. این به معنای وجود عدم تقارن در سری بازگشت است. آنها همچنین وجود پویایی نوسانات بالا را نشان می دهند. میت و همکاران.(2020) پنج مورد دینامیک خطی سری زمان بازگشت به میانگین روزانه COVID-19 را بررسی کنید. آنها گزارش می دهند که به نظر می رسد بازده اتریوم ، بیت کوین ، بیت کوین پول نقد و XRP خطی است در حالی که موارد تتر بسیار غیرخطی و هرج و مرج هستند. Abakah و همکاران.(2020) با در نظر گرفتن وقفه های ساختاری بالقوه ، تداوم نوسانات در بازار رمزنگاری را بررسی کنید. آنها نشان می دهند که هر دو بازده مربع و مطلق ویژگی های حافظه طولانی را نشان می دهند. با این وجود ، آنها کاهش سطح پایداری را در بازار رمزنگاری نشان می دهند. Kakinaka و Umeno (2021) رابطه بین قیمت و نوسانات ارزهای رمزپایه را بررسی می کنند و وجود نوسانات نامتقارن بین رژیم های خرس و گاو را تجزیه و تحلیل می کنند. آنها همبستگی های متقابل بالایی را در مراحل بازار نزولی برای بیت کوین و اتریوم نشان می دهند. با این وجود ، همبستگی های متقابل قوی در مراحل بازار صعودی برای Litecoin و XRP به خوبی مستند شده اند. بانرجی و همکاران.(2021) تأثیر احساسات خبری COVID-19 را بر رفتار بازده رمزنگاری تجزیه و تحلیل کنید. آنها گزارش می دهند که اخبار COVID-19 به طور قابل توجهی بر بازده رمزنگاری تأثیر می گذارد. جیمز و همکاران.(2021) تأثیر بحران سلامت بر پویایی بازار cryptocurrency را تجزیه و تحلیل کنید.

آنها گزارش می دهند که رفتار بازار cryptocurrency نسبت به بازده ، قبل از و قبل از همه گیر ، متغیر است. بازار cryptocurrency همگن قابل توجهی با توجه به وقفه های ساختاری در واریانس نشان می دهد. تأثیر بحران سلامت در افراط و تفریط بازگشت ، با تغییر غیر منتظره به سمت میانگین مثبت از طریق اندام توزیع ، به خوبی مستند است. Sahoo (2021) تأثیر بحران بهداشت بر بازده بازار Cryptocurrency را بررسی می کند. یافته های تجربی نشان می دهد که همه گیر Covid-19 به طور قابل توجهی بر بازده رمزنگاری تأثیر می گذارد. نتایج مربوط به دوره پس از شکستن نشان می دهد که وجود علیت خطی یک طرفه از موارد COVID-19 به بازده اتریوم و بیت کوین تأیید شده است. بنابراین ، اطلاعات مربوط به رشد همه گیر Covid-19 می تواند به پیش بینی بازده رمزنگاری کمک کند.

از موارد فوق ، ممکن است استدلال کند که بسیاری از محققان وجود برخی از حقایق تلطیف شده (به عنوان مثال حافظه طولانی ، خوشه بندی نوسانات و چند فرفری) را به طرز جالبی نشان داده اند. آنها همچنین به دنبال چارچوب اقتصادی متناسب و مناسب برای بازتولید پویایی قیمت رمزنگاری ، به ویژه در حوادث بی سابقه هستند. این مطالعه به ادبیات مربوط به پویایی قیمت رمزنگاری و تلاش برای بررسی رفتار پویا ارزهای دیجیتال مختلف با بررسی اینکه آیا ساختار غیرخطی بالقوه در قیمت های رمزنگاری با شیوع بحران بهداشت وجود دارد ، مرتبط است.

مدل تغییر دهنده مارکوف

مسئله غیرخطی که می خواهیم در این مقاله تجزیه و تحلیل کنیم شامل چرخه های نامتقارن و تغییر زمان در لحظه های مشروط در بازده رمزنگاری است. اردیا و همکاران.(2019) ، در میان دیگران ، بر بررسی ساختار غیرخطی در بازده مشروط متمرکز شده است. با این وجود ، برخی از محققان چنین موضوعی را در بازده مشروط ، به ویژه با شیوع بحران بهداشت ، مورد بررسی قرار داده اند. برای تجزیه و تحلیل رفتار پویا ارزهای رمزنگاری شده مختلف ، ممکن است از مدل های تغییر شکل مارکوف استفاده کند. چنین روش پارامتری تمایل به بررسی ساختار غیرخطی و رفتار چرخه ای بازده سهام دارد._tدر این راستا ، مدل تغییر دهنده مارکوف از همیلتون (1989) به عنوان یک مدل گسترده و مکرر مورد استفاده در نظر گرفته می شود که به مقادیر پارامتر اجازه می دهد تا بین حالت های بازار تغییر کند و مکانیسم تعویض بین حالت های مختلف را بر اساس یک فرآیند Markov مرتبه اول مدل کند. چنین مدلی اجازه می دهد تا برخی از حقایق تلطیف شده را در برخی از سری های اقتصادی و مالی برجسته کنید. به طور خاص ، ایده اصلی مدل همیلتون (1989) مدل سازی عدم مؤسسه با استفاده از یک فرآیند حالت است. سری زمانی را می توان با استفاده از یک فرآیند خودکار که پارامترها با گذشت زمان متفاوت است مدل سازی کرد. علاوه بر این ، همیلتون (1989) فرض کرد که تکامل پارامترهای مدل توسط یک متغیر حالت بدون نظارت اداره می شود که می تواند با استفاده از یک زنجیره مارکوف K-regime مدل سازی شود._tبه طور کلی ، متغیر بدون نظارت به عنوان S ذکر شده است_tجایی که T: فرض بر این است که وضعیت فعلی بازار رمزنگاری را نشان می دهد. چنین متغیر به عنوان یک زنجیره مارکوف دو حالته مدل می شود ، به این معنی که برای همه t ، متغیر s

مقدار 1 را برای دوره های برقی و مقدار 2 برای دوره رکود می گیرد. رژیم رکود مرحله ای است که در طی آن ارزهای رمزنگاری ضعیف عمل می کنند. یک رژیم رو به رشد مربوط به دوره ای از بهبود عملکرد ارزهای رمزنگاری شده است. روند x_tدر صورتی که شرایط زیر را برای یک فرآیند اتورگرایی P-مرتبه (A (P)) برآورده کند ، به عنوان یک فرآیند دو حالته سو-تغییر دهنده (MS (2)) تعریف شده است:_tجایی که ε

یک فرآیند سر و صدای سفید از واریانس محدود ناشناخته و x است_tآیا بازده رمزنگاری است. ممکن است فرآیندهای MS (2) -ar (P) را به شرح زیر مشخص کند:_tبازنمایی کامل فرآیند MS (2) -AR (P) به مشخصات متغیر نیاز دارد (S_t-1) به عنوان دو حالت یا دو زنجیره مارکووی ، یعنی برای همه t و s

فقط به S بستگی دارد_ijبرای من و j = 1. 2.

احتمالات p

احتمال انتقال بین دولتها را نشان می دهد. شرط زیر به شرح زیر راضی است:_iبه اندازه کافی جالب ، ممکن است احتمال بی قید و شرط بودن در یک رژیم خاص تعیین شود. به دنبال همیلتون و سوزل (1994) ، می توان معادلات زیر را در نظر گرفت:₁₁همچنین ممکن است میانگین مدت زمان یک رژیم تخمین بزند. در واقع ، اگر تو

به متغیر تصادفی اشاره دارد که مدت زمان فرآیند MS در رژیم 1 را نشان می دهد ، می توان فرض کرد که این متغیر تصادفی از توزیع هندسی با پارامترها پیروی می کند (1 - P

). برای همه N ، ممکن است معادله زیر را در نظر بگیرد:

بنابراین ، میانگین و واریانس پاورقی مدت زمان 1 برای رژیم 1 به شرح زیر است:

استفاده از مدل MS برای پاورقی قیمت های مختلف ارزهای رمزنگاری 2 بر اساس فرضیات زیر است:

تعداد رژیم ها ثابت است: k = 2.

نظم خودکار برابر با 1 است: P = 1.

احتمالات انتقال با گذشت زمان ثابت است.

چگالی توزیع مشروط توزیع عادی با همان واریانس برای هر رژیم است.

درجه بهینه صاف کردن L = 1 است.

داده ها و آمار توصیفی

در این مقاله ، ما به دنبال شیوع همه گیر Covid-19 ، به رفتار پویا بازارهای رمزنگاری می پردازیم. برای این منظور ، ما داده ها را از وب سایت yahoofinance. fr برای هفده قیمت رمزنگاری در فرکانس روزانه جمع آوری می کنیم. دوره های دوره از 07 ژوئیه 2017 تا 01 مارس 2021. این ارزهای رمزنگاری عبارتند از: بیت کوین (BTC) ، آگوور (Rep) ، Bitshares (BTS) ، نقدی دیجیتال (DASH) ، EOS.io (EOS) ، Ethereum (ETH)، komodo (kmd) ، lisk (lsk) ، monero (xmr) ، neo (neo) ، quantum (qtum) ، موج دار (xrp) ، stellar (xlm) ، stratis (strat) ، امواج (امواج) ، zcoin (xzc)و Dogecoin (Dogeusd). انتخاب 17 ارز دیجیتال بررسی این است که آیا تفاوت بالقوه در چرخه بازار cryptocurrency وجود دارد یا خیر.

شکل 1 تکامل قیمت های رمزنگاری را با گذشت زمان ترسیم می کند. از شکل 1 ، توطئه های سری زمانی متفاوت تکامل می یابند ، اگرچه همه توطئه ها نوسانات چرخه ای را نشان می دهند. همچنین ، ممکن است نه تنها حرکات چرخه ای همه سری زمانی بازده بلکه رفتار خوشه بندی نوسانات قیمت های رمزنگاری را نشان دهد.

تکامل قیمت های رمزنگاری

جدول 1 مجموعه ای از آمار توصیفی از قیمت های روزانه را برای 17 ارز رمزپایه انتخاب شده در دوره 07/07/2017-01/03/2021 گزارش می کند. از جدول 1 ، میانگین قیمت از 0 (Dogecoin) تا 9903. 65 (بیت کوین) متفاوت است. بیت کوین بالاترین انحراف استاندارد را دارد (7676. 32) در حالی که Dogecoin کمترین میزان (0. 01) را دارد. همچنین ، قیمت همه ارزهای دیجیتال در طول دوره نمونه به صورت مثبت کاهش می یابد ، دلالت بر اینکه دم مناسب به ویژه شدید است (یعنی مقادیر مثبت یا سود بسیار بیشتر است). به نظر می رسد ویژگی لپتوکورتیک توزیع بازگشت در نمونه ما بسیار برجسته است. آمار Jarqu e-Bera حتی در سطوح بسیار پایین نیز قابل توجه است. بنابراین ، قیمت های روزانه به طور معمول توزیع نمی شود.

پس از آن ، از آزمون ریشه واحد اندروز-زیووت (1992) با استراحت روند استفاده می شود برای بررسی استیل بودن سری زمانی. تحت این آزمایش ، فرضیه تهی ریشه ها را با شکستن روند درون زا تنظیم می کند. جدول 2 نتایج آزمایش Andrews-Zivot (1992) را برای ارزهای مختلف رمزنگاری در سطح و تفاوت اول گزارش می دهد.

از جدول 2 ، نتایج به وضوح نشان می دهد که به نظر می رسد تمام ارزهای دیجیتال از نظر سطح غیر ثابت هستند با توجه به اینکه آمار T بالاتر از ارزش بحرانی اندروز-زیوت (1992) در سطح اهمیت 5 ٪ است ، به جز کوانتوم(qtum). به طور کلی ، تست ریشه واحد که توسط Zivot و Andrews (1992) ساخته شده است بر اساس وجود منقار (های) ساختاری بالقوه در سری زمانی ، بدون از پیش تعیین شده در تاریخ نقطه شکست است. از این نظر ، با جلوگیری از انتخاب ذهنی چنین تاریخ ، نقطه شکست ساختاری به صورت درون زا یافت می شود. نتایج در جدول 2 به وضوح نشان می دهد که نقاط شکست توسط Zivot و اندروز بین سری قیمت های رمزنگاری متناقض هستند. برخی از آنها قبل از شیوع همه گیر Covid-19 مانند Ripple (07/12/2017) ، Augur (18/05/2018) و EOS.io (24/11/2018) رخ داده است ،بحران سلامت بیت کوین (11/12/2020) ، اتریوم (21/10/2021) و امواج (04/11/2021). این می تواند به عنوان یک قسمت اصلی از اثر غیرانتفاعی در نظر گرفته شود.

پس از اولین تفاوت ، قیمت های ارزهای رمزنگاری شده مختلف با توجه به اینکه آمار T از مقدار بحرانی-4. 8 در سطح اهمیت 5 ٪ پایین تر است ، ثابت است. از این رو ، قیمت های رمزنگاری شده از سفارش یک (I (1)) یکپارچه شده است. شکستن روند در پایان سال 2020 (بیت کوین ، ستاره ای) و در طول سال (اتریوم و سگکوئین) تمایل دارد. با این وجود ، سایر ارزهای رمزنگاری شده در طی سالهای 2017 و 2018 روند وقوع روند را تجربه کرده اند.

نتایج تخمین و تفسیر

نتایج تخمین مدل MS-AR (1) برای هر رمزنگاری براساس یک مدل زنجیره ای مارکوف چهار حالته جدید در جدول 3 گزارش شده است.

از جدول 3 ، به نظر می رسد الگوهای چرخه ای نامتقارن از نظر میانگین بازده در بین ارزهای دیجیتالی مختلف به خوبی ثبت شده است. برخی از ارزهای رمزنگاری شده به معنای بازده پایین و بسیار مثبت (به ترتیب منفی) مانند XZC (امواج) هستند. با این وجود ، سایر ارزهای دیجیتالی دو رژیم مخالف مانند Dogeusd را نشان می دهند. همچنین ، به نظر می رسد که نوسانات بالا رفتار پویا بازار Crycptocurrency را توصیف می کند. بنابراین ، ممکن است به عنوان رژیم های 1 و 2 ، حالت فرار کم (منفی) بازگشت و وضعیت بی ثبات (مثبت) را دوگانگی کند.

همچنین ، تفاوت بین ارزهای دیجیتال از نظر احتمال ماندگاری در رژیم i مشخص شده است. این بدان معنی است که مدت زمان هر رژیم با رمزنگاری به دیگری متفاوت است. شکل 2 گزارش تکامل بازده ارزهای رمزنگاری شده در مدت زمان 07 ژوئیه 2017 تا 01 مارس 2021 است.

مسیر روند بازگشت ارزهای رمزنگاری شده در دوره 07/07/2017-01/03/2021

از شکل 2 ، به نظر می رسد که بازده ارزهای رمزپایه نوسانات چرخه ای را نشان می دهد و این حاکی از وجود مراحل بازار نزولی و صعودی است. بدیهی است که مهاجرت از یک قسمت به قسمت دیگر با شروع نقاط عطف (قله ها و فرورفتگی ها) با دامنه های مختلف جالب است. با این وجود ، هیچ هماهنگی بین چرخه بازار Cryptocurrrency وجود ندارد. در واقع ، برخی از آنها خراب شدن شرایط بازار در حالی که برخی دیگر پیشرفت هایی را نشان می دهند. این به نظر می رسد به رفتار سرمایه گذاران و ظهور وقایع مختلف آسیب زای مانند همه گیر Covid-19 در دوره 2019-2021 نسبت داده می شود. چنین رویدادی عمدتاً با افزایش مداوم تعداد موارد تأیید شده و مرگ و میر در سراسر جهان مشخص شده است ، بلکه همچنین اعلام واکسن Covid-19 است. این امر منجر به نوسانات بازار رمزنگاری و اضطراب در برخی ارزهای دیجیتال شده است در حالی که سایر بازارهای Crytocurrency سرمایه گذاران را که به دنبال دارایی های ایمن هستند ، جذب می کنند.

نتیجه

در این مقاله ، ما تلاش می کنیم تا رفتار پویا بازارهای مختلف رمزنگاری را قبل و در حین شیوع بیماری همه گیر Covid19 تجزیه و تحلیل کنیم. بر خلاف بسیاری از محققان که عمدتا رفتار بیت کوین را در طی چنین بحران بررسی کرده اند ، ما از 17 ارز رمزپایه منتخب استفاده می کنیم ، یعنی: بیت کوین (BTC) ، آگوور (Rep) ، Bitshares (BTS) ، پول نقد دیجیتال (DASH) ، EOS.io (EOS) ،Ethereum (ETH) ، Komodo (KMD) ، Lisk (LSK) ، Monero (XMR) ، Neo (Neo) ، Quantum (Qtum) ، Ripple (XRP) ، Stellar (XLM) ، Stratis (Strat) ، امواج (امواج) ،Zcoin (XZC) و Dogecoin (Dogeusd). چنین انتخابی جالب است برای شناسایی تفاوت (های) بالقوه در بین ارزهای دیجیتال هنگام واکنش به سطح مختلف شدت بیماری همه گیر در دوره از 07 ژوئیه 2017 تا 01 مارس 2021.

از دیدگاه روش شناختی ، ما از روش سوئیچینگ مارکوف برای توصیف بهتر و کشف توزیع بازگشت ارزهای مختلف رمزنگاری استفاده می کنیم. به طور کلی ، ایده اصلی در مورد مدل تغییر شکل مارکوف وجود کشورها است که به طور بالقوه حاکم بر تکامل بازده های رمزنگاری است. ما به وضوح شواهد تجربی از رژیم ها با ویژگی های مختلف پیدا کردیم. بنابراین ، همه گیر Covid-19 بر مراحل مختلف بازار ارزهای دیجیتال به صورت نامتقارن تأثیر می گذارد. همچنین ، هیچ هماهنگی بین چرخه بازار ارز دیجیتال از نظر مدت زمان مراحل بازار و دامنه نقاط عطف وجود ندارد. بنابراین ، چرخه بازار cryptocurrency با وجود مراحل مختلف مانند چرخه بازار سهام مشخص می شود. تغییر مراحل بازار در مسیر بازده رمزنگاری به طور بالقوه می تواند تفاوت از نظر دامنه و مدت زمان را برجسته کند.

به طور کلی ، یافته های تجربی نشان می دهد که بازارهای رمزنگاری تمایل دارند با شیوع همه گیر Covid-19 به صورت غیرخطی رفتار کنند. چنین نتایج تأیید نتایج اقبال و همکاران.(2021) که به وضوح نشان می دهد که رابطه بین قیمت های رمزنگاری و همه گیر Covid-19 تمایل به نامتقارن و تغییر در بزرگی و جهت دارد. نتایج همچنین تأثیر عوارض بی سابقه و نامطلوب مانند بحران بهداشت را نشان می دهد. همچنین ، چنین نتایج ممکن است در تضاد با کارآیی مارکی و فرضیه پیاده روی تصادفی باشد. به همین دلیل است که نتایج تجربی این مطالعه می تواند محققان را برای معرفی بیشتر ویژگی وابستگی مدت زمان در مدل تغییر مارکوف برای درک بیشتر چرخه بازار cryptocurrency دعوت کند.

یافته های تجربی ما پیامدهای عملی برای سیاست گذاران و سرمایه گذاران در دستگیری پویایی بازار رمزنگاری در طی یک واقعه غیر منتظره و بی سابقه مانند شیوع همه گیر Covid-19 دارد. آنها می توانند به ویژه برای سرمایه گذاران برای درک رفتار بازار ارزهای رمزنگاری ، پویایی و عملکرد استراتژی زمان بندی بازار در شرایط استرس زا در بازار مفید باشند.

یادداشت

بدیهی است که میانگین و واریانس مدت زمان رژیم 2 با استفاده از همان منطق محاسبه می شود.

نیازی به گفتن نیست ، چندین سری اقتصادی و مالی به طور کلی ثابت نیستند. بنابراین ، لازم است قبل از استفاده از مدل MS تبدیل شود. به همین دلیل ممکن است سری yt = log (xt)-log (xt-l) را در نظر بگیرد که xt سری اصلی است و l درجه صافی سری است. چنین تحول می تواند واریانس فرآیند را تثبیت کند. انتخاب درجه صافی بدون هزینه نیست با توجه به اینکه سطح بالایی از هموار سازی تغییرات فرکانس بالا را از بین می برد. درجه بهینه هموار سازی یک هموار سازی سالانه (1 = L) است ، زیرا از بیشترین تعداد سیگنال های کاذب در سطح اهمیت 5 ٪ جلوگیری می کند.

منابع

Abakah ، E. ، Aikins ، J. ، Gil-Alana ، A. ، Madigu ، G. ، & Romero-Rojo ، F. (2020). تداوم نوسانات در بازارهای رمزنگاری تحت وقفه های ساختاری. بررسی بین المللی اقتصاد و دارایی ، 69 ، 680-91.

Alqaralleh ، H. ، Abuhommous ، A. A. ، Alsarairhe ، A. ، et al.(2020). مدل سازی و پیش بینی نوسانات ارزهای رمزنگاری: مقایسه مدل های نوع غیرخطی از نوع. مجله بین المللی تحقیقات مالی ، 11 ، 346-356.

Ardia ، D. ، Bluteau ، K. ، Rüede ، M. (2019). تغییر رژیم در پویایی نوسانات بیت کوین گارچ. نامه های تحقیقاتی مالی ، 266-271.

Banerjee A. K. ، Dionisio A. ، Pradhan H. K. ، Mahapatra B. شکار Quicksilver: استفاده از اخبار متنی و تجزیه و تحلیل علیت برای پیش بینی نوسانات بازار. بررسی بین المللی تجزیه و تحلیل مالی ، 77.

Bariviera ، A. F. (2017). ناکارآمدی بیت کوین مجدداً مورد بررسی قرار گرفت: یک رویکرد پویا. نامه های اقتصاد ، 161 ، 1-4.

Béjaoui ، A. ، Ben Sassi ، S. ، & Majdoub ، J. (2019). پویایی بازار ، الگوهای چرخه ای و حالتهای بازار: آیا بین بازارهای ارزهای دیجیتال تفاوت وجود دارد؟مطالعات در اقتصاد و امور مالی ، 37 ، 585-604.

Bouri ، E. ، Azzi ، G. ، & Dyhrberg ، A. H. (2017a). در رابطه بازد ه-ولتوری در بازار بیت کوین پیرامون سقوط قیمت سال 2013. مجله اقتصادی. https://doi. org/10. 5018/economics-ejoual. ja. 2017-21-14

Bouri ، E. ، Azzi ، G. ، & Dyhrberg ، A. H. (2017b). در رابطه بازگشت و بازگشت در بازار بیت کوین پیرامون سقوط قیمت سال 2013. مجله اقتصادی. https://doi. org/10. 5018/economics-ejoual. ja. 2017-2

Caferra ، D. ، & Vidal-Tomas ، D. (2021). چه کسی از پرتگاه بزرگ شده است؟مقایسه بین رمزنگاری و پویایی بازار سهام در طول همه گیر Covid-19. نامه های تحقیقاتی مالی ، 1 ، 101954.

Caferra ، R. (2020). فقط لرزش خوب: رفتار رمزنگاری-اپلیکیشن. مجله امور مالی رفتاری و تجربی ، 28 ، 100407.

Caporale ، G. M. ، Gil-Alana ، L. ، & Plastun ، A. (2018). پایداری در بازار cryptocurrency. تحقیقات در تجارت و دارایی بین المللی ، 46 ، 141-148.

Chaim ، P. ، & Laurini ، M. P. (2018). نوسانات و پرش های برگشتی در بیت کوین. نامه های اقتصاد ، 173 ، 158-163.

CHEAH ، E. -T. ، & FRY ، J. (2015). حباب های سوداگرانه در بازارهای بیت کوین؟تحقیقات تجربی در مورد ارزش اساسی بیت کوین. نامه های اقتصاد ، 130 ، 32-36.

Conard ، C. ، Custovic ، A. ، Ghysels ، E. (2018). اجزای نوآوری رمزنگاری طولانی مدت و کوتاه مدت: تجزیه و تحلیل Garch-Midas. مجله ریسک و مدیریت مالی ، 1-12.

Corbet ، S. ، Hou ، Y. G. ، Larkin ، C. ، & Oxley ، L. (2020). هر بندری در طوفان: cryptocurrency ایمن در طول همه گیر Covid-19. نامه های اقتصاد ، 194 ، 109377.

Drozdz ، S. ، Kwapie ، J. ، Oswiecimka ، P. ، Stanisz ، T. ، & Watorek ، M. (2020). پیچیدگی در سیستم های اقتصادی و اجتماعی: بازار رمزنگاری در اطراف Covid-19. آنتروپی ، 2020 (22) ، 1043.

Gunay ، S. (2019). تأثیر ورود اطلاعات عمومی در بازار cryptocurrency: موردی از پست های توییتر در ریپل. بررسی اقتصادی آسیای شرقی ، 23 ، 149-168.

همیلتون ، J. D. (1989). یک رویکرد جدید برای تجزیه و تحلیل اقتصادی سری زمانی غیر ایستگاه و چرخه تجارت. Econometrica ، 57 ، 357-384.

همیلتون ، J. D. ، و سوزل ، R. (1994). ناهمگونی مشروط و تغییر در رژیم. مجله اقتصاد سنج ، 64 ، 307-333.

اقبال ، N. ، Fareed ، Z. ، Guangcai ، W. ، & Shahzad ، F. (2020). رابطه نامتقارن بین شیوع COVID-19 در جهان و بازار رمزنگاری. بررسی بین المللی تجزیه و تحلیل مالی ، 73 ، 101613.

جیمز ، ن. ، منزیز ، م. ، و چان ، جی. س. K. (2021). تغییر در رفتار شدید و نامنظم ارزهای رمزنگاری شده در COVID-19. Physica A: مکانیک آماری و کاربردهای آن ، 565 (10228) ، 125581.

جو، اچ، نیشیکاوا، ی.، و دنداپانی، ک. (2020). اثرات اعلام در بازار ارزهای دیجیتال. اقتصاد کاربردی. https://doi. org/10. 1080/00036846. 2020. 1745747

Kakinaka، S.، Umeno، K. (2021). بررسی همبستگی متقابل چندفراکتالی نامتقارن پویایی نوسان قیمت-نوسانات و نوسانات نامتقارن در بازارهای ارزهای دیجیتال. فیزیک الف: مکانیک آماری و کاربردهای آن، 581.

کیریازیس، N. A. (2020). آیا بیت کوین شبیه طلا است؟مروری یکپارچه از یافته های تجربی. مجله مدیریت مالی ریسک، 13، 88.

لاهمیری، س.، بکیروس، س.، و سالوی، ا. (2018). حافظه دوربرد، تنوع توزیعی و تصادفی بودن نوسانات بیت کوین. آشوب، سالیتون ها و فراکتال ها، 107، 43-48.

Maiti، M.، Zoran، G.، & Darko، B. V. (2020). تشریح دینامیک غیرخطی Tether در طول COVID-19. مجله نوآوری باز: فناوری، بازار و پیچیدگی، 6، 161.

منسی، ام.، لی، ی.-جی.، الیحیایی، ک. اچ.، سنسوی، ا.، و یون، اس. ام. (2019). چندفراکتی به سمت پایین/بالا و حافظه طولانی در بازارهای بیت کوین و اتریوم: یک تحلیل نوسانات غیرمتقارن چندفراکتالی بدون روند. نامه تحقیقات مالی.، 31، 19-25.

منسی، دبلیو، رحمان، م. یو.، مایترا، د.، الیحیایی، ک. اچ، و سنسوی، ا. (2020). آیا بیت کوین با صکوک و بازارهای سهام اسلامی جهانی و منطقه ای به اشتراک گذاشته می شود؟شواهد با استفاده از رویکرد زمان-فرکانس. پژوهش در تجارت بین الملل و امور مالی، 53، 101230.

Nadarajah, S., & Chu, J. (2017). در مورد ناکارآمدی بیت کویننامه های اقتصاد، 150، 6-9.

Nie, W. -Y., Hui-Pei, C., & Kuang-Chie, Y. (2020). احساسات سرمایه گذار و بازار ارزهای دیجیتال احساسات سرمایه گذاران و بازار ارزهای دیجیتال. نامه های اقتصاد تجربی، 19، 1254-62.

Pietrych، L.، Sandubete، J. E.، & Escot، L. (2021). حل پارادوکس داده-مدل آشوب در بازار ارزهای دیجیتال. ارتباطات در علوم غیرخطی و شبیه سازی عددی، 102، 105901.

ساهو.(2021). بازارهای همه گیر COVID-19 و ارزهای دیجیتال: یک تحلیل تجربی از یک رابطه علی خطی و غیرخطیمطالعات در اقتصاد و امور مالی، 38 (2)، 454-468.

عمر، زی، و گوباروا، م. (2020). تجزیه و تحلیل فرکانس زمانی تأثیر کووید-19 باعث ایجاد وحشت در نوسانات بازارهای ارز و ارزهای دیجیتال شد. مجله مالی رفتاری و تجربی، 28، 100404.

ویدال توماس، دی (2021). انتقال در بازار ارزهای دیجیتال در طول همه گیری COVID-19: تجزیه و تحلیل شبکه. نامه تحقیقات مالی، 7، 101981.

Yaya O. S.، Ogboa A. E.، Olubusoye O. E. (2019). قیمت گذاری بیت کوین به سایر ارزهای دیجیتال قبل و بعد از سقوط 2017/18 چقدر پایدار و پویا به یکدیگر وابسته است؟Physica A, 531.

Zivot، A.، & Andrews، D. W. K. (1992). شواهد بیشتر در مورد سقوط بزرگ، شوک قیمت نفت و فرضیه ریشه واحد. مجله تجارت و آمار اقتصادی، 10، 251-270.

اطلاعات نویسنده

نویسندگان و وابستگی ها

گروه روشهای کمی و اقتصاد، دانشکده اقتصاد و مدیریت، مهدیه، تونس

1. گروه حسابداری و مالی، دانشکده عالی بازرگانی، دانشگاه منوبه، منوبه، تونس

گروه روش های کمی و اقتصاد، موسسه عالی مدیریت، تونس، تونس

گروه روش های کمی و اقتصاد، موسسه عالی مدیریت، تونس، تونس

گروه روش های کمی و اقتصاد، موسسه عالی مدیریت، تونس، تونس

همچنین می توانید این نویسنده را در PubMed Google Scholar جستجو کنید

همچنین می توانید این نویسنده را در PubMed Google Scholar جستجو کنید

نویسنده متناظر

اطلاعات تکمیلی

یادداشت ناشر

Springer Nature با توجه به ادعاهای قضایی در نقشه های منتشر شده و وابستگی های سازمانی بی طرف باقی می ماند.

حقوق و مجوزها

Springer Nature یا مجوز دهنده آن بر اساس توافق نامه انتشار با نویسنده(ها) یا سایر دارندگان حقوق، حقوق انحصاری این مقاله را دارند. آرشیو خود نویسنده نسخه خطی پذیرفته شده این مقاله صرفاً تحت شرایط چنین توافق نامه انتشار و قوانین قابل اجرا است.

درباره این مقاله

به این مقاله استناد کنید

Mgadmi، N.، Béjaoui، A. & Moussa، W. تفکیک اثر غیرخطی در بازارهای ارزهای دیجیتال در طول همه گیری کووید-19: شواهدی از رویکرد تغییر رژیم. بازارهای مالی آسیا-پک (2022). https://doi. org/10. 1007/s10690-022-09384-6

پذیرش: 08 سپتامبر 2022

تاریخ انتشار: 25 اکتبر 2022