این مطالعه با هدف بررسی مسئله مدل سازی نوسانات رمزنگاری و پیش بینی بر اساس داده های با فرکانس بالا انجام شده است. به طور خاص ، این مطالعه ارزیابی می کند که آیا دوره های بحران ، به ویژه بیماری همه گیر بیماری کروناویروس ، بر پویایی نوآوری رمزنگاری تأثیر می گذارد. ما چهار بازار اصلی رمزنگاری (بیت کوین ، اتریوم کلاسیک ، اتریوم و ریپل) را از آوریل 2018 تا ژوئن 2020 بررسی می کنیم. اندازه گیری نوسانات تحقق یافته به اجزای مختلف محاسبه و تجزیه می شود (مداوم در مقابل نیمه ناپیوسته ، مثبت و منفی نیمه متغیر و امضا شدهپرش)انواع مدل های خودگردان ناهمگن (HAR) از جمله این مؤلفه ها تهیه شده اند ، در نتیجه ارزیابی فرضیات مختلف (از جمله پایداری و پویا نامتقارن) مدل سازی و پیش بینی نوسانات را بر اساس استراتژی های پیش بینی در نمونه و خارج از نمونه امکان پذیر می کنند. نتایج ما سه یافته اصلی را نشان می دهد. اول ، به نظر می رسد مدل HAR گسترده که شامل پرش های مثبت و منفی است ، بهترین مدل برای پیش بینی نوسانات آینده برای دوره های بحران و غیر بحران است. دوم ، در دوره بحران ، فقط مؤلفه پرش منفی از نظر آماری معنی دار است. سوم ، از نظر پیش بینی نوسانات ، نتایج نشان می دهد که مدل HAR گسترده که شامل نیمه متغیرهای مثبت و منفی است از سایر مدل ها بهتر است.
روی نسخه خطی کار می کنید؟
معرفی
بازار cryptocurrency در بین رسانه ها ، سیاستگذاران ، سرمایه گذاران ، دانشگاهیان و تنظیم کننده ها ، به ویژه از آنجا که "حباب" که در سال 2017 تجربه کرده است ، به خود جلب کرده است. این بازار همچنین منبع انتقاد و بحث در مورد حقایق خاص سبک آن بوده است ، که به طور قابل توجهی پس از متناقض احیا شده استمواضع برنده های نوبل محبوب جوزف استیگلیتز و رابرت شیلر. اولی اظهار داشت که بیت کوین باید غیرقانونی باشد در حالی که دومی تأکید می کند که علاقه سرمایه گذار به بازار رمزنگاری به دلیل هزینه ضد دولتی و ضد تنظیم آن بوده است. از دیدگاه دانشگاهی ، بحث بزرگی در مورد اینکه آیا رمزنگاری ممکن است یک ارز یا دارایی در نظر گرفته شود (Yuneline ، 2019 ؛ White et al. ، 2020 ؛ در میان دیگران) به عنوان قیمت ها از سال 2017 افزایش چشمگیر نشان داده شده است ، همراه با بالانوسان. به عنوان مثال ، قیمت بیت کوین قبل از فوریه 2017 زیر 1000 دلار باقی مانده است. با این حال ، در دسامبر سال 2017 به 20،000 دلار رسید ، پس از آن در فوریه 2018 به حدود 8000 دلار کاهش یافت. در ماه مه 2018 دوباره افزایش یافت تا به 13،000 دلار برسد و در دسامبر 2018 به سرعت در حدود 3000 دلار سقوط کرد. در طول سال 2019 ، قیمت بیت کوین به طور متوسط در حدود 7000 دلار بود. از سال 2020 و در طول بیماری کرونوویروس (COVID-19) همه گیر ، نشانه دیگری از حباب قیمت در بازار بیت کوین مشاهده شده است ، زیرا قیمت ها در دسامبر سال 2020 حدود 24000 دلار (بالاترین زمان از معرفی آن) بوده است.
این افزایش قیمت بیت کوین، که در طول همه گیری کووید-19 مشاهده شد، با حجم قابل توجهی از ادبیات تحقیق در مورد اینکه آیا ارزهای رمزنگاری شده، به ویژه بیت کوین، ممکن است به عنوان پناهگاهی در طول دوره ای از آشفتگی، مانند بحران بهداشتی مداوم عمل کند، همراه شده است (Huynh). و همکاران، 2020؛ پائول-ویانز و همکاران، 2020؛ تامپانیا و همکاران، 2020؛ منیف و همکاران، 2020؛ مدنی و همکاران، 2021، در میان دیگران). در این زمینه، تجزیه و تحلیل و ارائه بینش‌های بیشتر از نظر مدل‌سازی نوسانات و پیش‌بینی بازار ارزهای دیجیتال، به‌ویژه در دوره‌های بحرانی مانند همه‌گیری کووید-۱۹، ممکن است مهم باشد، که به سرمایه‌گذاران و تامین‌کنندگان اجازه می‌دهد تا ریسک‌ها را از طریق تنوع پرتفوی به حداقل برسانند و پوشش پوششی مناسب را توسعه دهند. با اصلاح پیش‌بینی نوسان قیمت دارایی برای ارزیابی ریسک، به سیاستگذاران در تدوین سیاست‌های نظارتی کمک می‌کند. هدف این مطالعه کمک به ادبیات مدل‌سازی و پیش‌بینی نوسانات بازار ارزهای دیجیتال، به‌ویژه در دوره‌های بحرانی است.
ادبیات تجربی مربوط به مدل‌سازی و پیش‌بینی نوسانات ارزهای دیجیتال فراوان است، با رشته‌ای از ادبیات که از مدل‌های سری زمانی کلاسیک، به ویژه خانواده مدل‌های ناهمسانی شرطی خودبازگشتی تعمیم‌یافته (GARCH) استفاده می‌کنند. در این ادبیات، برخی از مطالعات مدل‌سازی نوسانات ارزهای دیجیتال را بر اساس استراتژی پیش‌بینی درون نمونه‌ای بررسی کردند (بالسیلار و همکاران، 2017؛ چارلز و دارنه 2019؛ چیخ و همکاران، 2020؛ چو و همکاران، 2017؛ کنراد و همکاران..، 2018؛ Dyhrberg، 2016؛ Huynh و همکاران، 2020؛ Katsiampa، 2017؛ Naimy & Hayek، 2018؛ Pichl & Kaizoji، 2017؛ Gyamerah، 2019؛ Tiwari و همکاران، برخی از دیگران، 201 ارزیابی شده اند. پیش‌بینی بر اساس استراتژی خارج از نمونه برای یک افق پیش‌بینی خاص (بیزرا و آلبوکرک، 2017؛ کاتانی و همکاران، 2019؛ نایمی و هایک، 2018؛ پنگ و همکاران، 2018؛ شیائو و سان، 2020، در میان دیگران). این مجموعه از مدل‌های سری زمانی مرسوم مانند مدل‌های خانواده GARCH استفاده می‌کند که اخیراً با توجه به نقاط دورافتاده که بازارهای ارزهای دیجیتال را مشخص می‌کنند، گسترش یافته‌اند (آسلان و سنسوی، 2020؛ چارلز و دارنه، 2019؛ کاتانی و همکاران، 2019؛ تروسیوس، 2019،درمیان دیگران). زیرمجموعه دوم ادبیات شامل رویکردهایی است که از تحقیقات عملیاتی الهام گرفته شده است، مانند شبکه های عصبی (Adcock & Gradojevic, 2019; Jay et al., 2020؛ در میان دیگران)، یادگیری ماشین و یادگیری عمیق (Lahmiri & Bekiros, 2019; Patel et al. همکاران، 2020؛ آکییلدیریم و همکاران، 2020، 2021؛ سنسوی، 2019؛ از جمله).
رشته جدیدی از ادبیات نقش داده های فرکانس بالا (HFD) را در بهبود مدل سازی و پیش بینی نوسانات برجسته می کند (Bollerslev و همکاران، 2020؛ Patton & Sheppard، 2015). قابل ذکر است که استفاده از HFD دارای چندین مزیت است. اول، با این نوع داده ها، ممکن است از یک معیار مشاهده شده برای نوسانات استفاده کنیم و نه یک پروکسی، که ممکن است خطاهای اندازه گیری را کاهش دهد. دوم، HFD اطلاعات مفیدتری برای پیش‌بینی نوسانات دارایی‌های مالی ارائه می‌دهد. سوم، HFD مزیت جداسازی اجزای پیوسته و ناپیوسته نوسانات را فراهم می‌کند، که ممکن است پیش‌بینی‌ها را بهبود بخشد. چهارم، تمایز بین بازده مثبت و منفی و همچنین استفاده از تمام اطلاعات امضا شده به ما امکان می دهد تا اثر اهرمی را در نظر بگیریم که ممکن است پیش بینی نوسانات را بهبود بخشد. تا آنجا که می دانیم، تنها چند مطالعه از HFD برای مدل سازی و پیش بینی نوسانات ارزهای دیجیتال استفاده کرده اند. پنگ و همکاران(2018) از داده های روزانه و ساعتی برای پیش بینی نوسانات سه ارز دیجیتال (بیت کوین، اتریوم، دش) و سه ارز (یورو، پوند انگلیس و ین ژاپن به دلار آمریکا) بر اساس مدل های سنتی خانواده GARCH و ترکیبی ازمدل سنتی GARCH و رویکرد یادگیری ماشین برای تخمین نوساناتنتایج آنها به نفع مدل رگرسیون بردار پشتیبان-GARCH است. مدل خودرگرسیون ناهمگن (HAR) پیشنهاد شده توسط کورسی (2009) توسط هو و همکاران به کار گرفته شد.(2019) برای مدل سازی و پیش بینی نوسانات بیت کوین با استفاده از HFD. نویسندگان قدرت پیش‌بینی مولفه‌های مختلف نوسانات تحقق‌یافته (RV) را ارزیابی کردند و نشان دادند که RV آینده با ریسک نزولی رابطه مثبت و با جهش مثبت رابطه منفی دارد. آنها همچنین نشان دادند که پرش ها و جهش های علامت دار، پیش بینی نوسانات را فقط در افق های بلند بهبود می بخشد. یو (2019) از HFD برای پیش بینی نوسانات بیت کوین با در نظر گرفتن اثرات اهرمی و عدم اطمینان سیاست اقتصادی (EPU) استفاده کرد. مشخص شد که اثر اهرمی ممکن است به طور قابل توجهی بر نوسانات آتی تأثیر بگذارد. با این حال، به نظر می رسد جهش ها و EPU بر نوسانات آتی در طول دوره درون نمونه تأثیری نداشته باشد. استراتژی خارج از نمونه برتری مدل اثر اهرمی را در مقایسه با مدل شامل پرش ها تایید می کند. شن و همکاران(2020) مدل نوسانات بیت کوین را با استفاده از مدل های HFD و HAR مختلف بررسی کرد. نتایج به نفع شامل مولفه های پرش برای پیش بینی نوسانات بیت کوین است.
مطالعه ما به این آخرین زیرمجموعه ادبیات مربوط می‌شود که از HFD برای مدل‌سازی و پیش‌بینی نوسانات بازارهای ارزهای دیجیتال استفاده می‌کند. پی‌نوشت 1 جالب‌تر اینکه، هدف ما این است که حداقل از سه جنبه به ادبیات مدل‌سازی و پیش‌بینی نوسانات ارزهای دیجیتال با HFD کمک کنیم. اول، تا آنجا که می دانیم، مطالعه ما اولین مطالعه ای است که تأثیر بحران COVID-19 را بر پویایی مدل سازی و پیش بینی نوسانات در مقایسه با دوره قبل از COVID-19 با استفاده از HFD ارزیابی می کند. موضوع زیربنایی مربوط به مطالعات در مورد نوسانات بد و خوب توسط پاتون و شپرد (2015) و بولرسلوف و همکاران بود.(2020)، همانطور که در دوره های آشفتگی، بازده های منفی نسبتاً بیشتر از بازده های مثبت است. ما ارزیابی می‌کنیم که آیا اطلاعات امضا شده (نیمه واریانس‌های مثبت و منفی و جهش‌های امضا شده) ممکن است در طول دوره‌های بحران در بهبود مدل‌سازی و پیش‌بینی نوسانات بازار ارزهای دیجیتال مفید باشد. دوم، برخلاف آثار اصلی ذکر شده در مورد HFD، مطالعه ما چهار بازار اصلی ارزهای دیجیتال - بیت کوین، اتریوم (ETH)، اتریوم کلاسیک (ETC) و ریپل (XRP) را بررسی می‌کند که 79 درصد از سرمایه ارزهای دیجیتال را دارند. سوم، مطالعه ما بینش‌هایی را برای مدل‌سازی و پیش‌بینی نوسانات ارزهای دیجیتال با استفاده از استراتژی‌های پیش‌بینی درون نمونه و خارج از نمونه ایجاد می‌کند.
ما از HFD نمونه برداری شده هر پنج دقیقه از پانوشت 2 برای چهار بازار ارزهای دیجیتال در بازه زمانی آوریل 2018 تا ژوئن 2020 استفاده می کنیم. این دوره به ما امکان می دهد تأثیر موج اول COVID-19 را ارزیابی کنیم. ما RV را به بخش‌های پیوسته و ناپیوسته و متعاقباً به نیمه واریانس مثبت و منفی تجزیه می‌کنیم تا پویایی نامتقارن بالقوه در مدل‌سازی و پیش‌بینی نوسانات را ارزیابی کنیم. علاوه بر این، ما پرش امضا شده را بر اساس اطلاعات امضا شده (بازده مثبت و منفی) محاسبه می کنیم. این اجزا در پنج مدل کاندید الهام گرفته شده از مدل HAR کورسی (2009) گنجانده شده اند. نتایج مدل‌سازی نوسانات ارزهای دیجیتال نشان می‌دهد که RV آینده برای همه بازارهای مورد مطالعه، صرف نظر از دوره تحلیل، با مدل HAR بهتر توضیح داده می‌شود و با جهش‌های مثبت و منفی گسترش می‌یابد. نتایج ما در طول دوره بحران COVID-19 نشان می‌دهد که RV آینده بازارهای مورد مطالعه فقط به جهش‌های منفی حساس است. استراتژی پیش‌بینی خارج از نمونه نشان می‌دهد که بهترین مدل مناسب برای نوسانات ارزهای دیجیتال، مدلی است که شامل نیمه‌واریانس‌های مثبت و منفی است که پویایی نامتقارن بازارهای ارزهای دیجیتال را در دوره‌های بحران برجسته می‌کند.
مطالعه ما به چندین روش به ادبیات کمک می کند. ابتدا، ما بینش‌های جدیدی را برای مدل‌سازی و پیش‌بینی نوسانات ارزهای دیجیتال با استفاده از داده‌های فرکانس بالا و با کنترل انواع مختلف نوسانات (پیوسته، پرش، پرش مثبت، جهش منفی و غیره) پیشنهاد می‌کنیم. دوم، ما در نظر می گیریم که در طول دوره بحران، تنها نوسانات بد، پویایی نوسانات آینده را هدایت می کند. سوم، مطالعه ما پیشگام شواهد تجربی است که از حساسیت سرمایه گذاران به اخبار بد در طول دوره آشفتگی حمایت می کند.
ادامه این مقاله به شرح زیر سازماندهی شده است. بخش 2 روش شناسی تجربی را ارائه می کند. بخش 3 داده ها و آمار توصیفی را ارائه می کند. بخش 4 چارچوب تجربی را شرح می دهد و نتایج را مورد بحث قرار می دهد. بخش 5 مقاله را به پایان می رساند.
روش شناسی تجربی
در این بخش، روش مورد استفاده در مطالعه خود را برای شناسایی بهترین مدل مناسب برای پیش‌بینی نوسانات بازار ارزهای دیجیتال ارائه می‌کنیم. به طور خاص، قبل از بحث در مورد مدل‌های کاندید، مؤلفه‌های مختلف آنها (تجزیه اندازه‌گیری RV به مؤلفه‌های پیوسته و ناپیوسته، تجزیه واریانس به نیمه‌واریانس‌های مثبت و منفی، و تجزیه بین پرش‌های مثبت و منفی) را ارائه می‌کنیم. متعاقباً، مدل‌های رقیب را برای پیش‌بینی نوسانات بازار ارزهای دیجیتال ارائه می‌کنیم. در نهایت، ما استراتژی پیش‌بینی مورد استفاده برای تفکیک این مدل‌ها را ارائه می‌کنیم.
اندازه گیری نوسانات روزانه
تجزیه RV به اجزای پیوسته و ناپیوسته
تجزیه RV به اجزای پیوسته و پرش بر اساس تشخیص پرش است که آزمایش‌های مختلفی برای آن در ادبیات ارائه شده است. در این مطالعه از روش شناسایی پرش اندرسن و همکاران استفاده می کنیم.(2007).
به طور رسمی، تجزیه نوسانات مرتبط بین اجزای پیوسته و جهشی بر اساس مفهوم تنوع دو توان (\(BV\)) است که توسط Barndorff-Nielsen و Shephard (2004) معرفی شده و به شرح زیر تعریف شده است:
از نظر تئوری، برآوردگر ثابت سهم پرش \((J)\) در فرآیند تغییرات درجه دوم بر اساس تفاوت بین \(RV\) و \(BV\) تعریف می شود. به طور رسمی، پرش به صورت زیر تعریف می شود:
برای شناسایی جهش‌های استاتیکی معنی‌دار، از آمار \(Z\) پیشنهاد شده توسط Huang و Tauchen (2005) استفاده می‌کنیم که با استفاده از کوارتیسیته سه توان واقعی (TQ) پرش قوی انجام می‌شود.
