اثرات حرکت در بازار رمزنگاری پس از بازده غیر طبیعی یک روزه

در این مقاله بررسی شده است که آیا بعد از بازده غیر طبیعی یک روزه در بازار رمزنگاری ، اثر شتاب آور وجود دارد. برای این منظور ، تعدادی از فرضیه های مورد علاقه برای نرخ ارز بیت کوین ، اتریوم و Litecoin در مقابل دلار آمریکا در طی دوره 01. 01. 2015-01. 09. 2019 آزمایش می شوند ، به طور خاص: (H1) Intradayرفتار بازده ساعتی در روزهای غیر طبیعی در مقایسه با روزهای عادی متفاوت است.(H2) در روزهای دارای بازده غیر طبیعی و (H3) پس از بازده غیر طبیعی یک روزه تأثیر حرکت دارد. روشهای مورد استفاده برای تجزیه و تحلیل شامل روشهای مختلف آماری و همچنین رویکرد شبیه سازی معاملات است. نتایج حاکی از آن است که بازده ساعتی در طول روز بازده غیر طبیعی مثبت/منفی به طور قابل توجهی بالاتر/پایین تر از نتایج در طول متوسط روز مثبت/منفی است. وجود بازده غیر طبیعی معمولاً قبل از پایان روز با برآورد پارامترهای زمان بندی خاص قابل تشخیص است. قیمت ها تمایل دارند تا پایان روز هنگام وقوع ، در جهت بازده های غیر طبیعی حرکت کنند ، این بدان معنی است که وجود یک اثر شتاب در آن روز باعث ایجاد فرصت های سودآور سود می شود. این اثر (همراه با فرصت های سود) نیز در روز بعد مشاهده می شود. در دو مورد (بازده غیر طبیعی مثبت BTCUSD و بازده غیر طبیعی منفی ETHUSD) ، در عوض یک اثر متضاد تشخیص داده می شود.

روی نسخه خطی کار می کنید؟

مقدمه

به خوبی شناخته شده است که فرضیه بازار کارآمد (EMH) با وجود بازده غیر طبیعی ، یعنی دم چربی در توزیع قیمت مغایر است. با این حال ، مطالعات تجربی بیشماری شواهدی از به اصطلاح واکنشهای بازار را گزارش کرده اند. De Bondt و Thaler (1985) فرضیه بیش از حد واکنش را برای توصیف الگوهای قیمت ناشی از تغییرات قیمت غیر طبیعی تهیه کردند. ادبیات بعدی همچنین دلایل تغییر قیمت غیر طبیعی را مورد تجزیه و تحلیل قرار داده است (گریفین و Tversky 1992 ؛ Aiyagari and Gertler 1999 ؛ Madura and Richie 2004 ؛ Mynhardt and Plastun 2013). الگوهای قیمت (کاتلر و همکاران 1991 ؛ فری و مین 1996) ؛استراتژی های معاملاتی بر اساس بیش از حد واکنش (Jegadeesh and Titman 1993 ؛ Caporale and Plastun 2019) ؛تأثیر بیش از حد قیمت در شرکت کنندگان در بازار (Savor 2012) ، و غیره. طبق فرضیه بیش از حد واکنش ، باید پس از تغییر قیمت غیر طبیعی و بیشتر مطالعات تجربی ، معکوس های قیمت وجود داشته باشد (De Bondt and Thaler 1985 ؛ Jegadeesh and Titman 1993 ؛ Ferri and Min 1996؛ Lobe and Rieks 2010 ؛ Mynhardt and Plastun 2013 ؛ Caporale et al. 2018) شواهدی از این معکوس ها ارائه داده اند. با این حال ، برخی از مقالات به جای آن اثرات حرکت را تشخیص می دهند (کاکس و پترسون 1994).

بازار cryptocurrency نشان دهنده یک مورد بسیار جالب است که نسبتاً جدید ، نسبتاً ناشناخته و در عین حال در برابر بازده های غیر طبیعی بسیار آسیب پذیر است ، با توجه به نوسانات بالای آن نسبت به بازارهای فارکس ، سهام و کالاها و غیره (Cheung et al. 2015 ؛ Aalborg etAl. 2019 ؛ Caporale and Plastun 2019). تعدادی از مطالعات اخیر باعث تجزیه و تحلیل اثرات و متناقض در این بازار می شوند (Caporale and Plastun 2019 ؛ Kosc et al. 2019 ؛ Panagiotis et al. 2019 ؛ Qing et al. 2019 ؛ Yukun and Tsyvinski 2019) و نتایج مختلط را بدست می آورند.

مقاله حاضر تجزیه و تحلیل Caporale و Plastun (2019) را با بررسی اینکه آیا بعد از بازده غیر طبیعی یک روزه در بازار رمزنگاری وجود دارد ، تأثیر حرکت دارد. برای این منظور ، تعدادی از فرضیه های مورد علاقه برای نرخ ارز بیت کوین ، اتریوم و Litecoin در مقابل دلار آمریکا در طی دوره 01. 01. 2015-01. 09. 2019 آزمایش می شوند ، به طور خاص: (H1) Intradayرفتار بازده ساعتی در روزهای بازده غیر طبیعی در مقایسه با روزهای عادی متفاوت است.(H2) تأثیر حرکت در روزهای بازگشت غیر طبیعی و (H3) پس از بازده غیر طبیعی یک روزه وجود دارد. روشهای مورد استفاده برای تجزیه و تحلیل شامل تست های آماری و بازده غیر طبیعی تجمعی و رویکردهای شبیه سازی معاملات است.

نتایج حاکی از وجود اثر حرکت قوی در روزهایی است که دارای تغییرات غیر طبیعی قیمت و روز بعد هستند. با مشخص کردن پارامترهای زمان بندی برای این تأثیرات ، می توان استراتژی های معاملاتی سودآور را بر اساس ناهنجاری های شناسایی شده طراحی کرد. حضور آنها در یک بازار که معمولاً یکی از کارآمدترین آنها محسوب می شود ، یک یافته بسیار جالب است. تحقیقات آینده می تواند همین موضوع را در بازارهای دیگر مانند بازارهای سهام ، بازارهای فارکس و کالاها بررسی کند.

یافته های ما برای هر دو دانشگاهی که علاقه مند به اعتبار فرضیه بازار کارآمد (EMH) و پزشکان (معامله گران ، سرمایه گذاران ، تحلیلگران مالی و غیره) هستند با هدف طراحی استراتژی های تجاری سودآور بر اساس وجود احتمالی اثرات حرکت ، زمان بندی مرتبط هستند. بازده غیر طبیعی و مدت زمان ناهنجاری.

باقیمانده مقاله به شرح زیر سازماندهی شده است: بخش 2 ادبیات مربوطه را بررسی می کند. 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

مطالعه منی در مورد بیش از حد در بازار توسط De Bondt و Thaler (1985) نشان داد که بهترین (بدترین) اوراق بهادار در NYSE طی یک دوره 3 ساله تمایل به زیر (بیش از) در طی دوره 3 ساله بعد ، که نتیجه آن بوددر انحراف قابل توجه قیمت دارایی از ارزش های اساسی آنها و متعاقب آن اصلاح قیمت. یک مورد خاص از واکنش بیش از حد مربوط به رفتار قیمت پس از روزها با بازده غیر طبیعی (بازده مثبت و منفی بزرگ در آن روز) است.

بازده غیر طبیعی می تواند نتیجه اثرات گله باشد (گریفین و تورسکی 1992 ؛ مادورا و ریچی 2004) ، رفتار تجار "سر و صدا" (Aiyagari و Gertler 1999 ؛ Hong and Stein 1999) ، تله های مختلف شناختی و تعصبات مانند بیش از حد و سایر مواردالگوهای رفتاری (باربریس و همکاران 1998 ؛ دانیل و همکاران 1998) ، نقدینگی کم (جگادش و تیتمن 1993) ، اطلاعیه های کلان اقتصادی (Kocenda و Moravcová 2018) و استفاده از تجزیه و تحلیل فنی برای تصمیم گیری در مورد سرمایه گذاری (Duran and Caginalp 2007)واد

مطالعات بیشتر (جگادش و تیتمن 1993؛ فری و مین 1996؛ پوتشمن 2001؛ لوب و ریکس 2010) بازده غیرعادی را در بازارها، دارایی‌ها، دوره‌ها، فراوانی داده‌های مختلف تجزیه و تحلیل کردند و به نتایج مشابهی رسیدند، یعنی برگشت‌های قیمتی (پس از تغییرات غیرعادی قیمت) وجود دارد. برمر و سوینی 1991؛ کلر و توماس 1995؛ جیانتی و همکاران 2006؛ ماینهارت و پلاستون 2013؛ کاپوراله و همکاران 2018). معکوس شدن قیمت پس از بازده غیرعادی در بازارهای سهام مختلف مشاهده می شود: ایالات متحده آمریکا (براون و همکاران 1988؛ لارسون و مادورا 2003؛ کلمنتز و همکاران 2009)، ژاپنی (چانگ و همکاران 1995)، کانادایی (کریزانوفسکی و ژانگ 1992)، اوکراینی.(Mynhardt and Plastun 2013) و بسیاری دیگر. بازده غیرعادی و الگوهای قیمتی خاص نیز در بازارهای فارکس (Caporale et al. 2018)، گزینه (Poteshman 2001) و بازارهای کالا (Cutler et al. 1991) یافت شده است.

مقالاتی که بازده غیرعادی را بررسی می‌کنند را می‌توان به دسته‌های مختلفی تقسیم کرد: مقالاتی که دلایل تغییرات غیرعادی قیمت‌ها را بررسی می‌کنند (گریفین و تورسکی 1992؛ آیاگاری و گرتلر 1999؛ مادورا و ریچی 2004؛ مینهارت و پلاستون 2013). کسانی که بر تشخیص الگوهای قیمت تمرکز می کنند (کاتلر و همکاران 1991؛ فری و مین 1996). کسانی که اثرات بازده غیرعادی بر شرکت کنندگان بازار را بررسی می کنند (Savor 2012)، و کسانی که استراتژی های معاملاتی را بر اساس بازده غیرعادی تجزیه و تحلیل می کنند (جگادش و تیتمن 1993؛ کاپوراله و پلاستون 2019).

وان و کائو (2009) معاملات بر خلاف فارکس را بررسی کردند و شواهدی دال بر کارایی نرخ ارز GBPJPY یافتند. بازده غیرعادی یک روزه و الگوهایی که آنها ایجاد می کنند توسط پاریکاکیس و سیریوپولوس (2008) مورد بررسی قرار گرفت، که به این نتیجه رسیدند که یک استراتژی مخالف در فارکس سودآور است. براون و همکاران(1988) شواهدی مبنی بر یک اثر معکوس پس از حرکت های بزرگ قیمت در بازار سهام ایالات متحده یافت. فری و مین (1996) وجود یک اثر متضاد را در S& P 500 طی دوره 1962-1991 تأیید کردند. در مقابل، کاکس و پیترسون (1994) همبستگی منفی بین بازده غیرعادی در روز کاهش قیمت ها و سه روز بعد پیدا نکردند. اشنوسنبرگ و مادورا (2001) و لاسفر و همکاران.(2003) شواهدی از اثر حرکت ارائه کرد. ساور (2012) و گویندرج و همکاران.(2014) هر دو اثر را در بازار سهام ایالات متحده یافت. در کل، شواهد مختلط هستند که نشان دهنده تفاوت در مجموعه داده ها، روش شناسی و غیره است.

در مورد پیامدهای عملی الگوهای قیمت ناشی از بازده غیر طبیعی ، پریتامانی و تک (2001) نشان دادند که می توان از اطلاعات مربوط به تغییرات بزرگ قیمت برای طراحی استراتژی های معاملاتی سودآور استفاده کرد. Jegadeesh و Titman (1993) یک استراتژی معاملاتی متضاد را با فرکانس ماهانه تدوین کردند. آنها دریافتند که چنین استراتژی 12 ٪ سود در سال ایجاد می کند. یک استراتژی مشابه ، اما در یک فرکانس هفتگی ، توسط لمان (1990) تدوین شد و به همان اندازه سودآور بود. Baytas و Cakiki (1999) نشان دادند که پرتفوی های متضاد در افق های بلند مدت می توانند سود قابل توجهی کسب کنند. Caporale و همکاران.(2018) نشان داد که یک استراتژی مبتنی بر ضد حرکات پس از بازده غیر طبیعی یک روزه سود در بازارهای فارکس و کالاها ایجاد نمی کند ، اما در مورد بازار سهام ایالات متحده سودآور است. Parikakis و Siriopoulos (2008) الگوهای مربوط به نوسانات بیش از حد یک روزه برای ارزهای مختلف را مورد بررسی قرار دادند و دریافتند که یک استراتژی متضاد در فارکس سودآور است. کاکس و پترسون (1994) نتیجه گرفتند که یک استراتژی معاملاتی مبتنی بر بازده غیر طبیعی بازار سهام ، به ویژه در حضور هزینه های معاملاتی سودآور نیست.

در مورد بازار cryptocurrency نسبتاً جدید ، چندین مطالعه کارآیی آن را مورد تجزیه و تحلیل قرار داده اند (بارتوس 2015 ؛ Urquhart 2016) ، خواص حافظه بلند و ماندگاری (Bariviera 2017) ، وجود حباب های قیمت (کوربت و همکاران 2018) ، رقابت آن (Halaburda و Halaburda وگاندال 2014) ، شماره پیش بینی (Bouri و همکاران 2018 ؛ Caporale و همکاران 2019) و حضور ناهنجاری ها (Kurihara and Fukushima 2017 ؛ Caporale and Plastun 2018). با این حال ، مطالعات بسیار کمی در مورد بازده غیر طبیعی در بازار رمزنگاری وجود دارد. Chevapatrakul و Mascia (2019) با استفاده از مدل اتوگرافی کمی نشان داد که روزهایی که دارای بازده بسیار منفی هستند ، احتمالاً دوره هایی را که با بازده منفی و بازده مثبت هفتگی مشخص می شوند ، دنبال می شوند زیرا قیمت بیت کوین همچنان افزایش می یابد. Caporale و Plastun (2019) پس از بازده غیر طبیعی یک روزه ، شواهدی از الگوهای قیمت پیدا کردند ، یعنی تغییرات قیمت روز بعد در هر دو جهت بزرگتر از روزهای "عادی" است. آنها نشان دادند که یک استراتژی مبتنی بر اثر حرکت (به جای ضد حرکات) پس از بازده غیر طبیعی سودآور است.

کینگ و همکاران(2019) با استفاده از تجزیه و تحلیل DFA و MF-DFA یک اثر حرکت قوی در رفتار قیمت BTC و ETH و یک اثر برگشتی در قیمت‌های XRP و EOS پس از بازده غیرعادی پیدا کرد. Kosc و همکاران(2019) استراتژی های سرمایه گذاری در بازار ارزهای دیجیتال را بررسی کرد و تسلط واضح و قابل توجهی از اثر متضاد کوتاه مدت بر اثر حرکت را گزارش کرد. پاناگیوتیس و همکاران(2019) اثرات حرکتی را در بازار ارزهای دیجیتال شناسایی کرد. این موارد برای پرتفوی های کوتاه مدت بسیار مهم هستند اما در بلندمدت کمتر هستند. Yukun و Tsyvinski (2019) نیز یک اثر حرکت قوی در این بازار پیدا کردند.

به طور خلاصه، هیچ توافقی در ادبیات دانشگاهی در مورد وجود احتمالی اثرات حرکت پس از بازده غیرعادی یک روزه وجود ندارد. همچنین شواهدی در مورد رفتار قیمت در روزهایی که با بازده غیرعادی مشخص می‌شوند و اینکه آیا الگوهای قیمتی خاصی در آن روزها ظاهر می‌شوند یا نه وجود ندارد. برای پرداختن به این مسائل، فرضیه‌های زیر در این مقاله آزمایش خواهند شد: (H1) رفتار روزانه بازده ساعتی در روزهای غیرعادی در مقایسه با روزهای عادی متفاوت است.(H2) یک اثر حرکتی در روزهای با بازده غیر طبیعی و (H3) پس از بازده غیرعادی یک روزه وجود دارد. تجزیه و تحلیل برای بازار ارزهای دیجیتال با استفاده از روش‌های مختلفی که در زیر به تفصیل شرح داده شده است، انجام خواهد شد.

روش شناسی

نمونه ما شامل داده های روزانه و ساعتی برای ارزهای دیجیتال زیر است: بیت کوین، اتریوم و لایت کوین. ما بیت‌کوین، اتریوم و لایت‌کوین را انتخاب می‌کنیم زیرا آن‌ها ارزهای دیجیتال با بالاترین ارزش بازار و طولانی‌ترین افق زمانی هستند، همانطور که توسط داده‌های CoinMarketCap که در 8 اکتبر 2019 مشاهده شد نشان داده شده است. ما نرخ مبادله آنها را در مقابل دلار آمریکا تجزیه و تحلیل می‌کنیم:BTCUSD، ETHUSD و LTCUSD. دوره نمونه 01. 01. 2015–01. 09. 2019 است و منابع داده CoinMarketCap (https://coinmarketcap. com/coins/)، Gemini (https://gemini. com/) و Bitstamp (https://www.. bitstamp. net). اینها صرافی ها و پلتفرم های معاملاتی پیشرو در بازار ارزهای دیجیتال هستند. به عنوان مثال، CoinMarketCap قیمت ها را به عنوان میانگین وزنی حجمی تمام قیمت های گزارش شده برای هر بازار محاسبه می کند. در نتیجه، قیمت بیت کوین میانگین قیمت های 400 بازار است.

مسئله اصلی تعریف بازده غیر طبیعی است. دو رویکرد مختلف وجود دارد: ماشه پویا ، که بر اساس مقادیر نسبی (معمولاً تعداد انحرافات استاندارد اضافه شده به میانگین) و استاتیک (که از تغییرات واقعی قیمت به عنوان یک معیار بیش از حد استفاده می کند). Caporale و Plastun (2019) مناسب بودن این روش ها را برای بازار رمزنگاری مورد تجزیه و تحلیل قرار دادند و نتیجه گرفتند که رویکرد ماشه پویا ارجح است. در نتیجه ، ما در این مقاله از آن استفاده می کنیم.

به منظور جلوگیری از تحریفات ناشی از شکاف قیمت ، بازده (r_من) به شرح زیر محاسبه می شود:

جایی که r_من—returns on the i -th day (hour) in %; \( >_> \) —open price on the i -th day (hour); \( >_>\) -قیمت در روز (ساعت) را کاهش دهید.

بازده محاسبه شده با استفاده از (1) به ترتیب به دو مجموعه داده مربوط می شود ، به ترتیب ، به بازده غیر طبیعی مثبت و منفی با هدف آزمایش برای اختلافات احتمالی در رفتار قیمت بین این دو مورد تقسیم می شود.

بازده مثبت غیر طبیعی به شرح زیر تعریف شده است:

و بازگشت غیر طبیعی منفی به عنوان:

جایی که K تعداد انحرافات استاندارد است که برای شناسایی بازده های غیر طبیعی استفاده می شود (K = 2 برای BTCUSD و K = 1. 5 برای EthusD و LTCUSD ، K بر اساس اندازه نمونه انتخاب می شود تا در هر مورد تعداد کافی از غیر طبیعی تشخیص داده شودبازگشت)\ (\ bar_ \) اندازه متوسط بازده روزانه برای دوره n است

و \ (\ delta_ \) انحراف استاندارد بازده روزانه برای دوره n است

برای آزمایش فرضیه های مورد علاقه ، ما از روش های زیر استفاده می کنیم:

بازرسی بصری و تجزیه و تحلیل متوسط ؛

آزمون های دانشجویی ؛

یک رویکرد بازگشت غیر طبیعی تجمعی.

یک رویکرد شبیه سازی معاملات.

رویکرد بازده غیر طبیعی تجمعی مبتنی بر مکینلی و ریچاردسون (1997) است و برای مطالعات رویداد استاندارد است. بازده غیر طبیعی به شرح زیر تعریف می شود:

جایی که r_حرفبازگشت در زمان t و e (r_حرف) میانگین بازده مربوطه در کل دوره نمونه به شرح زیر محاسبه می شود:

جایی که T اندازه نمونه است.

بازگشت غیر طبیعی تجمعی که به عنوان ماشین مشخص می شود_منبه سادگی مجموع بازده های غیر طبیعی است:

جایی که من با 1 (اولین ساعت روز تجارت) شروع می کنم و با 24 (آخرین ساعت روز معاملات) به پایان می رسد. یک روز شامل 24 ساعت است.

تست های پارامتری T نیز برای فرضیه انجام می شود. فرضیه تهی (H0) این است که داده ها (بازده ساعتی در روز بیش از حد و در نمونه کامل) متعلق به همان جمعیت هستند ، رد کردن تهی که حاکی از وجود یک استناهنجاری آماری در رفتار قیمت در روز بازگشت غیر طبیعی. این آزمایش در سطح اطمینان 95 ٪ انجام می شود و درجه آزادی N - 1 است (N برابر با N 1 + N 2).

رویکرد شبیه سازی معاملات با استفاده از الگوریتم های مناسب برای استراتژی های معاملاتی بر اساس الگوهای قیمت مشاهده شده ، اقدامات معامله گران را تکرار می کند. هدف آن تعیین اینکه آیا ناهنجاری های شناسایی شده می تواند برای ایجاد سود غیر طبیعی مورد سوء استفاده قرار گیرد. لازم به ذکر است که تجزیه و تحلیل ما هزینه های معامله مانند گسترش ، کارگزار یا هزینه های بانکی و مبادله را شامل نمی شود و بنابراین فقط یک پروکسی برای تجارت واقعی است. با این حال ، در مورد تجارت اینترنتی ، چنین هزینه هایی به طور معمول اندک است و نادیده گرفتن آنها بر نتایج تأثیر نمی گذارد.

درصد نتایج برای یک معامله فردی به شرح زیر محاسبه می شود:

where \( P_> \) —opening price for the trade, \( P_>\) - قیمت گذاری برای تجارت.

مجموع نتایج حاصل از هر تجارت ، کل نتیجه مالی تجارت است. یک استراتژی که سود کل مثبت را ایجاد می کند دلالت بر این دارد که یک ناهنجاری بازار قابل بهره برداری وجود دارد.

شاخص مهم دیگر میزان موفقیت استراتژی تجارت ، درصد معاملات موفق است:

برای تعیین اینکه آیا نتایج به دست آمده از نظر آماری با معاملات تصادفی متفاوت است ، آزمایش های T انجام می شود. اینها وسایل دو نمونه را برای دیدن اینکه آیا آنها از همان جمعیت ناشی می شوند ، مقایسه می کنند. نمونه اول شامل نتایج معاملاتی از استراتژی تجارت و دومین نتایج معاملات تصادفی است. فرضیه تهی این است که میانگین در هر دو نمونه یکسان است و گزینه دیگری که اینگونه نیست. مقادیر محاسبه شده آزمون T با مقادیر بحرانی در سطح اهمیت 5 ٪ مقایسه می شود. عدم رد تهی به این معنی است که هیچ مزایایی از بهره برداری از استراتژی معاملات مربوطه وجود ندارد زیرا نتایج معاملات با نتایج تصادفی متفاوت نیست ، در حالی که یک رد نشان می دهد که استراتژی اتخاذ شده می تواند سود غیر طبیعی ایجاد کند زیرا نتایج معاملات تصادفی نیست و بنابراین بنابراین بنابراین، "ضرب و شتم بازار" امکان پذیر است. به عنوان نمونه ، نتایج آزمون T برای LTCUSD در مورد استراتژی 1 در جدول 1 نشان داده شده است.

جدول 1 آزمون T برای ارزیابی موفقیت استراتژی تجارت: LTCUSD ، بازده مثبت غیر طبیعی ، استراتژی 1

نتایج تجربی

ما نتایج را به دو مجموعه تقسیم می کنیم ، از جمله ، به ترتیب ، برای روز بازده غیر طبیعی و نتایج روز بعد به منظور کشف رفتار قیمت در هنگام مشاهده حرکات غیر طبیعی قیمت و بعد از آنها. نتایج BTCUSD برای روز بازده غیر طبیعی و روز بعد در ضمائم A و B (موجود در یک پرونده تکمیلی) ارائه می شود. شکل های A. 1 و A. 2 نشان می دهد که بازده های غیر طبیعی در روزهای عادی متفاوت است. آمار آزمون T تأیید می کند که این اختلافات از نظر آماری معنی دار است. این برای بازده های غیر طبیعی مثبت و منفی است (جدول A. 2 و جدول A. 3).

تجزیه و تحلیل بازده غیر طبیعی تجمعی (جدول A. 4 و شکل A. 3) اطلاعاتی را در مورد میانگین زمان ظاهر ناهنجاری ارائه می دهد: به طور کلی ، بازده غیر طبیعی مثبت پس از 6 بعد از ظهر و موارد منفی پس از 4 بعد از ظهر ، یعنی در هر دو مورد تشخیص داده می شود. زمان قبل از پایان روز تجارت.

در مورد رفتار قیمت در روز پس از بازده غیر طبیعی ، میانگین بازده BTCUSD ساعتی پس از بازده مثبت غیر طبیعی بسیار پایین تر از روزهای عادی در ساعات اول روز بعد است (شکل B. 1) ، و این اختلافات از نظر آماری معنی دار است (جدول B. 1) ، که دلالت بر وجود یک اثر متضاد دارد. در مورد بازده غیر طبیعی منفی ، در روز بعد قیمت ها تمایل به حرکت در جهت بازده های غیر طبیعی دارند (شکل B. 2 و جدول B. 2) ، که نشان دهنده شواهدی از اثر حرکت است.

زمان بندی خاص برای معاملات قابل تعیین است. استراتژی متضاد برای BTCUSD پس از بازگشت مثبت غیر طبیعی به شرح زیر است: فروش در آغاز روز و موقعیت نزدیک پس از 4 بعد از ظهر. در عوض ، استراتژی حرکت برای مورد بازگشت غیر طبیعی منفی در ابتدای روز پس از بازده غیر طبیعی منفی و بسته شدن این موقعیت پس از 11 صبح است (جدول B. 3 و شکل B. 3).

تجزیه و تحلیل مشابهی برای LTCUSD (ضمائم C و D) و ETHUSD (ضمائم E و F) انجام شده است.

شکل های C. 1 و C. 2 (برای مورد LTCUSD) و همچنین ارقام E. 1 و E. 2 (برای مورد ETHUSD) نشان می دهد که بازده در روزهای بازده غیر طبیعی بالاتر از روزهای عادی است. این اختلافات از نظر آماری در بیشتر موارد برای بازده غیر طبیعی مثبت و منفی (جداول C. 2-C. 3 برای مورد LTCUSD و جداول E. 2-E. 3 برای مورد ETHUSD) معنی دار است.

برای تشخیص الگوهای احتمالی قیمت در روز بازگشت غیر طبیعی ، تجزیه و تحلیل بازده غیر طبیعی تجمعی انجام می شود. قیمت LTCUSD (جدول C. 4 و شکل C. 3) و ETHUSD (جدول E. 4 و شکل E. 3) ، به ترتیب ، تمایل به حرکت در جهت بازگشت غیر طبیعی تا پایان روز دارد. در بیشتر موارد ، بازده غیر طبیعی مثبت بعد از ساعت 1. 00 بعد از ظهر (LTCUSD) و 12:00 بعد از ظهر (ETHUSD) ظاهر می شود. برای موارد منفی ، پارامترهای زمان بندی به شرح زیر است: 2. 00 بعد از ظهر (LTCUSD) و 1. 00 بعد از ظهر (ETHUSD).

رفتار قیمت در روز پس از بازده غیر طبیعی برای هر دو LTCUSD (شکل D. 3 و جدول D. 3) و ETHUSD (شکل F. 3 و جدول F. 3) با فرضیه بیش از حد مطابقت ندارد ، زیرا در نیمه اولقیمت روز تمایل به حرکت در جهت بازده های غیر طبیعی دارد. این در مورد بازده های غیر طبیعی مثبت و منفی صادق است. تنها استثناء رفتار قیمت ETHUSD در مورد بیش از حد منفی است (جدول F. 3).

نتایج کلی در جدول 2 (برای بازده غیر طبیعی مثبت) و جدول 3 (برای بازده منفی غیر طبیعی) خلاصه شده است.

همانطور که مشاهده می شود ، در بیشتر موارد اثر حرکت قوی در روز بازده غیر طبیعی هم برای بازده مثبت و هم منفی مشاهده می شود. این ممکن است به نظر برسد از آنجا که ما تغییرات شدید قیمت را در طی یک روز تجزیه و تحلیل کرده ایم. اما قابل توجه است که بازده غیر طبیعی نه در پایان روز تشخیص داده می شود ، بلکه در طول روز (اندازه بازده روزانه فعلی از معیار بازده غیر طبیعی است). از آنجا که ما دریافتیم که قیمت ها تا پایان روز تمایل به حرکت در جهت بازده غیر طبیعی دارند ، این بدان معنی است که معامله گران زمان کافی برای بهره برداری از این الگوها با باز کردن موقعیت در جهت بازده غیر طبیعی بلافاصله پس از این تشخیص دارند. میانگین پارامترهای زمان بندی برای این اثر حرکت در جداول 2 و 3 ارائه شده است. یک یافته جالب و مهم دیگر (که مغایر با فرضیه بیش از حد کلاسیک است) این است که این اثر حرکت تمایل دارد روز بعد ادامه یابد (فقط با چند استثنا)به موقع محدود استمعمولاً اوج قیمت چند ساعت طول می کشد. این پارامترهای زمان بندی نیز در جداول 2 و 3 ارائه شده است.

یافته های ما را می توان به شرح زیر خلاصه کرد:

بازده ساعتی در طول روز بازده غیر طبیعی مثبت/منفی به طور قابل توجهی بالاتر/پایین تر از مواردی است که در طول متوسط/منفی روز ، یعنی H1 قابل رد نیست.

بازده غیر طبیعی را می توان قبل از پایان روز تشخیص داد و پارامترهای زمان بندی خاص برای بازده غیر طبیعی قابل تخمین است.

قیمت ها تمایل به حرکت در جهت بازده های غیر طبیعی تا پایان روز دارند ، یعنی H2 را نمی توان رد کرد ، یعنی تأثیر حرکت در روزهای با بازده غیر طبیعی وجود دارد.

رفتار بازار پس از بازده غیر طبیعی یک روزه در بیشتر موارد ، وجود یک اثر حرکت را نیز تأیید می کند ، یعنی H3 را نمی توان رد کرد. معمولاً کوتاه مدت است و پارامترهای زمان بندی خاص را می توان برای دارایی مورد علاقه تخمین زد.

در دو مورد (بازده غیر طبیعی مثبت BTCUSD و بازده غیرطبیعی منفی ETHUSD) اثر متضاد تشخیص داده می شود.

بر اساس این نتایج ، استراتژی های سودآور زیر قابل توسعه است:

استراتژی 1

هنگامی که مشخص شود که روز فعلی یک روز بازگشت غیر طبیعی است (به زمان بازگشت غیر طبیعی در جداول 2 و 3 مراجعه کنید) ، باید موقعیتی در جهت بازده غیر طبیعی باز شود. سپس این موقعیت باید در پایان روز بسته شود.

استراتژی 2

در آغاز روز پس از بازگشت غیر طبیعی ، موقعیتی در جهت بازده غیر طبیعی باز می شود. این موقعیت پس از آن باید براساس پارامترهای زمان بندی برای اثر حرکت نمایش داده شده در جداول 2 و 3 بسته شود. اگر این اثر وجود نداشته باشد ، باید از یک استراتژی معاملاتی متضاد استفاده شود: در ابتدای روز پس از بازگشت غیر طبیعیموقعیت در جهت مخالف بازده غیر طبیعی باید باز شود.

نتایج شبیه سازی معاملات برای دو استراتژی برای بازده غیر طبیعی مثبت در جدول 4 ارائه شده است.

همانطور که مشاهده می شود ، به نظر می رسد استراتژی 1 بسیار سودآور است. تعداد معاملات موفق به طور متوسط نزدیک به 90 ٪ سود در سال است و همچنین سود در هر تجارت در ارزهای رمزنگاری متفاوت است اما در همه موارد مثبت و معنی دار است. نتایج شبیه سازی معاملات با نتایج تصادفی متفاوت است (همانطور که توسط آزمون T تأیید شده است). استراتژی 2 سودآوری کمتری دارد: میانگین تعداد معاملات موفق کمتر از 50 ٪ است و فقط در 1 از 3 مورد از نظر آماری تفاوت معنی داری از معاملات تصادفی وجود دارد. با این وجود ، تمام شبیه سازی ها سوداتی را ایجاد می کنند که سالانه بسیار بالاتر از بازده متوسط سرمایه گذاری در ایالات متحده یا سایر کشورهای توسعه یافته است.

نتایج شبیه سازی معاملات برای مورد بازده غیر طبیعی منفی در جدول 5 ارائه شده است.

نتایج استراتژی 1 در مورد بازده غیر طبیعی منفی بسیار شبیه به بازده مثبت غیر طبیعی است ، یعنی درصد بسیار بالایی از معاملات موفق (به طور متوسط 85 ٪) و سود قابل توجهی هم بر اساس سالانه و هم در هر تجارت. شبیه سازی معاملات از نظر آماری تفاوت معنی داری در نتایج در مقایسه با معاملات تصادفی ایجاد می کند. استراتژی 2 دوباره سود کمتری دارد (مانند بازده مثبت غیر طبیعی) ، اما هنوز "بازار را می زند".

در کل ، ناهنجاری های شناسایی شده در بیشتر موارد می تواند مورد سوء استفاده قرار گیرد تا سود غیر طبیعی از تجارت ایجاد شود. با استفاده از پارامترهای زمان بندی که قبلاً محاسبه شده بود ، می توان سود قابل توجهی از تجارت در بازار رمزنگاری را که از اثر حرکت در روز بازده غیر طبیعی بهره برداری می کند ، ایجاد کنید ، به ویژه در مورد استراتژی 1. الگوهای قیمت مربوط به بازده غیر طبیعی یک روزه استکوتاه مدتبهره برداری از اثر حرکت در روز پس از بازده غیر طبیعی بسیار سودآور است و نتیجه شبیه سازی معاملات مربوطه با معاملات تصادفی در نیمی از موارد متفاوت نیست.

به طور خلاصه ، این یافته ها نشان می دهد که تغییرات قیمت غیر طبیعی روزانه می تواند الگوهای بسیار خاصی را در رفتار قیمت ایجاد کند. به طور خاص ، در روز با تغییر قیمت غیر طبیعی و مورد زیر یک اثر حرکت قوی وجود دارد. وجود الگوهای قیمت و پیش بینی آنها با EMH مغایرت دارد ، زیرا این الگوهای می تواند پایه و اساس استراتژی های تجاری سودآور باشد که بازار را شکست می دهد.(ما نشان داده ایم که نتایج تولید شده از نظر آماری با معاملات تصادفی متفاوت است.) این شواهد مورد علاقه پزشکان (سرمایه گذاران ، بازرگانان ، مدیران صندوق های تامینی و غیره) است. در دوره روبات های تجارت و تجارت با فرکانس بالا ، یافتن فرصت های سود به طور فزاینده ای سخت تر است. تجزیه و تحلیل ما حاکی از آن است که ممکن است برخی در بازار رمزنگاری وجود داشته باشد. بدیهی است که می توان از همین رویکرد برای آزمایش چنین مواردی در مورد سایر بازارها از جمله کالاها و بورس سهام (به ویژه موارد نوظهور) و غیره پیروی کرد.

نتیجه

در این مقاله به بررسی تأثیر حرکت در بازار رمزنگاری پس از بازده غیر طبیعی یک روزه می پردازیم. داده های روزانه و داخلی در مورد نرخ ارز BTCUSD ، ETHUSD و LTCUSD در طی دوره 01. 01. 2017-01. 09. 2019 با استفاده از تعدادی از روش های آماری و همچنین یک روش شبیه سازی تجارت تجزیه و تحلیل می شوند. فرضیه های زیر مورد آزمایش قرار می گیرند: (H1) رفتار داخل بازده ساعتی در روزهای بازده غیر طبیعی در مقایسه با روزهای عادی متفاوت است.(H2) تأثیر حرکت در روزهای بازگشت غیر طبیعی و (H3) پس از بازده غیر طبیعی یک روزه وجود دارد.

نتایج حاکی از آن است که بازده ساعتی در طول روز بازده غیر طبیعی مثبت/منفی به طور قابل توجهی بالاتر/پایین تر از نتایج در طول متوسط روز مثبت/منفی است. علاوه بر این ، بازده غیر طبیعی معمولاً قبل از پایان روز با برآورد پارامترهای زمان بندی خاص قابل تشخیص است. قیمت ها تمایل دارند در جهت بازده های غیر طبیعی تا پایان روز که اتفاق می افتد حرکت کند ، این بدان معنی است که وجود یک اثر شتاب در طی آن روز باعث ایجاد فرصت های سود قابل بهره برداری می شود.

براساس این نتایج و الگوهای قیمت شناسایی شده ، استراتژی تجارت زیر تدوین می شود: وقتی مشخص شود که روز فعلی یک روز بازده غیر طبیعی است ، باید موقعیتی در جهت بیش از حد باز شود. سپس این موقعیت باید در پایان روز بسته شود. پارامترهای زمان بندی برای هر یک از دارایی های مورد بررسی محاسبه می شود. شبیه سازی معاملات شواهدی از سودآوری این استراتژی را ارائه می دهد ، یعنی ناهنجاری شناسایی شده در بازار رمزنگاری می تواند برای ایجاد سود غیر طبیعی مورد سوء استفاده قرار گیرد.

یک اثر حرکت (همراه با فرصت های سود) نیز در روز بعد مشاهده می شود. بنابراین ، استراتژی تجارت زیر تدوین شده است: در آغاز روز پس از بازگشت غیر طبیعی ، موقعیتی در جهت بازده غیر طبیعی باز می شود. این باید با توجه به پارامترهای زمان بندی تخمین زده شده برای اثر حرکت بسته شود. اگر اثر حرکت وجود ندارد (به عنوان مثال ، در دو مورد از بازده غیر طبیعی مثبت BTCUSD و بازده غیر طبیعی منفی EthusD) ، باید از یک استراتژی معاملاتی متضاد استفاده شود: در ابتدای روز پس از بازگشت غیر طبیعی موقعیتی در جهت مخالف قرار می گیرد. بیش از حد باید باز شود. شبیه سازی معاملات سودآوری این استراتژی ها را تأیید می کند. این یافته ها مورد توجه هر دو سرمایه گذار با هدف به حداکثر رساندن سود خود و دانشگاهیان علاقه مند به ارتباط تجربی EMH است. تحقیقات آینده می تواند نوع مشابهی از تحقیقات را در مورد سایر بازارها (به عنوان مثال ، کالاها و بورس سهام) ، به ویژه برای اقتصادهای نوظهور انجام دهد.

منابع

Aalborg ، H. A. ، Molnár ، P. ، de Vries ، J. E: چه چیزی می تواند قیمت ، نوسانات و حجم معاملات بیت کوین را توضیح دهد؟امور مالی Res. کاهنده29 ، 255–265 (2019)

Aiyagari ، S. RAO ، Gertler ، M: بیش از حد قیمت دارایی در تعادل عمومی. روحانی اکون. dyn. 2 (1) ، 3-35 (1999)

Barberis ، N. ، Shleifer ، A. ، Vishny ، R. W: الگویی از احساسات سرمایه گذار. J. مالی. ECON49 ، 307-343 (1998)

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)

Baytas ، A. ، Cakici ، N: آیا بازارها بیش از حد واکنش نشان می دهند: شواهد بین المللی. J Bank Financy. 23 ، 1121–1144 (1999)

Bouri ، E. ، Lau ، C. K. M. ، Lucey ، B. ، Roubaud ، D: حجم معاملات و پیش بینی بازده و نوسانات در بازار cryptocurrency. امور مالی Res. کاهنده(2018). https://doi. org/10. 1016/j. frl. 2018. 08. 015

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

Brown ، K. C. ، Harlow ، W. V. ، Tinic ، S. M: گریز از خطر ، اطلاعات نامشخص و کارآیی بازار. J. مالی. ECON22 ، 355-385 (1988)

Caporale ، G. M. ، Plastun ، A: روز اثر هفته در بازار رمزنگاری. امور مالی Res. کاهنده(2018). https://doi. org/10. 1016/j. frl. 2018. 11. 012

Caporale ، G. ، Plastun ، A: بیش از حد قیمت در بازار cryptocurrency. J. Econ. گل میخ46 (5) ، 1137–1155 (2019)

Caporale ، G. M. ، Gil-Alana ، L. ، Plastun ، A .: بیش از حد قیمت کوتاه مدت: شناسایی ، آزمایش ، بهره برداری. محاسبات. ECON51 (4) ، 913-940 (2018)

Caporale ، G. M. ، Plastun ، A. ، Oliinyk ، v .: نوسانات بیت کوین و فرکانس بیش از حد قیمت. مالی. علامت. پورتفمدیر. 33 (2) ، 109-131 (2019)

Chang ، R. ، Mleavey ، D. ، Rhee ، S: بازده غیر طبیعی کوتاه مدت استراتژی متضاد در بازار سهام ژاپن. J. Bus. مالی. حساب. 22 ، 1035-1048 (1995)

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

Chevapatrakul ، T. ، Mascia ، D: تشخیص بیش از حد در بازار بیت کوین: یک رویکرد اتوراسیون کمی. امور مالی Res. کاهنده30 ، 371-377 (2019)

Clare ، A. ، Thomas ، S: فرضیه بیش از حد و بازار سهام انگلیس. J. Bus. مالی. acc. 22 ، 961-973 (1995)

Clements ، A. ، Drew ، M. ، Reedman ، E. ، Veararaghavan ، M: مرگ ناهنجاری بیش از حد؟توضیح چند عاملی از بازده های متضاد. IMFI 6 ، 76-85 (2009)

Corbet ، S. ، Lucey ، B. ، Yarovaya ، L: DataStamping حباب های بیت کوین و اتریوم. امور مالی Res. کاهنده26 ، 81-88 (2018)

Cox ، D. R. ، Peterson ، D. R: بازده سهام به دنبال کاهش یک روزه بزرگ: شواهدی در مورد معکوس های کوتاه مدت و عملکرد طولانی مدت. J. Finance 49 ، 255–267 (1994)

Cutler ، D. ، Poterba ، J. ، Summers ، L: Dynamics سوداگرانه. روحانی اکون. گل میخ58 ، 529-546 (1991)

Daniel ، K. ، Hirshleifer ، D. ، Subrahmanyam ، A: روانشناسی سرمایه گذار و بازار امنیت زیر و بیش از حد. J. مالی. 53 ، 1839-1886 (1998)

Duran ، A. ، Caginalp ، G: الماس های بیش از حد: پیش سازها و پس لرزه ها برای تغییرات قابل توجه قیمت. مقدارمالی. 7 (3) ، 321-342 (2007)

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

فری ، م. ، مین ، ج: شواهدی مبنی بر اینکه بازار سهام بیش از حد واکنش نشان داده و تنظیم می کند. J. Portf. مدیر. 22 ، 71-76 (1996)

Giannetti ، A. ، Larson ، S. ، Le ، C. ، Madura ، J: حرکات قیمت ، اطلاعات و نقدینگی در بازار معاملات شب. مالی. وحی 41 (1) ، 119-137 (2006)

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

گریفین ، دی. ، تورسکی ، الف: وزن گیری شواهد و عوامل تعیین کننده اعتماد. شناختروان24 ، 411-435 (1992)

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

Hong ، H. ، Stein ، J. C: یک تئوری یکپارچه در مورد کمبود ، تجارت حرکت و واکنش بیش از حد در بازارهای دارایی. J. Finance 54 ، 2143–2184 (1999)

Jegadeesh ، N. ، Titman ، S: به خرید برندگان و فروش بازنده: پیامدهای مربوط به کارایی بازار سهام. J. Finance 48 ، 65-91 (1993)

Kocenda ، E. ، Moravcová ، M: تأثیر داخلی اخبار در بازارهای نوظهور اروپایی: تأثیر داخل اخبار در بازارهای نوظهور اروپایی. ECONsyst42 (4) ، 597-615 (2018)

KOSC ، K. ، Sakowski ، P. ، Slepaczuk ، R: تأثیر حرکت و متضاد در بازار رمزنگاری. فیزیکA (2019). https://doi. org/10. 1016/j. physa. 2019. 02. 057

Kryzanowski ، L. ، Zhang ، H: استراتژی متضاد در بازارهای کانادا کار نمی کند. J. مالی. مقدارمقعد27 ، 383-395 (1992)

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

Larson ، S. ، Madura ، J: آنچه رفتار قیمت سهام را به دنبال بازده شدید یک روزه هدایت می کند. J. مالی. resجنوب. مالی. انجمن26 ، 113–127 (2003)

Lasfer ، M. ، Melnik ، A. ، Thomas ، D: واکنش کوتاه مدت بازار سهام در شرایط استرس زا. J. Bank. امور مالی 27 (10) ، 1959-1977 (2003)

Lehmann ، b: Fads ، Martingales و کارآیی بازار. Q. J. Econ. 105 ، 1–28 (1990)

Lobe ، S. ، Rieks ، J .: واکنش بیش از حد بازار کوتاه مدت در بورس فرانکفورت. Q. Rev. Econ. امور مالی 51 (2) ، 113-123 (2010)

Mackinlay ، A. C. ، Richardson ، M: با استفاده از روش کلی از لحظات برای آزمایش کارآیی میانگین واریانس. J. مالی. 46 ، 511-527 (1991)

مادورا ، جی. ، ریچی ، ن: بیش از حد واکنش وجوه مبادله ای در طول حباب سالهای 2002-2002. J. Behav. امور مالی 5 (2) ، 91-104 (2004)

Mynhardt ، R. H. ، Plastun ، A: فرضیه بیش از حد واکنش: پرونده بازار سهام اوکراین. شرکتکنترل مالکیت 11 ، 406-423 (2013)

Panagiotis ، T. ، Renatas ، K. ، Bayasgalan ، T: تجارت حرکت در ارزهای رمزنگاری: بازده کوتاه مدت و مزایای تنوع. ECONکاهنده(2019). https://doi. org/10. 1016/j. econlet. 2019. 108728

Parikakis ، G. ، Siriopoulos ، T: استراتژی متناقض و واکنش بیش از حد در بازارهای ارزی. resint. اتوبوس. امور مالی 22 ، 319-324 (2008)

Poteshman ، A: Underaction ، بیش از حد واکنش و افزایش سوء استفاده از اطلاعات در بازار گزینه ها. J. Finance 56 ، 851-876 (2001)

Pritamani ، M. ، Singal ، v: پیش بینی بازگشت به دنبال تغییرات بزرگ قیمت و انتشار اطلاعات. J. Bank. امور مالی 25 (4) ، 631-656 (2001)

Qing ، C. ، Xinyuan ، L. ، Xiaowu ، Z: Cryptocurrency تأثیر حرکت: تجزیه و تحلیل DFA و MF-DFA. فیزیکA (2019). https://doi. org/10. 1016/j. physa. 2019. 04. 083

Savor ، P: بازده سهام پس از شوک های بزرگ قیمت: تأثیر اطلاعات. J. مالی. ECON106 (3) ، 635-659 (2012)

Schnusenberg ، O. ، Madura ، J: آیا شاخص های بازار سهام ایالات متحده بیش از حد یا تحت واکنش قرار می گیرند؟J. مالی. res24 (2) ، 179-204 (2001)

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

Wan ، J. ، Kao ، C: شواهدی در مورد تجارت متضاد در بازارهای ارزی. ECONمدل. 26 ، 1420-1431 (2009)

Yukun ، L. ، Tsyvinski ، A: خطرات و بازگشت Cryptocurrency. مقالات جلسه 160 ، انجمن پویایی اقتصادی (2019)

سپاسگزاریها

نویسنده نام دوم با قدردانی از حمایت مالی وزارت آموزش و علوم اوکراین (0117U003936) قدردانی می کند.

اطلاعات نویسنده

نویسندگان و وابستگی ها

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

Guglielmo Maria Caporale

سزیفو و دی وی برلین ، برلین ، آلمان

Guglielmo Maria Caporale

گروه روابط اقتصادی بین المللی ، دانشگاه ایالتی سوم ، سوم ، اوکراین