برخی از نظرات در مورد کارآیی بازار بیت کوین (IN)

در این مقاله ، ما کارآیی (در) بازار Continuum Bitcoin-USD را در دوره ای از اواسط سال 2010 تا اوایل سال 2019 بررسی می کنیم. برای مقابله با آن ، ما به صورت پویا تحول تکامل خود شفای خود را از بازده روزانه بیت کوین-USD تجزیه و تحلیل می کنیم. از طریق رویکرد دقیق FD4 توسط یک پنجره کشویی 512 روزه با داده های همپوشانی. علاوه بر این ، ما نشانگر حافظه را با تفاوت بین نمایندگی خود شنیع سری Bitcoin-USD و شاخص شفابتی سریال های تغییر یافته آن تعریف می کنیم. ما همچنین تجزیه و تحلیل های اضافی را از طریق رویکرد FD4 با کشویی از اندازه های اندازه برابر با 64 ، 128 ، 256 و 1024 روز انجام می دهیم و همچنین از طریق الگوریتم FD برای مقادیر Q برابر با 1 و 2 (و پنجره های کشویی برابر 512 روز). علاوه بر این ، ما با کشویی پنجره هایی از اندازه های برابر با 256 و 512 روز ، تکامل نمایشگر خود شنیع سری واقعی S & P500 را از طریق الگوریتم FD4 بررسی کردیم. در همه موارد ، نتایج به دست آمده مشابه اولین تجزیه و تحلیل ما بود. نتیجه می گیریم که نمایانگر خود شناع سری BTC-USD (به ترتیب ، S & P500) بالاتر از 0. 5 است. با این حال ، این به دلیل وجود حافظه قابل توجه در این سری نیست بلکه به توزیع اساسی آن است. در حقیقت ، این امر معتقد است كه نمایانگر خود شنیع سریال BTC-USD (به ترتیب ، S & P500) مشابه یا پایین تر از شاخص خود شنیع یک سری تصادفی با همان توزیع است. به همین ترتیب ، چندین دوره با حافظه ضد عفونی کننده قابل توجه در سری BTC-USD (به ترتیب ، S & P500) متمایز است.

استناد: Dimitrova V ، Feández-Martínez M ، Sánchez-Granero MA ، Trinidad Segovia JE (2019) برخی از نظرات در مورد کارآیی بازار بیت کوین (In). PLOS ONE 14 (7): E0219243. https://doi.org/10. 1371/joual. pone. 0219243

سردبیر: Alejandro Raul Heandez Montoya ، Universidad Veracruzana ، مکزیک

دریافت: 8 نوامبر 2018 ؛پذیرفته شده: 19 ژوئن 2019 ؛منتشر شده: 8 ژوئیه 2019

کپی رایت: © 2019 Dimitrova و همکاران. این یک مقاله دسترسی آزاد است که تحت شرایط مجوز انتساب Creative Commons توزیع شده است ، که اجازه استفاده ، توزیع و تولید مثل بدون محدودیت را در هر رسانه ای می دهد ، مشروط بر اینکه نویسنده و منبع اصلی اعتبار داشته باشند.

در دسترس بودن داده ها: داده های اساسی نتایج این مطالعه در مقاله و مواد تکمیلی موجود است.

بودجه: نویسنده دوم حمایت از وزارت اسپانیا در اقتصاد ، رقابت ، Grant MTM2015-64373-P (Mineco/Feder ، UE) و Español de Csuroce ، Iovacidades و Feder ، Grant PGC2 را تأیید می کند. نویسنده سوم حمایت از حمایت از وزارت اسپانیا در اقتصاد ، رقابت ، Grant MTM2015-64373-P (Mineco/Feder ، UE) و وزارت اسپانیا ، Iovacidades و Feder ، Grant PGC20018-1 را تأیید می کند. نویسنده چهارم از حمایت از وزارت اسپانیا در زمینه رقابت های اقتصادی ، Grant Der2016-76053-R (Mineco/Feder ، UE) و وزارت اسپانیا ، Iovacinad y Universidades و فدرر ، Grant PG2015555555555 استفاده می کند.

منافع رقابتی: نویسندگان اعلام کرده اند که در صورت وجود منافع رقابتی وجود دارد.

معرفی

توسعه نظری فرضیه بازار کارآمد (EMH ، Heafter) به هر دو Cootner [1] و Samuelson نسبت داده می شودیکی از پیشگامان در تجزیه و تحلیل کمبود بازار ، FAMA [3] بود که در نظر می گیرد که بازار کارآمد است به شرط آنکه تمام اطلاعات موجود در بازار به طور کامل فراخوانده شود و می تواند برای همه نمایندگان استفاده شود. بازده بازار در سه ایالت ، یعنی راندمان ضعیف طبقه بندی شد ، هنگامی که قیمت بازار تمام اطلاعات موجود در سری گذشته قیمت ها ، راندمان نیمه قوی را منعکس می کند ، اگر قیمت ها تمام اطلاعات عمومی و کمبود را منعکس کنند. به این ترتیب ، این آخرین مورد محدود کننده ترین سناریو است زیرا در نظر می گیرد که قیمت ها منعکس کننده همه اطلاعات عمومی و خصوصی است.

از دیدگاه آماری ، یک بازار کارآمد از یک پیاده روی تصادفی پیروی می کند ، که برای اولین بار در امور مالی توسط ریاضیدان کارشناسی برای مطالعه رفتار قیمت اوراق قرضه فرانسه معرفی شده است [4به این ترتیب ، قیمت بازار توسط متغیرهای تصادفی مستقل و توزیع پزشکی توصیف می شود. وجود حافظه طولانی در مجموعه قیمت ها یا بازده دارایی در آن سناریو قابل قبول نیست زیرا این امر به یک استراتژی معاملاتی سودآور بی خطر امکان پذیر است.

از زمان بنیاد خود ، EMH به دلیل محدود کردن و عمومی بودن مورد سؤال قرار گرفته است. به این ترتیب چندین گزینه ارائه شده است. پیشنهاد Mandelbrot [5] ، که در آن قیمت سهام با یک حرکت کسری براونین تعبیه شده است ، یکی از اولین منتقدین EMH را نشان می دهد. چنین مدلی فرض می کند که قیمت ها حافظه طولانی را نشان می دهند ، که تحت EMH امکان پذیر نیست. در یک اختلاف اخیر ، پونتا و کاربون [6] اهمیت ناهمگونی بازار را به عنوان یک نقطه ضعف EMH بیان می کنند ، که مبتنی بر یک فرآیند تصادفی همگن است. آنها یک شاخص ناهمگونی بازار تجمعی را بر اساس آثار قبلی پیشنهاد می کنند (C. F. [7-9]) ، مربوط به مفهوم آنتروپی است و ارزیابی بهتری از ترکیب نمونه کارها را در مقایسه با نسبت شارپ سنتی ارائه می دهد. این رویکرد جدید وجود خوشه ها در داده های مالی را در نظر می گیرد. از آنجا که فیلیپاتوس و ویلسون [10] مفهوم آنتروپی را در امور مالی معرفی کردند ، بسیاری از محققان دیگر تئوری مالی بازار را با مفاهیم مختلف آنتروپی برای اندازه گیری ریسک و توصیف توزیع ها غنی کرده اند (برای بررسی دقیق به ژو و همکاران [11] مراجعه کنید).

برای کشف حضور حافظه طولانی در قیمت سهام یا بازده دارایی به موضوعی بحث برانگیز برای تجزیه و تحلیل بهره وری بازار تبدیل شده است. شایان ذکر است که تعداد گسترده ای از مقالات برخی از شواهد تجربی از حافظه طولانی را نشان می دهند (C. F. ، به عنوان مثال ، [12-19]) ، در حالی که دیگران [20 ، 21]).

با این حال ، هنوز هم باید در مورد استفاده از نمایندگی خود شنیع برای تجزیه و تحلیل EMH ، چند سؤال مطرح شود. به عنوان مثال ، اخیراً چندین نویسنده رابطه بین میزان توسعه بازار و سطح کارآیی آن را پیشنهاد کرده اند (C. F. ، به عنوان مثال ، [22-25]). آنها فرض می کنند که ممکن است در کل نمایندگی خودآگاهی خود اندازه گیری شود. به همین ترتیب ، آنها الگوهای رفتاری مقیاس گذاری را برای تعیین کمیت سطح توسعه خود تجزیه و تحلیل می کنند.

به عنوان یک نتیجه ، آنها تأکید می کنند که بازارهای بالغ معمولاً حافظه کوتاه یا حافظه را نشان نمی دهند ، در حالی که بازارهای نوظهور هنوز هم خاصیت حافظه طولانی دارند. از طرف دیگر ، همچنین می توان نتیجه گیری از یک تحلیل ساده از شاخص شباهت خود را بدون پرداختن به برخی از سؤالات مرتبط ، از جمله ما ، توزیع اساسی داده ها (به عنوان مثال [26]) یا صحت الگوریتم های مختلف مورد استفاده قرار داد. مقدار H را بدست آورید (به عنوان مثال [27]). با توجه به این ، ما یک موضوع جالب را در نظر می گیریم که تجزیه و تحلیل از نماینده Hurst از ارزهای رمزنگاری شده با توجه به توصیف میزان توسعه این بازار جدید است. در طول این مقاله ، ما باید بر مطالعه الگوهای خود شنیع در پیوستار بیت کوین-USD (BTC-USD ، از این پس) تکامل در طول زمان متمرکز شویم.

مقاله حاضر به شرح زیر سازماندهی شده است. در مرحله اول ، بخش 1 شامل یک بررسی دقیق ادبیات از موضوعات اصلی است که تاکنون در مورد رفتار بیت کوین مورد بررسی قرار گرفته است. در بخش 2 ، ما اصول اولیه را در مورد الگوریتم FD4 اعمال شده در این مقاله برای اهداف محاسبه شغلی خود ارائه می دهیم. در بخش 3 ، ما نتایج را در مورد کارآیی (در) تکامل BTC-USD در طول زمان به دست آوردیم ، و در آخر ، بخش 4 نتیجه گیری اصلی ما را برجسته می کند.

1 ارز رمزنگاری: بررسی ادبیات

بیت کوین در تاریخ 31 اکتبر 2008 از طریق مقاله ای معرفی شد که برای چند علاقه مندان به رمزنگاری منتشر شد [28]. این ایمیل ، که توسط نام مستعار Satoshi Nakamoto امضا شده است ، توضیح داد که این یک رمزنگاری است که امکان تبادل نشانه های ارزش را بین دو بخش بدون تقسیم جزئیات معامله فراهم می کند. از آن زمان ، بیت کوین به عنوان محبوب ترین و خواستار cryptocurrency ظاهر شده است.

در واقع ، بیت کوین رمزنگاری با بالاترین سرمایه بازار در بین بیش از 1658 ارز دیجیتال موجود در حال حاضر است و در دسامبر سال 2017 به 237. 62 میلیارد دلار رسیده است. از زمان ظاهر آن ، سرمایه گذاری در بازار آن از حدود 0. 04 میلیارد دلار در سه ماهه اول سال 2012 افزایش یافته استبا توجه به [29] 117. 56 میلیارد دلار در سه ماهه اول سال 2018.

عدم کنترل دولت ها و مقامات مرکزی ، مقررات فقیر و ناکارآمد و جوانان ارزهای رمزپایه باعث شده است که بازارهای آنها کاملاً سوداگرانه و بی ثبات باشد. با وجود این ، بازار رو به رشد این ابزارهای مالی موفق جدید و ویژگی های نوآورانه آنها سرمایه گذاران بیشتر و کوچک ، دلالان ، سیاستگذاران و محققان دانشگاهی را از سراسر جهان جذب می کند.

بازار ارزهای رمزپایه در مقایسه با بازارهای مالی سنتی هنوز اندک است. بنابراین ، فقط تحقیقات مربوطه در ادبیات وجود دارد. شایان ذکر است که EMH از سال 2015 در بازارهای cryptocurrency مورد تجزیه و تحلیل قرار گرفته است. بیشتر محققان در طول رویکردهای مختلف بر کارایی ضعیف متمرکز شده اند. در مرحله بعد ، ما روشهای و همچنین نتایج حاصل از برخی از مقالات قبلاً در ادبیات را بیان خواهیم کرد.

در [30] ، بارتوس تلاش های متمرکز برای پرتاب برخی از شواهد از کارآیی در بازار بیت کوین و بررسی رفتار تکامل قیمت آن با انجام یک تحلیل تجربی. نتایج در آنجا نشان می دهد که چنین رمزنگاری از EMH پیروی می کند و بلافاصله به اطلاعات اعلام شده عمومی واکنش نشان می دهد. مشخص شد که وقایع بر قیمت ارزهای رمزپایه تأثیر می گذارد. به طور خاص ، قیمت بیت کوین در طی روزهای مثبت (به ترتیب ، منفی) نسبت به روزها بدون وقایع قابل توجه بالاتر است (به ترتیب ، پایین تر). همچنین نتیجه گیری شد که هر دو فاکتور تقاضا و عرضه تأثیر اساسی بر قیمت آن رمزنگاری دارند.

پس از آن ، Urquhart [31] در مورد کارآیی بازار بیت کوین از اول اوت 2010 تا 31 ژوئیه 2016 ، با استفاده از پنج تست مختلف در بازده بیت کوین ، یعنی Ljung-Box ، Runs ، Bartel's ، نسبت واریانس ، AVR با استفاده از وحشی ، بررسی کرد. و BDSاین تحقیق شواهد تجربی علیه EMH در مورد تکامل بیت کوین در طول زمان به وجود آورد. در حقیقت ، نتیجه گرفته شد که ناکارآمدی بازار بیت کوین کاملاً قوی است. با این حال ، لازم به ذکر است که تمام دوره زمانی به دو زیر دوره تقسیم می شود ، از اول اوت 2013 تا 31 ژوئیه 2016 ، با این که بازار بیت کوین فقط در دوره دوم کارآمد است. به همین ترتیب ، بیان شد که با زمان کارآمدتر می شود.

پس از مدتی ، ناداراجا و چو [32] ، پس از Up Up Uprequhart [31] ، با اضافه کردن تحولات قدرت عدد صحیح عجیب و غریب بازده روزانه بیت کوین ، داده ها را با استفاده از هشت آزمایش مختلف دوباره بررسی کردند. رویکردهای مورد استفاده آنها تست Ljung-Box (بدون همبستگی) ، آزمایش و آزمایش بارتل (برای استقلال) ، نسبت واریانس اتوماتیک Wildbootstraped و تست های شکل طیفی (برای فرضیه پیاده روی تصادفی) ، آزمایش BDS (برای تضمین اینکه بازده ها به طور مستقل هستندو به طور یکسان توزیع شده) ، آزمون Portmanteau قوی (برای عدم همبستگی سریال) و آزمون طیفی تعمیم یافته (برای فرضیه تفاوت مارتینگال). با توجه به نتایج ارائه شده ، هیچ مدرکی علیه فرضیه تهی وجود ندارد ، به جز آزمایش های استقلال. به همین ترتیب ، نویسندگان نتیجه گرفتند که بازار بیت کوین به طور کارآمد رفتار می کند.

بعداً ، Kurihara و Fukushima [33] با بررسی کارآیی آن و جستجوی ناهنجاری های احتمالی در قیمت های هفتگی خود ، تجزیه و تحلیل تجربی از بازار بیت کوین را انجام دادند. در نتیجه ، آنها اظهار داشتند که بازار بیت کوین کارآمد نیست اما با گذشت زمان کارآمدتر خواهد بود. به این ترتیب ، آنها اظهار داشتند که در آینده تصادفی خواهد بود.

از طرف دیگر ، Bariviera ، Basgall ، Hasperué و Naiouf [34] پویایی بیت کوین را با ارزهای استاندارد مقایسه کردند و در تجزیه و تحلیل بازده ها در مقیاس های زمانی مختلف متمرکز شدند. آنها حضور حافظه طولانی در بازده بیت کوین را از سال 2011 تا 2017 با استفاده از Exponent Hurst از طریق تجزیه و تحلیل نوسان دفع شده (DFA) بر روی یک پنجره کشویی برای اندازه گیری وابستگی به برد طولانی آزمایش کردند. آنها همچنین تجزیه و تحلیل چند مقیاس را انجام دادند که منجر به نتایج مشابه از دیدگاه نمایندگان Hurst می شود. به همین ترتیب ، آنها تشخیص دادند كه مأمورین هورست در سالهای اول وجود بیت کوین به طور قابل توجهی تغییر یافته و در زمان های اخیر تمایل به تثبیت دارند. به طور خاص ، آنها اظهار داشتند که سری بیت کوین تا سال 2014 یک رفتار مداوم (یک نماینده خود شنیع بیشتر از 0. 5) دارد ، در حالی که بعد از آن سال ، نماینده هورست تمایل به حرکت در حدود 0. 5 داشت. بر این اساس ، بازار بیت کوین از سال 2014 با رفتار خود در مقیاس های مختلف زمانی (5 - 12 ساعت) از نظر حافظه طولانی مشابه است.

اندکی پس از آن ، Bariviera [35] نوسانات قیمت بیت کوین را دوباره مورد بررسی قرار داد. به همین مناسبت ، او رفتار متغیر حافظه طولانی برای نوسانات بیت کوین و بازده از سال 2011 تا 2017 را مورد مطالعه قرار داد. با این هدف ، آنها از هر دو تجزیه و تحلیل R/S (برای تشخیص حافظه طولانی) و DFA استفاده شدند (برای تفکیک دقیق ترتغییرات در کارآیی اطلاع رسانی در طول زمان) برای اهداف محاسبه نماینده Hurst. به دنبال نتایج ، بیان شد که بازده روزانه رفتار مداوم از سال 2011 تا سال 2014 نشان می دهد ، در حالی که بازار از سال 2014 کارآمدتر شد. با این حال ، نوسانات قیمت حافظه طولانی را در کل دوره زمانی نشان می دهد.

Alvarez-Ramirez ، Rodriguez و Ibarra-Valdez [36] ، از طرف خود ، حضور همبستگی های دوربرد و کارآیی اطلاعاتی بازار بیت کوین را برای دوره ای از 30 ژوئن 2013 تا 3 ژوئن 2017 ، از طریق رویکرد DFA بررسی کردند. بیش از پنجره های کشویی برای برآورد همبستگی های دوربرد برای بازده قیمت بیت کوین. نتایج به دست آمده در آن مشابه با Bariviera بود: آنها فاش کردند که بازار بیت کوین دوره های کارآیی را نشان می دهد ، متناوب با دوره هایی که پویایی قیمت با ضد حساسیت هدایت می شود.

Tiwari ، Jana ، Das و Roubaud [37] همچنین کارآیی اطلاعاتی بیت کوین را آزمایش کردند. برای این منظور ، آنها از یک باتری از برآوردگرهای وابستگی دوربرد محاسباتی برای دوره ای از 18 ژوئیه 2010 تا 16 ژوئن 2017 استفاده کردند.[31] ، ناداراجا و چو [32] و باریویرا [35]. نویسندگان تأکید کردند که بازار بیت کوین با استثنائی از دوره آوریل-آگوست ، 2013 و آگوست-نوامبر ، 2016 کارآمد است.

به تازگی ، Juang ، NIE و Ruan [38] حافظه بلند مدت متغیر زمان را در بازار بیت کوین از طریق یک رویکرد پنجره نورد و استفاده از یک شاخص کارآیی جدید [39] ، با استفاده از مجموعه داده های روزانه برای دوره از سال 2010 تا 2017 بررسی کردند. آنها نتیجه گرفتند که نمایندگان عمومی هورست در بازار بیت کوین بالاتر از 0. 5 هستند. از نظر آنها ، حافظه بلند مدت در بازار بیت کوین وجود دارد. آنها همچنین میزان ناکارآمدی بالایی را در چنین بازاری مشاهده کردند و اظهار داشتند که با گذشت زمان کارآمدتر نمی شود.

در ابتدای سال 2018 ، دمیر ، گوزگور ، لاو ، و ویگ [40] مقاله ای را منتشر کردند که هدف آن تجزیه و تحلیل قدرت پیش بینی عدم اطمینان سیاست اقتصادی (EPU) در روزنامه بیت کوین برای دوره از 18 ژوئیه تا نوامبر است. پانزدهم ، 2017 ، از طریق مدل وکتور ساختاری گرافیکی بیزی ، مدل اتورگرایی ، حداقل مربعات معمولی و برآورد رگرسیون کمی. نویسندگان استنباط کردند که بازده بیت کوین با تغییر در EPU منفی است ، اما آنها همچنین خاطرنشان کردند که این اثر در مقادیر پایین تر و بالاتر بازده بیت کوین و EPU مثبت و معنی دار است.

با گسترش تحقیقات بازار بیت کوین ، Brauneis و Mestel [41] راندمان را به اقدامات نقدینگی مرتبط می کند. پس از انجام برخی آزمایشات برای نرمال بودن (Jarque-Bera و Kolmogorov-Smiov) ، تست Arch Engle ، پنج آزمایش اعمال شده توسط Urquhart (Ljung and Box ، Runs ، نسبت واریانس (VR) ، Bootstrappraped VR ، Bartel's و Brock et Brock etBDS غیر پارامتری) ، The Hurst Exponent و آزمون غیر پارامتری برای بهره وری بازاریابی در 73 ارز رمزنگاری شده در دوره از 31 آگوست 2015 تا 30 نوامبر 2017 ، آنها نتیجه گرفتند که با افزایش نقدینگی ، ارزهای رمزنگاری ناکارآمد می شوند.

علاوه بر این ، Gaporale ، Gil-Alana و Plastun [42] از آنالیز R/S و تکنیک های ادغام کسری با حافظه طولانی برای بررسی میزان ماندگاری بیت کوین ، Litecoin ، Ripple و Cryptocurraces Dash در دوره نمونه 2013-2017 استفاده کردند. نظر آنها ، شواهدی از ناکارآمدی بازار وجود دارد زیرا این بازارها تداوم خود را نشان می دهند. به ویژه ، آنها اصرار دارند كه بین ارزشهای گذشته و آینده آنها ارتباط مثبت وجود دارد كه با گذشت زمان تغییر می كنند. از نظر آنها ، بازار cryptocurrency هنوز هم ناکارآمد است ، اما به ویژه در مورد بازار Litecoin ، جایی که نماینده Hurst با گذشت زمان به طور قابل توجهی کاهش یافته است ، کمتر می شود.

علاوه بر این ، ارزان ، میشرا و ژانگ [43] مکانیسم جدیدی را برای درک وابستگی متقابل پویا از قیمت بیت کوین در یک زمینه بین بازار ارائه دادند. آنها قیمت های بیت کوین را به عنوان فرآیندهای حافظه بلند مدل کردند و وابستگی متقابل پویا را در یک چارچوب VAR با هم جدا شده مورد مطالعه قرار دادند. در نتیجه ، حافظه بلند در هر دو ، بازارهای فردی و سیستم بازارها که ناکارآمدی اطلاعاتی غیر همگن را به تصویر می کشند ، یافت شد.

Kristoufek [44] اخیراً مقاله ای در مورد مطالعه کارآیی بازار بیت کوین با توجه به ارزهای یوان USD و چینی و تکامل آنها با گذشت زمان منتشر کرده است. او از شاخص بهره وری [23] ، برای آزمایش آنها برای انواع مختلف (در) اقدامات کارآیی استفاده کرد. با توجه به بازار USD ، وی اظهار داشت که تنها دو دوره طولانی تر وجود دارد که بازار می تواند کارآمد در نظر گرفته شود - از وسط سال 2011 تا اواسط سال 2012 ، و بین مارس و نوامبر 2014. جدا از آنها ، آنجاهیچ کارآیی در بازار بیت کوین نیست. گفتنی است که نتایج تجزیه و تحلیل های انجام شده در مورد بازار CNY چندان قوی نیست زیرا دوره معاینه قبل از سال 2014 برخی از پویایی های بسیار مهم مانند حباب را از دست نمی دهد. بنابراین ، او اصرار دارد که شواهد محکمی وجود دارد که نشان می دهد هر دو بازار بیت کوین عمدتا ناکارآمد هستندبین سالهای 2010 تا 2017 ، به جز چندین دوره که مستقیماً با خنک شدن پس از افزایش قیمت حباب در ارتباط هستند.

Khuntia و Pattanayak [45] فرضیه بازار تطبیقی (AMH) و همچنین پیش بینی بازگشت در حال تحول در بازار بیت کوین را ارزیابی کردند ، با استفاده از دو روش قوی در یک چارچوب نورد پنجره برای ضبط وابستگی خطی و غیر خطی متغیر زمان در بازده های بیت کوین. نتیجه گیری از مطالعه آنها این است که کارآیی بازار بیت کوین با گذشت زمان تکامل می یابد و شواهد پویایی آن به AMH پایبند است. به گفته نویسندگان ، برخی از وقایع مهم همزمان با قسمت های کارآیی (در) است ، بنابراین ایجاد وقایع و تعصب رفتاری ممکن است کارآیی آن را تغییر دهد.

علاوه بر این ، Vidal-Tomás و Ibañez [46] فرضیه راندمان نیمه قوی بیت کوین را در هر دو بازار Bitstamp و MT. Gox با استفاده از روش مطالعه رویداد ارزیابی کردند. آنها می خواستند بررسی کنند که چگونه ارزهای دیجیتال به سیاست پولی و رویدادهای بیت کوین پاسخ می دهند. نویسندگان مشاهده کردند که بیت کوین در رابطه با وقایع خاص خود به مرور زمان کارآمدتر شده است ، اما در عین حال ، آنها نتیجه گرفتند که رمزنگاری تحت تأثیر اخبار سیاست پولی قرار نمی گیرد و عدم وجود هر نوع کنترل بر روی بیت کوین را برجسته می کند.

با این وجود ، رفتار پویا ارزهای رمزنگاری شده عملاً مورد بررسی قرار نگرفته است و مطالعاتی که در مورد این موضوعات انجام شده است ، هنوز کمیاب است. این یکی از دلایل انتخاب تجزیه و تحلیل حافظه در بازار بیت کوین به عنوان موضوعی از استعلام ما است. ما برای شناسایی رابطه موجود بین بازار بیت کوین و بازارهای استاندارد مالی مهم در نظر می گیریم. به همین ترتیب ، برای آزمایش پویا برای الگوهای حافظه طولانی در طول زمان در سری بازگشت BTC-USD ، ما باید به اصطلاح FD4 را برای محاسبه دقیق نمایندگی خود شفابخش از سری زمانی (مالی) اعمال کنیم.

2 رویکرد FD4

در این بخش ، ما اصول اولیه را در مورد الگوریتم به اصطلاح FD4 ارائه می دهیم ، روشی که ابتدا در [47 ، بخش های 3 و 4] معرفی شده است تا به طور دقیق محاسبه کننده شفابخش بودن باشد.

Let q>0 ، م_q ( X ) = E[| X | q ] (provided that it exists), assume that X is a random process with stationary increments, and there exists H>0 به گونه ای که قانون قدرت بعدی در آن قرار دارد: (1) جایی که دامنه تجمعی دوره ، یعنی با. گفتنی است که Eq (1) با هر عملکرد تصادفی با افزایش خودآفین پارامتر H راضی است. یک شرط کافی که منجر به این نوع فرآیندهای تصادفی می شود ، مربوط به فرآیندهای خودی با افزایش ثابت است (C. F. [48 ، Lemma 3. 4]). متقابل نیز در مورد فرآیندهای تصادفی با افزایش خودآفین صادق است.

بگذارید Eq (1) به قدرت q افزایش یابد و دوره را تجزیه کند. بنابراین ، (2)

If we denote , then Eq (2) can be rewritten in the following terms: for all q>0 و. به این ترتیب ، q ans دامنه های تجمعی از دوره های متوالی x در طول عبارت زیر مرتبط هستند: (3)

از این رو ، اگر وسیله متغیرهای تصادفی درگیر در معادلات (3) وجود داشته باشد ، آنگاه آن را حفظ می کند ، یا به طور معادل آن ، (4) که بین لحظات متوالی سفارش q برای هر یک رابطه قوی ایجاد می کند. گزینه دیگر بازنویسی EQ (4) به شرح زیر است: (5)

بگذارید لگاریتم های 2 - پایه را در هر دو طرف Eq اعمال کنیم (5). سپس (6)

همچنین ، از Eq (4) ، آن را نگه می دارد (7)

رویکرد در Eq (6) برای اهداف محاسبه شاخص خودآگاهی به عنوان الگوریتم FD نامگذاری شده است. با این حال ، برای استفاده صحیح از الگوریتم FD ، تضمین وجود M ضروری است_سعدی( ایکس ). با این هدف ، الگوریتم FD4 با تنظیم Q = 0. 01 قرار دارد. به عبارت دیگر ، رویکرد FD4 الگوریتم FD برای q = 0. 01 است. خواننده ممکن است انتخاب چنین مقداری برای q را کمی مصنوعی پیدا کند. برای توجیه این امر ، ما می خواهیم خاطرنشان کنیم که هر Q ≠ 0 را می توان انتخاب کرد (در یک نگاه اول) برای محاسبه شاخص خودآگاهی فرآیندهای یکپارچه به شرط آنکه لحظه نمونه مربوطه وجود داشته باشد. برای حرکات پایدار لوی ، نمونه لحظه های m_سعدی( ایکس_حرف) may not exist for q>سعدی₀، بر خلاف آن برای حرکات (کسری) براونین اتفاق می افتد. به همین دلیل است که ما برای اهداف کاربرد FD4 q = 0. 01 مصرف می کنیم.

برای محاسبه شاخص شفابتی بودن از طریق FD4 ، می توانیم با یکی از دو روش زیر ادامه دهیم:

• از Eq (6) ، می توانیم H را با شیب یک خط رگرسیون با مقایسه N در مقابل log تعیین کنیم₂مگس_سعدی( ایکس_حرف). در واقع ، ضریب رگرسیون خطی نزدیک به 1 باعث می شود که Eq (5) مخفف چنین عملکرد تصادفی باشد.
• بگذارید EQ (7) را برای q = 0. 01 در نظر بگیریم. از این رو ، (8)

1. (من). EQ (8) را برای دو مقدار عالی N موجود اعمال کنید.
2. (ب). تمام مقادیر N را در نظر بگیرید و نسبت ها را برای همه جفت لحظه های متوالی محاسبه کنید.
3. (iii). برای یک سری زمانی (از قیمت ورود به سیستم) ، اجازه دهید آن را به 2 بلوک غیر همپوشانی با طول مساوی تقسیم کنیم. سپس
   1. محدوده ، r را محاسبه کنید_من، از هر بلوک ، یعنی اجازه دهید r_من= maxb_j : 1 ≤ j ≤ k>- minb_j : 1 ≤ j ≤ k>برای i = 1 ،… ، 2 n.
   2. محاسبه .

   مشاهده کنید که برای تعیین دامنه هر بلوک در بیان (III) (1) ، حداکثر و حداقل مقادیر هر دوره در نظر گرفته می شود. در سری های مالی ، چنین ارزشهایی معمولاً برای هر دوره تجارت شناخته می شوند. از این رو ، بیشترین مقدار N برابر با طول (سری) است ، بنابراین هر بلوک فقط یک عنصر را شامل می شود. با این حال ، دامنه آن عنصر (حداکثر منهای حداقل) هنوز هم قابل محاسبه است.

   شایان ذکر است که رویکرد FD که در این بخش شرح داده شده است ، به تعمیم الگوریتم های به اصطلاح ابعاد فراکتال (C. F. [49]) و رویکرد GM2 (C. F. [27 ، 48]) تبدیل می شود تا پارامتر فرآیندها را با ثابت و ثابت و ثابت کند. افزایش خودآفین (C. F. [47 ، قضیه 3. 1]). صحت رویکرد FD برای اهداف محاسبه ای از خود شناعیت برای حرکات پایدار لوی و حرکات (کسری) براون با طول سری از 2 تا 2 10 داده مورد بررسی قرار گرفت (C. F. [47 ، بخش 5]).

   3 کاوش در مورد نمایندگی خود شناعیت در سری BTC-USD

   در این بخش ، ما یک تکامل پویا از شاخص خودآگاهی خود را از بازده روزانه BTC-USD در طول زمان با رویکرد FD4 انجام خواهیم داد.

   داده های تجربی مورد استفاده در این مقاله را می توان در اصطلاحات زیر توضیح داد. بگذارید X (t) ورود به سیستم قیمت های روزانه سری BTC-USD در دوره ای از اواسط سال 2010 تا اوایل سال 2019 باشد. بنابراین ، طول چنین سریال زمانی برابر با تعداد روزهای معاملاتی در آن دوره است زیرا هر روز است. یک روز معاملاتی در مورد سری قیمت بیت کوین.

   در مرحله بعد ، ما دو فرضیه مورد نیاز برای افزایش سری BTC-USD را تأیید می کنیم تا به درستی الگوریتم FD4 را برای اهداف محاسبه شغلی خود استفاده کنیم ، یعنی اینکه چنین افزایشی ثابت و خودآموز است. با توجه به ثابت بودن مجموعه قیمت های بیت کوین (log) ما ، ما از آزمون ریشه واحد Dickey-Fuller تقویت شده برای یک فرضیه تهی متشکل از افزایش آن سری ثابت استفاده کرده ایم. مقدار p برابر با 0. 0 به دست آمد ، بنابراین در سطح معنی داری 0. 05 ، معتقد است که این افزایش ها ثابت هستند. از طرف دیگر ، ما به صورت تجربی تأیید کرده ایم که رابطه خطی در Eq (6) ظاهر شده است ، که توصیف رویکرد FD4 است. به این ترتیب ، ما ضریب همبستگی را برای بازده روزانه سری قیمت بیت کوین (ورود به سیستم) در دوره 2012 تا اوایل سال 2019 توسط یک پنجره کشویی با طول برابر با 512 روز و داده های همپوشانی محاسبه کرده ایم. FIG S1 تکامل پویا از ضریب همبستگی ورود به سیستم را نشان می دهد₂(م_سعدی( ایکس_حرف)) در مقابل ن. شکل S2 نشان می دهد که مقایسه برای آخرین بلوک 512 داده ، که عمدتاً رفتار کلی این سری را توصیف می کند (در این حالت ، مقدار ضریب همبستگی برابر با 0. 99998 است). سرانجام ، شکل S3 چنین مقایسه ای را برای بلوک 512 داده پایان یافته در اواسط ژوئن 2012 نشان می دهد. در آن مناسبت ، ضریب همبستگی برابر با 0. 988 است که از کمترین ضرایب همبستگی برای تمام دوره مورد تجزیه و تحلیل است. بنابراین ، الگوی خودآمدی سری بازگشت روزانه بیت کوین کاملاً قوی می شود و تنها این که الگوی خودآمدی در ابتدای سریال کمی آشفته می شد.

   تکامل قیمت های BTC-USD روزانه (log) در FIG S4 (A) در دوره ای از سال 2012 تا اوایل سال 2019 نشان داده شده است. علاوه بر این ، خط مداوم آبی در S4 (B) FIG یک نمایشگر شفابتی پویا BTC را نشان می دهد-USD SERIES با رویکرد FD4 برای یک پنجره کشویی 512 روز.

   لازم به ذکر است که داده های همپوشانی برای یک رویکرد پایدار تر به نمایندگی واقعی خود شفابخش سری BTC-USD با وجود نتایج مشابه با استفاده از داده های غیر همپوشانی در نظر گرفته شدند.

   توجه داشته باشید که S4 (c) FIG برجسته می کند که تمام نمایندگان خود شنیع سری BTC-USD در کل دوره مورد تجزیه و تحلیل بالاتر از 0. 5 ایستاده اند (خط مستقیم قرمز نشان دهنده آستانه تصادفی است) ، و نشان دهنده رفتار مداوم بازار بیت کوین در زمان است.

   با این حال ، آیا سری BTC-USD از سال 2012 تا اوایل سال 2019 به طور ناکارآمد رفتار می کند؟ما در اینجا باید این نکته را برجسته کنیم که یک نماینده خود شنیع متمایز از 0. 5 لزوماً به دلیل وابستگی به برد طولانی در این سری نیست بلکه به توزیع افزایش آن نیز می رسد (C. F. ، به عنوان مثال ، [27] برای جزئیات بیشتر). به همین ترتیب ، برای بررسی دلایل احتمالی چرا خود شفای سریال BTC-USD در کل دوره مورد تجزیه و تحلیل بالاتر از 0. 5 است ، ما به شرح زیر خواهیم بود.

   اجازه دهید H_حرفنمایانگر شفابخش بودن سریال BTC-USD SHUFFLED ، یعنی سریال تولید شده از BTC-USD با تنظیم تصادفی بازده های آن. به این ترتیب ، سری Schuffled فاقد حافظه بالقوه در سری اصلی BTC-USD است. در مرحله بعد ، ما نشانگر حافظه را به عنوان تفاوت بین نمایندگی خود شنیع سری واقعی BTC-USD و شاخص شفابخش بودن سری های تغییر یافته آن تعریف می کنیم ، یعنی بگذارید حافظه برابر با H-H باشد._حرفبشربه عبارت دیگر ، اگر هر دو H و H_حرفنزدیک بایستید ، سپس می توانیم استنباط کنیم که هیچ خاطره ای در این سریال وجود ندارد. بنابراین ، اگر نمای خود شوی بودن سری BTC-USD بیشتر از 0. 5 باشد ، می تواند تأثیر توزیع افزایش آن و نه حضور حافظه باشد. در این مقاله ، ما درک خواهیم کرد که بازار به طور مؤثر رفتار می کند به شرط آنکه داوری آماری با هدف دستیابی به مزیت بازار بر اساس اطلاعات ارائه شده توسط شاخص ها به عنوان حافظه مورد نظر در این کار انجام شود.

   S4 (B) FIG تکامل پویا از هر دو شاخص شفابتی بودن سری BTC-USD (خط مداوم آبی) و سری تغییر یافته آن (خط سیاه نقطه) را نشان می دهد. مأمورین شفابخش بودن از طریق رویکرد FD4 (q = 0. 01) توسط یک پنجره کشویی با اندازه برابر با 512 روز با داده های همپوشانی محاسبه شده است.

   علاوه بر این ، S4 (c) FIG تکامل پویا از نشانگر حافظه (که توسط یک خط مداوم آبی به تصویر کشیده شده است) نشان می دهد. توجه کنید که خط مستقیم قرمز در ارتفاع 0 به معنای عدم حافظه در این سری است. ما از شبیه سازی Montecarlo استفاده کردیم ، به طور تصادفی بازده سری 512 روز گذشته را برای هر هفته برای به دست آوردن توزیع H به دست آوردیم_حرفبشربه این ترتیب ، ما برای هر هفته فواصل اطمینان (در سطح اطمینان 90 ٪) را بدست می آوریم ، که در S4 (C) شکل (خطوط مداوم سیاه) به تصویر کشیده شده است. بنابراین ، هنگامی که H از فواصل اطمینان خارج است ، می توان نتیجه گرفت که پایداری (اگر H بالاتر از فواصل باشد) یا ضد حساسیت (اگر H زیر فواصل زمانی ظاهر شود) در چنین سطح اطمینان وجود دارد.

   تجزیه و تحلیل های مشابه با محاسبه نمایندگان شفابخش بودن سریال از طریق روش FD4 برای اندازه های مجزا از پنجره های کشویی انجام شده است. اول از همه ، شایان ذکر است که اندازه های پایین تر برای پنجره های کشویی منجر به نمایندگی های شفابخش کمتر دقیق توسط FD4 می شود. این به همین دلیل است که ما در ابتدا یک پنجره کشویی 512 روزه را برای محاسبه دقیق نمایندگان شفابتی در سری BTC-USD از طریق الگوریتم FD4 انتخاب کردیم. علاوه بر این ، اندازه های بیشتری از پنجره های کشویی باعث تکامل پایدار آن مقدار در طول زمان می شود. به دنبال پنجره های کشویی فوق با اندازه های برابر با 64 ، 128 ، 256 و 1024 روز در نظر گرفته شد. نتایج به دست آمده مشابه نتایج به دست آمده برای مورد یک پنجره کشویی 512 روزه (C. F. S5 ، S6 ، S7 و S8 FIG) یافت شد.

   گزینه دیگر شامل محاسبه نمایندگی های خود شنیع سری BTC-USD با استفاده از الگوریتم FD برای سایر مقادیر Q متمایز از 0. 01 است. به این ترتیب ، مشاهده کنید که هرچه مقدار q بیشتر باشد ، نمای خود شنیع مربوط به آن ، H (q) پایین تر است. برای اهداف تصویر ، هر دو شکل S9 و S10 نتایج به دست آمده برای Q = 1 و Q = 2 را از طریق الگوریتم FD با کشویی پنجره ها با اندازه های برابر با 512 روز نشان می دهند. نتایج مشابه نتایج ارائه شده توسط رویکرد FD4 (01/0 = Q) بود. با این حال ، در مورد Q = 2 (C. F. S10 FIG) همیشه بالاتر از 0. 5 نمی ایستند.

   در نتیجه ، ما به دست آوردیم که نمایندگی خود شنیع سری BTC-USD (ورود به سیستم) بالاتر از 0. 5 است. با این حال ، این به دلیل وجود حافظه قابل توجه در این سری نیست بلکه به توزیع اساسی آن است. در حقیقت ، معتقد است که نمایندگی خودآگاهی از سری قیمت های BTC-USD مشابه یا پایین تر از شاخص خودآگاهی یک سری تصادفی با همان توزیع است ، با چندین دوره با حافظه ضد تحمل قابل توجه در سری قیمت BTC-USD.

   سرانجام ، ما همچنین در دوره زمانی مشابه ، تکامل پویا از نمایندگی خود شنی بودن سری واقعی S & P500 را بررسی کرده ایم. برای مقابله با آن ، رویکرد FD4 برای q = 0. 01 با کشویی پنجره ها با اندازه های برابر با 256 و 512 روز به ترتیب اعمال شده است. نتایج به دست آمده (C. F. هر دو شکل S11 و S12) کاملاً شبیه به نتایج به دست آمده با تجزیه و تحلیل تکامل نشانگر حافظه در سری BTC-USD (با استفاده از اندازه های مختلف پنجره های کشویی) است. به طور خاص ، ما دریافتیم که نمایندگی خود شنیع سری S& P500 (در قالب ورود به سیستم) در کل دوره مورد تجزیه و تحلیل بیشتر از 0. 5 است. اما این به دلیل وجود حافظه قابل توجه در این سری نیست بلکه به توزیع اساسی آن است. به این ترتیب ، نتیجه می گیریم که چندین دوره با حافظه ضد تحمل قابل توجه در سری قیمت های S& P500 وجود دارد.

   4. نتیجه گیری

   در این مقاله ، ما از اواسط سال 2010 تا اوایل سال 2019 کارایی (in) بازار Continuum Bitcoin (BTC-USD) را مورد بررسی قرار داده ایم.(ورود به سیستم) قیمت ها از طریق روش FD4 توسط یک پنجره کشویی 512 روزه با داده های همپوشانی. ما می خواهیم برجسته کنیم که ما هیچ مدل خاصی را با توجه به توزیع اساسی سری BTC-USD (به ترتیب ، S & p500) فراتر از دو فرضیه ای که برای استفاده صحیح از الگوریتم FD تأیید شده اند ، فرض نمی کنیم. مشخص شد که در کل دوره مورد تجزیه و تحلیل ، نماینده خود شناعیت از بازار BTC-USD بالاتر از 0. 5 است. این شواهد تجربی در مورد رفتار مداوم آن سریال را ارائه می دهد.

   برخی از دلایل چنین پایداری مورد بررسی قرار گرفته است. برای مقابله با آن ، نشانگر حافظه به عنوان تفاوت بین نمایندگی خود شنیع سری BTC-USD و شاخص شفابتی بودن سری های تغییر یافته آن ، یعنی سری به دست آمده با تنظیم تصادفی بازده اصلی BTC- تعریف شده است. سری USD.

   تجزیه و تحلیل های مشابه برای کشف تکامل پویا از نمایندگان خود شنیع سری BTC-USD از طریق رویکرد FD4 با کشویی پنجره ها با اندازه های برابر با 64 ، 128 ، 256 و 1024 روز انجام شده است. نتایج به دست آمده کاملاً شبیه به مورد یک پنجره کشویی 512 روزه بود. علاوه بر این ، تمام محاسبات نیز توسط الگوریتم FD برای مقادیر Q برابر با پنجره های کشویی 1 و 2 و 512 روز نیز تهیه شده است. ما مشاهده می کنیم که هرچه مقدار q بیشتر باشد ، نسبت به خود شناعیت مربوط به آن ، H (q) پایین تر باشد ، و از این رو ، نمایندگان شفابتی بودن هر دو سری BTC-USD و سریال های تغییر یافته آن همیشه بالاتر از 0. 5 نیستند.

   نتیجه می گیریم که نمای خود شفابخش سری BTC-USD (LOG) قیمت از 0. 5 متمایز است. با این حال ، این به دلیل وجود حافظه قابل توجه در این سری نیست بلکه به توزیع اساسی آن است. در حقیقت ، معتقد است که نمایندگی خودآگاهی از سری BTC-USD مشابه یا پایین تر از شاخص خودآگاهی یک سری تصادفی با همان توزیع است و چندین دوره با حافظه ضد تحمل قابل توجه در سری BTC-USD وجود دارد.

   سرانجام ، ما نتایج به دست آمده برای سری BTC-USD را با توجه به موارد از شاخص واقعی S& P500 در مدت مشابه ، از اواسط سال 2010 تا اوایل سال 2019 مقایسه کرده ایم. با این هدف ، رویکرد FD4 برای q = 0. 01 توسط ویندوز کشویی اعمال شده استبا اندازه های برابر با 256 و 512 روز. نتایج به دست آمده کاملاً شبیه به نتایج به دست آمده با تجزیه و تحلیل تکامل نشانگر حافظه در سری BTC-USD (با اندازه های مختلف پنجره های کشویی) بود. به طور خاص ، ما دریافتیم که نمایندگی خود شنیع سری S& P500 (در قالب ورود به سیستم) در کل دوره مورد تجزیه و تحلیل بیشتر از 0. 5 است. اما این به دلیل وجود حافظه قابل توجه در این سری نیست بلکه به توزیع اساسی آن است. به این ترتیب ، نتیجه می گیریم که چندین دوره با حافظه ضد تحمل قابل توجه در سری قیمت های S& P500 وجود دارد.