نوسانات بیت کوین و فراوانی بیش از حد قیمت

در این مقاله نقش فراوانی واکنش بیش از حد قیمت در بازار رمزنگاری در مورد بیت کوین در دوره 2013-2018 بررسی شده است. به طور خاص ، از یک روش استاتیک برای تشخیص بیش از حد واکنش استفاده می کند و سپس آزمایش فرضیه را با استفاده از روشهای مختلف آماری (هر دو پارامتری و غیر پارامتری) از جمله آزمون ADF ، آزمون علیت گرنجر ، تجزیه و تحلیل همبستگی ، تجزیه و تحلیل رگرسیون با متغیرهای ساختگی ، ARIMA انجام می دهد. و مدل های آرماکس ، مدل های خالص عصبی و مدل های VAR. به طور خاص ، فرضیه های آزمایش شده این است که آیا فرکانس بیش از حد واکنش (I) در مورد حرکات قیمت بیت کوین (H1) و (ب) هیچ فصلی (H2) آموزنده است یا خیر. در کل ، نتایج حاکی از آن است که می تواند اطلاعات مفیدی را برای پیش بینی پویایی قیمت در بازار رمزنگاری و برای طراحی استراتژی های معاملاتی ارائه دهد (H1 را نمی توان رد کرد) ، در حالی که هیچ مدرکی از فصلی وجود ندارد (H2 نمی تواند رد شود).

روی نسخه خطی کار می کنید؟

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

معرفی

ارزهای رمزنگاری شده از زمان ایجاد اخیر و نوسانات عظیمی را تجربه کرده اند. به عنوان مثال ، در سال 2017 قیمت بیت کوین بیش از 20 برابر افزایش یافت ، اما در اوایل سال 2018 70 ٪ کاهش یافت. قطره های تیز مشابه در واقع قبلاً 5 بار قبل از آن اتفاق افتاده بودند (ژوئن 2011 ، ژانویه 2012 ، آوریل 2013 ، نوامبر 2013 ، دسامبر 2017). چنین انحراف قابل توجهی از قیمت دارایی از مقادیر متوسط آنها در طی دوره های خاص به عنوان واکنش بیش از حد شناخته می شود و از زمان مقاله منی De Bondt و Thaler (1985) به طور گسترده ای در ادبیات مورد تجزیه و تحلیل قرار گرفته است ، مطالعات مختلفی برای بازارهای مختلف انجام می شود (سهام، فارکس ، کالاها و غیره) ، کشورها (توسعه یافته و در حال ظهور) ، دارایی (قیمت سهام/شاخص ها ، جفت ارز ، نفت ، طلا و غیره) و فواصل زمانی (روزانه ، هفتگی ، ماهانه و غیره). با این حال ، تا به امروز هیچ مدرکی در بازار رمزنگاری در دسترس نیست ، که به دلیل نوسانات بسیار زیاد در مقایسه با Forex یا بازار سهام بسیار جالب است (برای جزئیات بیشتر به Caporale و Plastun 2018a مراجعه کنید). در سالهای اخیر علاقه به بازار رمزنگاری حتی بیشتر افزایش یافته است ، و پیش بینی قیمت در مطالعات مختلف مورد بررسی قرار گرفته است (سیایان و همکاران 2016 ؛ Balcilar et al. 2017 ؛ Khuntia and Pattanayak 2018 ؛ Al-yahyaee et al. 2019 وبسیاری دیگر). با این حال ، شواهد هنوز هم مخلوط است.

مقاله حاضر با هدف تجزیه و تحلیل نقش فرکانس بیش از حد واکنش ، به طور خاص آیا می تواند با استفاده از قیمت های روزانه برای بیت کوین در دوره 2013-2018 ، به پیش بینی رفتار قیمت و/یا نمایش فصلی کمک کند. بیش از حد با ترسیم توزیع لگرتورها شناسایی می شوند. سپس فرضیه های تهی زیر مورد آزمایش قرار می گیرند: (i) فرکانس بیش از حد واکنش در مورد حرکات قیمت بیت کوین (H1) آموزنده است ، و (ب) هیچ فصلی (H2) ندارد. برای این منظور انواع روشهای آماری (پارامتری و غیر پارامتری) مانند تست های ADF ، تست های علیت گرنجر ، تجزیه و تحلیل همبستگی ، تجزیه و تحلیل رگرسیون با متغیرهای ساختگی ، مدل های ARIMA و ARMAX ، مدل های خالص عصبی و مدل های VAR استفاده می شود.

باقی مانده از مقاله به شرح زیر سازماندهی شده است. بخش 2 شامل یک مرور مختصر از ادبیات در مورد واکنش بیش از حد قیمت در بازار cryptocurrency است. بخش 3 روش را شرح می دهد. بخش 4 در مورد نتایج تجربی بحث می کند. بخش 5 برخی از اظهارات نتیجه گیری را ارائه می دهد.

بررسی ادبیات

به گفته هیلمن و راوچس (2017) بیش از 300 مقاله دانشگاهی اختصاص داده شده به بازار رمزنگاری منتشر شده قبل از رونق رمزنگاری. از آن زمان تعداد آنها بیشتر افزایش یافته است. بازار cryptocurrency هنوز نسبتاً جوان است و در نتیجه مقالات در ابتدا برخی از ویژگی های کلی آن (Dwyer 2015a ، B ؛ Elbahrawy و همکاران 2017) یا خواصی مانند رقابت (Halaburda و Gandal 2014) را مورد تجزیه و تحلیل قرار داده اند. فقط تعداد محدودی از مطالعات وجود دارد که در عوض حافظه و پایداری طولانی آن (Caporale و همکاران 2018c ؛ Bariviera 2017 ؛ Urquhart 2016) ، کارآیی (Urquhart 2016 ؛ Bartos 2015) ، همبستگی بین ارزهای مختلف رمزنگاری (Halaburda و Gandal 2014) ، قیمت وجود دارد. پیش بینی (براون 2014) ، نوسانات (چونگ و همکاران 2015 ؛ کارریک 2016).

Bariviera (2017) شواهدی از حافظه طولانی در دینامیک روزانه بیت کوین پیدا می کند. آنها همچنین نشان می دهند که پایداری در بازار رمزنگاری در حال کاهش است. نتیجه گیری های مشابه توسط Bouri و همکاران حاصل می شود.(2016) و Catania و Grassi (2017).

Aggarwal (2019) بازده بیت کوین را بررسی می کند و شواهد محکمی از ناکارآمدی بازار پیدا می کند (همچنین به Urquhart 2016 مراجعه کنید). ناهنجاری های تقویم در بازار cryptocurrency توسط Kurihara و Fukushima (2017) و Caporale و Plastun (2018c) مورد تجزیه و تحلیل قرار گرفته است ، الگوهای Intraday توسط Eross et al.(2017) ، فرضیه بیش از حد واکنش توسط Caporale و Plastun (2018a) آزمایش می شود.

کارشناسی ارشد و تانیزاکی (2019) اثر روز هفته را برای بازده و نوسانات آنها در بازار رمزنگاری تجزیه و تحلیل می کنند و در روزهای دوشنبه و پنجشنبه نوسانات قابل توجهی بالا می یابند. نتایج مشابه توسط Aharon و Qadan (2018) گزارش شده است. اروس و همکاران..

Caporale و Plastun (2018a) بیش از حد واکنش در بازار cryptocurrency را کشف می کنند و الگوهای قیمت را پس از بیش از حد پیدا می کنند: تغییرات قیمت روز بعد در هر دو جهت بزرگتر از روزهای "عادی" است. تجزیه و تحلیل بیش از حد در مورد بازار cryptocurrency به دلیل نوسانات شدید آن بسیار جالب است (به Caporale و Plastun 2018a ؛ Cheung et al. 2015 و Dwyer 2015a ، B) مراجعه کنید. همچنین ، متوسط دامنه قیمت روزانه آن تا 10 برابر بیشتر از بازار فارکس یا بورس است (جدول 1 را ببینید).

جدول 1 تجزیه و تحلیل مقایسه ای متوسط دامنه قیمت روزانه در بازارهای مختلف مالی. منبع: Caporale and Plastun (2018a)

علاوه بر این ، توزیع برگه ورود به سیستم دارای دم های غیر منتظره چربی است (جدول 18 را ببینید) ، که حاکی از آن است که آنها مستعد واکنش بیش از حد هستند ، که می تواند برای پیش بینی قیمت ها و بحران های آینده مفید باشد. Catania و Grassi (2017) نشان می دهند که رفتار قیمت در بازار رمزنگاری کاملاً پیچیده است ، با دور ، عدم تقارن و غیرخطی که مدل سازی آن دشوار است.

ال یاهیا و همکاران.(2019) سعی کنید قیمت های بیت کوین را با استفاده از اطلاعات از شاخص عدم اطمینان نوسانات (VIX) پیش بینی کنید ، در حالی که منسی و همکاران.(2019) شواهدی از همبستگی بین بیت کوین و پنج ارز اصلی رمزنگاری (Dash ، Ethereum ، Litecoin ، Monero و Ripple) پیدا کنید. Balcilar و همکاران.(2017) نشان می دهد که می توان از اطلاعات مربوط به حجم تجارت برای پیش بینی بازده در بازار رمزنگاری استفاده کرد. Aharon و Qadan (2018) نشان می دهند که متغیرهای معمولی از قدرت پیش بینی محدود برای قیمت بیت کوین برخوردار هستند. Khuntia and Pattanayak (2018) وابستگی خطی و غیرخطی متغیر زمان را در بازده بیت کوین کشف می کنند. Kristoufek (2014) دریافت که نسبت تبادل تجارت نقش اساسی در رانندگی نوسانات قیمت بیت کوین در دراز مدت دارد. سیایان و همکاران.(2016) نشان می دهد که تعداد کل معاملات منحصر به فرد بیت کوین در روز تعیین کننده مهم نوسانات قیمت بیت کوین است.

مسئله دیگری که در ادبیات مورد بررسی قرار گرفته است این است که آیا واکنش های بیش از حد فصلی را نشان می دهد. De Bondt و Thaler (1985) نشان می دهند که آنها بیشتر در یک ماه خاص از سال اتفاق می افتند ، در حالی که Caporale و Plastun (2018b) شواهدی از رفتار فصلی در بازار سهام ایالات متحده پیدا نمی کنند. توجه داشته باشید که طبق گفته Khuntia و Pattanayak (2018) کارآیی بازار در بازار رمزنگاری با گذشت زمان در حال تحول است. Caporale و Plastun (2018a) شواهدی را به نفع فرضیه بیش از حد واکنش پیدا می کنند ، در حالی که بارتوس (2015) گزارش می دهد که بازار رمزنگاری بلافاصله به ورود اطلاعات جدید واکنش نشان می دهد و آن را جذب می کند. در نتیجه ، قیمت ها تحت تأثیر بیش از حد واکنش قرار نمی گیرند.

در حالی که بیشتر مطالعات بازده غیر طبیعی و رفتار قیمت متعاقب آن (به طور کلی ، جنبش مخالف) را برای یک بازه زمانی معین (روز ، هفته و ماه) بررسی می کند ، مقاله حاضر بر فراوانی تغییرات غیر طبیعی قیمت متمرکز است. فقط چند مقاله این موضوع را در مورد Forex یا Market Market در نظر گرفته اند (به Govindaraj و همکاران 2014 ؛ Angelovska 2016 مراجعه کنید) ، و هیچ یک در مورد بازار Cryptocurrency نیست. هدف ما نشان می دهیم که فراوانی تغییرات غیر طبیعی قیمت می تواند ابزاری مفید برای پیش بینی قیمت در بازار cryptocurrency باشد.

روش شناسی

اولین قدم در تجزیه و تحلیل بیش از حد واکنش ، تشخیص آنهاست. دو روش اصلی وجود دارد. یکی رویکرد ماشه پویا است که مبتنی بر مقادیر نسبی است. وونگ (1997) و Caporale و Plastun (2018a) به ویژه پیشنهاد می کنند که بر اساس تعداد انحرافات استاندارد به بازده متوسط اضافه شوند. مورد دیگر رویکرد استاتیک است که از تغییرات واقعی قیمت به عنوان یک معیار بیش از حد واکنش استفاده می کند. به عنوان مثال ، Bremer و Sweeney (1991) از 10 ٪ تغییر قیمت به عنوان معیار استفاده می کنند. Caporale و Plastun (2018b) این دو روش را در مورد بازار سهام ایالات متحده مقایسه می کنند و نشان می دهند که رویکرد استاتیک نتایج قابل اطمینان تری ایجاد می کند. بنابراین ، این نیز در اینجا مورد استفاده قرار می گیرد.

رویکرد استاتیک توسط Sandoval و Franca (2012) معرفی شد و توسط Caporale و Plastun (2018b) تهیه شده است. بازده ها به صورت زیر تعریف می شوند:

جایی که (s_ ) برای بازگشت است ، و (p_ ) و (p_ ) قیمت های نزدیک روز و روز قبل هستند. مرحله بعدی تجزیه و تحلیل توزیع فرکانس با ایجاد هیستوگرام است. ما مقادیر 10 ٪ بالاتر یا پایین تر از جمعیت را ترسیم می کنیم. سپس آستانه ها برای هر دو واکنش مثبت و منفی به دست می آیند و دوره ها می توانند در صورت بازده بالاتر یا برابر با آستانه مشخص شوند.

چنین روشی مجموعه ای از داده ها را برای فرکانس بیش از حد واکنش (در فرکانس ماهانه) ایجاد می کند ، که به ترتیب به 3 زیر مجموعه از جمله فرکانس بیش از حد منفی و مثبت و همه آنها تقسیم می شود. در این مطالعه ما همچنین از یک اندازه گیری اضافی (به نام "ضرب بیش از حد") استفاده می کنیم ، یعنی نسبت واکنش بیش از حد منفی/مثبت:

سپس فرضیه های زیر مورد آزمایش قرار می گیرند:

فرضیه 1 (H1)

فراوانی بیش از حد واکنش در مورد حرکات قیمت در بازار cryptocurrency آموزنده است.

شواهد وجود دارد که نشان می دهد الگوهای قیمت معمولی پس از تغییر قیمت غیر طبیعی در بازارهای مالی ظاهر می شوند. رابطه بین فرکانس بیش از حد واکنش و قیمت بیت کوین در اینجا با اجرای رگرسیون های زیر مورد بررسی قرار می گیرد (نگاه کنید به معادلات 3 و 4):

جایی که (y_ ) اختلافات مربوط به بیت کوین در روز t است. آ_حرفآیا بیت کوین میانگین اختلاف ورود به سیستم است. (a_^<+> ؛ (a_^<>) ) به ترتیب ضرایب بیش از حد مثبت و منفی هستند. (d_^<+>؛ترک کرد(> راست) ) یک متغیر ساختگی برابر با 1 در روزهای مثبت (منفی) بیش از حد و در غیر این صورت 0 است. ( varepsilon_ ) یک اصطلاح خطای تصادفی در زمان t است.

جایی که (y_ ) اختلافات مربوط به بیت کوین در روز t است. (a_ ) تفاوتهای مربوط به بیت کوین هستند. آ₁( آ₂) are coefficients on positive and negative overreactions, respectively; (>_^ <+>؛ترک کرد(<>_^ <>> راست) ) تعداد روزهای بیش از حد مثبت (منفی) در طی یک دوره t است. ( varepsilon_ ) یک اصطلاح خطای تصادفی در زمان t است.

اندازه ، علامت و اهمیت آماری ضرایب اطلاعاتی در مورد تأثیر احتمالی فرکانس بیش از حد واکنش در بازده ورود به سیستم بیت کوین ارائه می دهد.

برای ارزیابی عملکرد مدل های رگرسیون از روش پرسپترون چند لایه (MLP) استفاده خواهد شد (Rumelhart and McClelland 1986). این روش مبتنی بر مدل سازی شبکه های عصبی است. الگوریتم به شرح زیر است. داده ها به 3 گروه تقسیم می شوند: گروه یادگیرنده (50%)، گروه آزمون (25%) و گروه کنترل (25%). فرآیند یادگیری در شبکه عصبی شامل 2 مرحله است: مرحله اول بر اساس روش توزیع معکوس (تعداد دوره ها - 100، سرعت آموزش - 0. 01) و دوم از روش گرادیان مزدوج (تعداد دوره ها - 500) استفاده می کند. این روش یک شبکه عصبی بهینه ایجاد می کند. سپس نتایج حاصل از شبکه عصبی با نتایج حاصل از تجزیه و تحلیل رگرسیون مقایسه می شود.

برای به دست آوردن شواهد بیشتر، یک مدل ARIMA(p, d, q) نیز برآورد شده است:

که در آن ( Y_ ) اختلافات لاگ بیت کوین در روز t است. آ₀ is a constant; ( psi_ ;; heta_ ) are coefficients of the log differences on day t − i and a random error term at time t − j, respectively; ( Y_>>>) تفاوت های لاگ بیت کوین در روز t − i هستند.( varepsilon_ ) یک عبارت خطای تصادفی در زمان t − j است.( varepsilon_ ) یک عبارت خطای تصادفی در زمان t است.

برای بهبود مشخصات اولیه ARIMA(p, d, q) متغیرهای اضافی اضافه می شوند، به ترتیب فراوانی واکنش های بیش از حد منفی و مثبت:

معیارهای اطلاعاتی، به ویژه AIC (Akaike 1974) و BIC (Schwarz 1978)، برای انتخاب بهترین مشخصات ARMAX برای بازده لاگ بیت کوین استفاده می شود.

به عنوان یک بررسی استحکام، مدل های VAR نیز تخمین زده می شوند:

جایی که ( y_ = چپ(ight) ) یک بردار سری زمانی است. آ_tیک ماتریس تغییرناپذیر زمان است. آ₀بردار ثابت است.( varepsilon_ ) بردار عبارات خطا است. سپس توابع پاسخ ضربه ای (IRF) محاسبه شده و تجزیه واریانس (VD) نیز انجام می شود. علاوه بر این، آزمون های علیت گرنجر (گرنجر 1969) و آزمون های دیکی-فولر تقویت شده (دیکی و فولر، 1979) انجام می شود.

فرضیه 2 (H2)

فراوانی واکنش های بیش از حد فصلی نشان نمی دهد.

ما انواع آزمون های آماری، هم پارامتریک (تحلیل ANOVA) و هم غیر پارامتریک (آزمون های کروسکال-والیس) را برای فصلی بودن فراوانی ماهانه بیش از حد واکنش ها انجام می دهیم، که اطلاعاتی را در مورد احتمال بیشتر یا عدم احتمال بروز بیش از حد واکنش ها در ماه های خاص ارائه می کند. امسال.

نتایج تجربی

داده های مورد استفاده قیمت های روزانه بیت کوین و ماهانه برای دوره 01. 05. 2013-31. 05. 2018 است. منبع داده Coinmarket است (https://coinmarketcap. com/). به عنوان اولین مرحله ، توزیع فرکانس بازده ورود به سیستم مورد تجزیه و تحلیل قرار می گیرد (جدول 18 و شکل 6 را ببینید). همانطور که مشاهده می شود ، دو دم چربی متقارن در توزیع وجود دارد. مرحله بعدی انتخاب آستانه برای تشخیص بیش از حد واکنش است. برای به دست آوردن تعداد کافی از مشاهدات ، ما مقادیر ± از میانگین از جمعیت را در نظر می گیریم ، یعنی - 0. 04 برای واکنش های منفی و 05/0 برای موارد مثبت. نتایج دقیق در پیوست 2 ارائه شده است.

بازرسی بصری از انجیر. 7 و 8 نشان می دهد که فرکانس بیش از حد واکنش با گذشت زمان متفاوت است (جدول 19 را ببینید). برای ارائه شواهد اضافی ، ما تجزیه و تحلیل ANOVA و آزمایش های Kruska l-Wallis را انجام می دهیم (جدول 2). هر دو تأیید می کنند که تفاوت بین سالها از نظر آماری معنی دار است ، یعنی اینکه فرکانس بیش از حد واکنش متغیر است.

جدول 2 نتایج آزمایشات ANOVA و غیر پارامتری کروسکال-والیس برای تفاوت های آماری در فراوانی بیش از حد واکنش بین سالهای مختلف

بعد ما یک تحلیل همبستگی انجام می دهیم. جدول 3 نتایج را برای پارامترهای مختلف ، یعنی تعداد منفی (بیش از حد) و بیش از حد مثبت (بیش از حد)) ، و همچنین تعداد کل بیش از حد واکنش (All_Over) و ضرب بیش از حد (بیش از حد) و شاخص ها (قیمت های نزدیک بیت کوین ، بیت کوین ، بیت کوین ، گزارش می کند. بازگشت ، بیت کوین logretus).

جدول 3 تجزیه و تحلیل همبستگی بین فرکانس بیش از حد واکنش و شاخص های مختلف سری بیت کوین

به نظر می رسد ارتباط بین قیمت بیت کوین و واکنشهای منفی منفی (به جای منفی ، همانطور که انتظار می رود) وجود داشته باشد. در مقابل ، در مورد بازده و بازده ورود به سیستم همبستگی منفی وجود دارد. ضرب بیش از حد ، همبستگی منفی نسبتاً قوی با بازده بیت کوین نشان می دهد. سرانجام ، تعداد کلی بیش از حد واکنش با قیمت ها همبستگی نسبتاً ضعیفی دارد.

برای اطمینان از اینکه نیازی به تغییر داده ها در هر جهت نیست ، ما یک تجزیه و تحلیل همبستگی متقابل از این شاخص ها را در فواصل زمانی t و t + i انجام می دهیم ، جایی که من. شکل 1 همبستگی متقابل بین بازده سیاه بیت کوین و فراوانی واکنشهای بیش از حد (مثبت و منفی) برای کل دوره نمونه را برای سرب و تاخیر مختلف گزارش می دهد. بالاترین ضریب مربوط به طول تاخیر صفر است ، به این معنی که نیازی به تغییر داده ها نیست.

همبستگی متقابل بین بازده ورود به سیستم بیت کوین و فرکانس بیش از حد واکنش در کل دوره نمونه برای سرب و تاخیر مختلف. این شکل ضرایب همبستگی بین بازده سیاه بیت کوین و فراوانی واکنشهای بیش از حد منفی ("منفی بیش از") و همچنین فرکانس بیش از حد مثبت مثبت ("مثبت بیش از") را در کل دوره نمونه با تاخیر در بازه نشان می دهد.…+ 10]

برای تجزیه و تحلیل بیشتر رابطه بین بازده ورود به سیستم بیت کوین و فرکانس بیش از حد واکنش ، ما تست های ADF را در سری مورد علاقه انجام می دهیم (به جدول 4 مراجعه کنید).

تهی ریشه واحد در بیشتر موارد حاکی از ثابت بودن است. مرحله بعدی آزمایش H1 با اجرای یک رگرسیون خطی ساده و دیگری با متغیرهای ساختگی است (برای جزئیات بیشتر به بخش 3 مراجعه کنید). نتایج برای بیت کوین بسته می شود ، بازده و بازده ورود به سیستم در برابر همه واکنشهای بیش از حد ، بیش از حد منفی و مثبت در جداول 5 ، 6 و 7 ارائه می شود. در هر سه مورد ، مشخصات با بالاترین قدرت توضیحی ، شامل بیش از حد منفی و مثبت به عنوان متغیرهای جداگانه است ، اگرچه در مورد بیت کوین ، علامت مثبت ضریب را بر روی بیش از حد منفی بسته می کند ، چیزی نیست که انتظار داشته باشید.

به طور خلاصه ، به طور مداوم با مقدمات نظری ، تعداد کل واکنشهای بیش از حد در هر صورت یک رگرسیون قابل توجه نیست. بهترین مشخصات مدل رگرسیون چند برابر خطی ساده با فرکانس واکنشهای مثبت و منفی به عنوان رگرسیون است و بهترین نتیجه در مورد بازده ورود به سیستم همانطور که توسط Multive R برای کل مدل نشان داده شده است و P-Values برای P-Values برایضرایب تخمین زده شده. به طور خاص ، مشخصات انتخاب شده به شرح زیر است:

که دلالت بر یک رابطه مثبت (منفی) قوی بین بازده سیاه بیت کوین و فراوانی واکنشهای مثبت (منفی) دارد. در کل ، شواهد فوق از H1 پشتیبانی می کند. تفاوت بین مقادیر واقعی و برآورد شده بیت کوین را می توان به عنوان نشانه ای از اینکه بیت کوین بیش از حد یا زیر تخمین زده شده است ، تلقی کرد و بنابراین باید افزایش یا کاهش قیمت انتظار داشت. بدیهی است ، بیت کوین باید در صورت ارزیابی کم ارزش خریداری شود و در صورت ارزیابی بیش از حد به فروش برسد تا اینکه واگرایی بین مقادیر واقعی و برآورد شده از بین برود ، که در آن موقعیت های مرحله بسته می شوند.

همانطور که قبلاً ذکر شد ، برای نشان دادن اینکه مشخصات انتخاب شده در واقع بهترین مدل خطی است که ما از روش چند لایه Perceptron (MLP) استفاده می کنیم. واکنشهای منفی و مثبت متغیرهای مستقل (نقاط ورود) و بازده ورود به سیستم متغیر وابسته (نقطه خروج) در شبکه عصبی هستند. الگوریتم یادگیری که قبلاً توضیح داده شده بود ، MLP عصبی بهینه زیر را 2-2-2-3-1: 1 ایجاد می کند (شکل 2).

ساختار خالص بهینه عصبی. این شکل ساختار شبکه عصبی بهینه را نشان می دهد: نقاط ورود (مثلث های قرمز و صورتی) ، روش های شبکه عصبی (یادگیری ، کنترل ، تست ؛ مربع های سبز ، صورتی و قرمز به ترتیب) و نقطه خروج (برگه بیت کوین باز می گردد ؛مربع صورتی در سمت راست)

ما آن را با مدل خطی عصبی L 2-2-1: 1 مقایسه می کنیم ، که از 2 ورودی و 1 خروجی تشکیل شده است. نتایج در جداول 8 و 9 ارائه شده است.

همانطور که مشاهده می شود ، شبکه عصبی بر اساس ساختار Perceptron چند لایه نتایج بهتری نسبت به شبکه عصبی خطی ارائه می دهد: خطای کنترل پایین تر است (0. 0392 (MLP) در مقابل 0. 0801 (L)). خطای انحراف استاندارد و نسبت داده ها نیز پایین تر است (0. 4673 در مقابل 0. 5078). این همبستگی بالاتر است (8844 در مقابل 0. 8719).

شکل 3 توزیع بازده ورود به سیستم بیت کوین ، واقعی در مقابل تخمین زده شده (از مدل رگرسیون و شبکه عصبی) را نشان می دهد.

توزیع برگه ورود به سیستم بیت کوین: واقعی در مقابل تخمین زده شده (از مدل رگرسیون و شبکه عصبی). این رقم تخمین ها و مقایسه بین بازده واقعی بیت کوین ("داده های واقعی") و تخمین ها مبتنی بر مدل رگرسیون ("رگرسیون (7)") و مدل شبکه عصبی ("شبکه عصبی") را در طول دوره نمونه در نظر گرفته است.

همانطور که مشاهده می شود تخمین ها (از مدل رگرسیون و شبکه عصبی به ترتیب) بسیار مشابه و بسیار نزدیک به مقادیر واقعی هستند ، که نشان می دهد مدل رگرسیون (معادله 8) رفتار قیمت بیت کوین را بسیار خوب ضبط می کند.

ما همچنین مدل های ARIMA (P ، D ، Q) را با (p le 3 ؛ ؛ q le 3 ؛ ؛ d = 0 ) تخمین می زنیم و بهترین مشخصات را بر اساس معیارهای اطلاعات AIC و BIC انتخاب می کنیم. به طور خاص ، ما مدل های زیر را انتخاب می کنیم: Arima (2 ، 0 ، 2) (بر اساس معیار AIC). Arima (1 ، 0 ، 0) و Arima (0 ، 0 ، 1) (بر اساس معیار BIC). برآورد پارامتر در جدول 10 ارائه شده است.

همانطور که مشاهده می شود ، مدل 1 بهترین رفتار برگشتی بیت کوین را ضبط می کند: همه رگرسیونرها در سطح 1 ٪ قابل توجه هستند ، به جز ( psi_ ) ، و AIC کمترین مقدار را دارد.

To establish whether this specification can be improved by including information about the frequency of overreactions, ARMAX models (see Eq. 6) are estimated adding as regressors (>f_^<>) (negative overreactions) and (>f_^<+>) (بیش از حد مثبت). پارامترهای تخمین زده شده در جدول 11 گزارش شده است. مدل 4 فرکانس بیش از حد منفی و واکنشهای مثبت را به مدل 1. اضافه می کند. مدل 5 نسخه ای از مدل 4 است که بر اساس معیارهای AIC و BIC انتخاب شده است.

بدیهی است ، مدل 5 بهترین مشخصات برای مدل سازی بازده بیت کوین است: همه پارامترها از نظر آماری معنی دار هستند (به جز (B_ )) ، و هیچ مدرکی از اشتباه از آزمایشات تشخیصی باقیمانده وجود ندارد. شکل 4 مقادیر تخمین زده شده و واقعی برگشتی بیت کوین را ترسیم می کند.

توزیع برگه ورود به سیستم بیت کوین: واقعی در مقابل تخمین زده شده (بر اساس مدل 5). این رقم مقایسه بین بازده واقعی بیت کوین ("داده های واقعی") و برآوردها بر اساس مدل 5 ("داده های محاسبه شده") را در دوره نمونه در نظر گرفته شده ارائه می دهد

جدول 12 تست های علیت گرنجر بین بازده بیت کوین و هر دو واکنش منفی (از -) و بیش از حد مثبت (از +) را گزارش می کند. همانطور که مشاهده می شود ، فرضیه تهی از هیچ علیت به دلیل واکنش منفی (از -) و بیش از حد مثبت (از +) رد می شود ، اما برای بازگشت بیت کوین (y) نیست ، و بنابراین شواهدی وجود دارد که پیش بینی های دومی می تواند بهبود یابدبا درج در مشخصات VAR ، دو متغیر قبلی. طول تاخیر بهینه که توسط معیارهای AIC و BIC دلالت دارد یکی است (جدول 13 را ببینید). تخمین های مربوط به var (1) -model در جدول 14 گزارش شده است.

جدول 12 تست علیت گرنجر بین بازده سیاه بیت کوین و هر دو منفی (از -) و بیش از حد مثبت (از +)

به نظر می رسد این مدل متناسب با داده ها است: پایدار است (هیچ ریشه ای در خارج از دایره واحد وجود ندارد) ، و هیچ مدرکی در مورد همبستگی در باقیمانده ها وجود ندارد. تجزیه و تحلیل IRF (برای جزئیات بیشتر به ضمیمه 3 ، شکل 9 ، 10 و 11 مراجعه کنید) نشان می دهد که ، در پاسخ به یک شوک انحراف 1 استاندارد در بازگشت به ورود ، چه منفی (از-) و چه بیش از حد واکنش مثبت (از +) به آنها بازگردیدمقدار تعادل در طی شش دوره ، در حالی که ورود به سیستم فقط یک دوره را برای بازگشت به تعادل باز می گرداند. به سختی پاسخ بازگشت به سیستم به شوک ها به بیش از حد مثبت یا منفی وجود ندارد ، در حالی که هر دو متغیر دوم تمایل به حل و فصل بعد از حدود شش دوره دارند. نتایج تجزیه واریانس (VD) در جدول 15 ارائه شده است. آنها موارد زیر را پیشنهاد می کنند:

The behaviour of Y is mostly explained by its previous dynamics (97.4%); (>F^ <>) accounts for only 0.2% of its variance, and (>F^ <+>) فقط برای 2. 4 ٪.

The behaviour of (>F^ <>) همچنین به طور عمده توسط دینامیک قبلی آن (76. 7 ٪) تعیین می شود ، با Y فقط 22. 7 ٪ از واریانس آن و (از^^ توضیح می دهد.<+>) فقط 0. 6 ٪.

رفتار (از^<+>) بیشتر توسط (از^) حساب می شود<>) دینامیک (43 ٪) ، با y توضیح 36. 9 ٪ از واریانس آن و (از^<+>) 20. 1 ٪.

سرانجام ، ما به مسئله فصلی (H2) می پردازیم. شکل 5 نشان می دهد که فرکانس بیش از حد در پایان و شروع سال و در زمان های دیگر پایین تر است. همچنین ، به نظر می رسد یک چرخه اواسط سال وجود دارد: فرکانس در ماه آوریل ، قله های ژوئن-ژوئیه شروع می شود و سپس تا سپتامبر با یک الگوی فصلی "W" سقوط می کند.

فصلی ماهانه در فرکانس بیش از حد واکنش. این رقم فرکانس بیش از حد قیمت را در ماه در کل دوره نمونه نشان می دهد."منفی بیش از" نشان دهنده فراوانی بیش از حد منفی است."مثبت بیش از" بیانگر فراوانی بیش از حد مثبت است."به طور کلی" فرکانس کلی بیش از حد واکنش را نشان می دهد

تست های پارامتری رسمی (ANOVA) و غیر پارامتری (Kruskal-Wallis) انجام می شود. نتایج در جداول 16 و 17 ارائه شده است. همانطور که مشاهده می شود ، از نظر آماری تفاوت معنی داری بین فرکانس بیش از حد واکنش در ماه های مختلف سال وجود ندارد (یعنی هیچ مدرکی از فصلی بودن) ، یعنی H2 نمی تواند رد شود ، که سازگار با آن استشواهد بصری بر اساس شکل 3.

نتیجه

در این مقاله نقش فراوانی واکنش بیش از حد قیمت در بازار cryptocurrency در مورد بیت کوین در دوره 2013-2018 بررسی شده است. به طور خاص ، از یک روش استاتیک برای تشخیص بیش از حد واکنش استفاده می کند و سپس آزمایش فرضیه را با استفاده از روشهای مختلف آماری (هر دو پارامتری و غیر پارامتری) از جمله آزمون ADF ، آزمون علیت گرنجر ، تجزیه و تحلیل همبستگی ، تجزیه و تحلیل رگرسیون با متغیرهای ساختگی ، ARIMA انجام می دهد. و مدل های آرماکس ، مدل های خالص عصبی و مدل های VAR. به طور خاص ، فرضیه های آزمایش شده این است که آیا فرکانس بیش از حد واکنش (I) در مورد حرکات قیمت بیت کوین (H1) و (ب) هیچ فصلی (H2) آموزنده است یا خیر.

به طور کلی ، نتایج حاکی از آن است که فراوانی واکنش بیش از حد قیمت می تواند اطلاعات مفیدی را برای پیش بینی پویایی قیمت در بازار cryptocurrency و برای طراحی استراتژی های معاملاتی (H1 قابل رد) در مورد خاص بیت کوین ارائه دهد. با این حال ، این یافته ها تا حدودی مختلط هستند: شواهد قوی تر از نقش پیش بینی کننده برای فراوانی واکنش بیش از حد قیمت هنگام برآورد مدل های عصبی خالص و آرماکس بر خلاف مدل های VAR یافت می شود. در مورد حضور احتمالی فصلی ، شواهد کاملاً واضح است: هیچ الگوی فصلی برای فراوانی بیش از حد واکنش قیمت تشخیص داده نمی شود (H2 را نمی توان رد کرد).

منابع

Aggarwal ، D: آیا بیت کوین ها از یک مدل پیاده روی تصادفی پیروی می کنند؟resECON73 (1) ، 15-22 (2019)

Aharon ، D. ، Qadan ، M: Bitcoin و اثر روز هفته. امور مالی Res. کاهنده(2018). https://doi. org/10. 1016/j. frl. 2018. 12. 004

Akaike ، ح: نگاهی جدید به شناسایی مدل آماری. IEEE ترانس. Autom. کنترل 19 (6) ، 716-723 (1974)

Al-Yahyaee ، K. ، Rehman ، M. ، Mensi ، W. ، Al-Jarrah ، I: آیا شاخص های عدم اطمینان قیمت بیت کوین را پیش بینی می کنند؟تجزیه و تحلیل مجدداً با استفاده از رویکردهای موجک جزئی و چند متغیره. N. amJ. Econ. امور مالی 49 ، 47-56 (2019)

Angelovska ، J: حرکات بزرگ قیمت سهام ، دلایل و واکنش بازار. مدیریت 21 ، 1-17 (2016)

Balcilar ، M. ، Bouri ، E. ، Gupta ، R. ، Rouband ، D: آیا حجم می تواند بازده و نوسانات بیت کوین را پیش بینی کند؟یک رویکرد مبتنی بر knatiles. ECONمدل. 64 ، 74-81 (2017)

Bariviera ، A. F: ناکارآمدی بیت کوین تجدید نظر شده: یک رویکرد پویا. ECONکاهنده161 ، 1-4 (2017)

بارتوس ، ج: آیا بیت کوین فرضیه بازار کارآمد را دنبال می کند؟int. J. Econ. علمیIV (2) ، 10-23 (2015)

Bouri ، E. ، Gil-Alana ، L. A. ، Gupta ، R. ، Roubaud ، D: مدل سازی نوسانات حافظه طولانی در بازار بیت کوین: شواهدی از پایداری و شکستن ساختاری. دانشگاه پرتوریا ، مقاله کار 2016-54.(2016). https://ideas. repec. org/p/pre/wpaper/201654. html

Bremer ، M. ، Sweeney ، R. J: واژگونی قیمت بزرگ سهام کاهش می یابد. J. Finance 46 ، 747-754 (1991)

Brown ، W. L: تجزیه و تحلیل بهره وری از بازار بیت کوین از طریق اقدامات پیش بینی بازگشت افق کوتاه و نقدینگی بازار. پایان نامه های ارشد CMC. مقاله 864. http://scholarship. claremont. edu/cmc_theses/864 (2014)

Caporale ، G. M. ، Gil-Alana ، A. ، Plastun ، A: پایداری در بازار cryptocurrency. resint. اتوبوس. امور مالی 46 ، 141-148 (2018)

Caporale ، G. M. ، Plastun ، A: بیش از حد قیمت در بازار cryptocurrency. مقاله بحث برلین شماره 1718. http://dx. doi. org/10. 2139/ss. 3113177 (2018a)

Caporale ، G. M. ، Plastun ، A: در مورد فراوانی واکنش های بیش از حد قیمت. سری مقاله کار Cesifo شماره 7011. SSRN:

Caporale ، G. M. ، Plastun ، A: The Day of the Week Effect Letters Present Financial Market Market در دسترس آنلاین 19 نوامبر 2018 ، ISSN 1544-6123 https://doi. org/10. 1016/j. frl. 2018. 11. 112 (2018c)

Carrick ، J: Bitcoin به عنوان مکمل ارزهای در حال ظهور بازار. ظهورعلامت گذاری. تجارت مالی 52 (2016) ، 2321 2334 (2016)

Catania ، L. ، Grassi ، S: Modeling Crypto-Currencies سری زمانی مالی. http://dx. doi. org/10. 2139/ss. 3028486 (2017)

Cheung ، A. ، Roca ، E. ، Su ، J.-J: حباب های ارز رمزنگاری: کاربرد روش فیلیپس-شی-یو (2013) در قیمت های بیت کوین Gox. کاربردECON47 ، 2348 2358 (2015)

Ciaian ، P. ، Rajcaniova ، M. ، Kancs ، D. A: اقتصاد شکل گیری قیمت بیت کوین. کاربردECON48 (19) ، 1799-1815 (2016)

De Bondt ، W. ، Thaler ، R: آیا بازار سهام بیش از حد واکنش نشان می دهد؟J. Finance 40 ، 793-808 (1985)

Dickey ، D. A. ، Fuller ، W. A: توزیع برای تخمین های سری زمانی خودکار با ریشه واحد. مربا. آمارAssoc74 ، 427-431 (1979)

Dwyer ، G. P: اقتصاد بیت کوین و ارزهای دیجیتال خصوصی مشابه. J. مالی. چاقو17 ، 81-91 (2015a)

Dwyer ، G. P: اقتصاد بیت کوین و ارزهای دیجیتال خصوصی مشابه. J. مالی. چاقو17 ، 81-91 (2015b)

Elbahrawy ، A. ، Alessandretti ، L. ، Kandler ، A. ، Pastor-Satorras ، R. ، Baronchelli ، A: پویایی تکاملی بازار رمزنگاری. R. Soc. علمی باز(2017). https://doi. org/10. 1098/rsos. 170623

Eross ، A. ، McGroarty ، F. ، Urquhart ، A. ، Wolfe ، S: Dynamics Intraday Bitcoin. resint. اتوبوس. امور مالی 49 ، 71-81 (2019)

Eross ، A. ، McGroarty ، F. ، Urquhart ، A. ، Wolfe ، S: Dynamics Intraday Bitcoin. https://www. researchgate. net/publication/318966774

Govindaraj ، S. ، Livnat ، J. ، Savor ، P. ، Zhaoe ، Ch: تغییرات بزرگ قیمت و بازده های بعدی. J. سرمایه گذاری. مدیر. 12 (3) ، 31-58 (2014)

Granger ، C. W. J: بررسی روابط علی توسط مدلهای اقتصاد سنجی و روشهای طیف متقاطع. اقتصاد سنجی 37 ، 424-438 (1969)

Halaburda ، H. ، Gandal ، N: رقابت در بازار cryptocurrency. مقاله کار موسسه خالص شماره 14-17. SSRN: https://ss. com/abstract=2506463 یا http://dx. doi. org/10. 2139/ss. 2506463 (2014)

Hileman ، D. ، Rauchs ، M: مطالعه معیار جهانی cryptocurrency. کمبریج مرکز مالی جایگزین ، لندن (2017)

Khuntia ، S. ، Pattanayak ، J: فرضیه بازار تطبیقی و پیش بینی در حال تحول بیت کوین. ECONکاهنده167 ، 26-28 (2018)

Kristoufek ، L: محرک های اصلی قیمت بیت کوین چیست؟شواهدی از تجزیه و تحلیل انسجام موجک. PLOS ONE 10 (4) ، E0123923 (2014). https://doi. org/10. 1371/joual. pone. 0123923

Kurihara ، Y. ، Fukushima ، A: راندمان بازار بیت کوین: چشم انداز ناهنجاری هفتگی. J. Appl. بانک مالی. 7 (3) ، 57-64 (2017)

MA ، D. ، Tanizaki ، H: اثر روز هفته بر بازگشت بیت کوین و نوسانات. resint. اتوبوس. امور مالی 49 ، 127-136 (2019)

Mensi ، W. ، Rehman ، M. ، Al-Yahyaee ، K. ، Al-Jarrah ، I. ، Kang ، S: تجزیه و تحلیل فرکانس زمان مشترکات بین بیت کوین و ارزهای اصلی: پیامدهای مدیریت ریسک نمونه کارها. N. amJ. Econ. امور مالی 48 ، 283-294 (2019)

Rumelhart ، D. E. ، McClelland ، J. L: پردازش توزیع موازی: اکتشافات در ساختارهای شناخت. MIT Press ، کمبریج (1986)

Junior ، L. S. ، Franca ، I. D. P: همبستگی بازارهای مالی در زمان بحران. فیزیکیک آمارمکانیککاربرد391 (1 2) ، 187-208 (2012)

شوارتز ، G. E: تخمین ابعاد یک مدل. آن راآمار6 (2) ، 461-464 (1978)

Urquhart ، A: ناکارآمدی بیت کوین. ECONکاهنده148 ، 80-82 (2016)

وونگ ، م.: سهام غیر طبیعی پس از پیشرفت و کاهش یک روزه باز می گردد: شواهدی از بازارهای آسیایی و اقیانوسیه. مالی. مهندسJPNعلامت گذاری. 4 ، 71-177 (1997)

سپاسگزاریها

الکس پلاستون با قدردانی از حمایت مالی وزارت آموزش و علوم اوکراین (0117U003936) قدردانی می کند. نویسندگان از ویرایشگر و داور ناشناس بخاطر نظرات و پیشنهادات مفید خود سپاسگزار هستند.

اطلاعات نویسنده

نویسندگان و وابستگی ها

گروه اقتصاد و دارایی ، دانشگاه برونل لندن ، لندن ، UB8 3PH ، انگلیس