Анализ факторов риска, связанных с инвестициями в биткоин
Биткоин как пиринговая платежная система, использующая одноименную единицу для учета операций. Способы инвестирования в данную криптовалюту. Майнинг - непрерывный процесс решения определенной компьютерной задачи, связанной с шифрованием информации.
Рубрика | Финансы, деньги и налоги |
Вид | дипломная работа |
Язык | русский |
Дата добавления | 05.08.2018 |
Размер файла | 1,5 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Рисунок 9. Историческая волатильность биткоина в 2012-2018 гг.
Количественное измерение риска инвестирования в биткоин при помощи «дзета»-критерия не позволяет сделать адекватных выводов при использовании для анализа сплошного массива данных, т.е. включающего экстремально высокие и экстремально низкие максимальные и минимальные цены за торговую сессию. Так, 23 июня 2016 г. на бирже Bitstamp, данные которой были использованы для моделирования в работе, максимальная цена за торговую сессию составила 632,67 долл. США, в то время как минимальная цена - всего 1,5 долл. США. С учетом этих данных значение «дзета»-критерия составило 42078%, что сильно изменило общую картину (см. Рис. 10). Удалим этот «выброс» и взглянем на результаты вычисления «дзета» без него (Рис.11).
При использовании методики без экстремально высоких и низких значений временного ряда можно сделать вывод, что «дзета»-показатель достаточно хорошо количественно описывает риски, связанные с колебаниями курса биткоина, однако в связи с высокой спекулятивной составляющей, порядок количественных показателей риска здесь в разы выше, чем в случае с исторической волатильностью.
Поэтому в ходе оценки рисков инвестирования в биткоин на основе показателя «дзета» результаты скорее всего будут завышены по сравнению с другими способами.
Рисунок 10. Оценка рисков инвестирования в биткоин через показатель «дзета» на сплошном массиве
Рисунок 11. Оценка рисков инвестирования в биткоин через показатель «дзета» (без выброса)
Для моделирования логарифмической доходности биткоина с использованием авторегрессионной модели оценки рисков рассмотрим спецификацию GARCH, которая наилучшим образом показала себя на последних актуальных данных по доходности биткоина в исследовании Суханова и др. (2017) - это модель ARIMA(1) - GARCH(1,1) (Табл. 2).
На основании данной модели можно прогнозировать следующее значение временного ряда на основе прошлых значений, шума и дисперсии.
Таблица 2. Результаты оценки авторегрессионной модели оценки волатильности биткоина в классе ARIMA (1) - GARCH(1,1)
DependentVariable: D(R) |
|||||
Method: ML - ARCH (Marquardt) - Normal distribution |
|||||
Sample (adjusted): 1/03/2012 4/30/2018 |
|||||
Includedobservations: 2307 afteradjustments |
|||||
Convergenceachievedafter 31 iterations |
|||||
MA Backcast: 1/02/2012 |
|||||
Presamplevariance: backcast (parameter = 0.7) |
|||||
GARCH = C(4) + C(5)*RESID(-1)2 + C(6)*GARCH(-1) |
|||||
Variable |
Coefficient |
Std,Error |
z-Statistic |
Prob. |
|
C |
2,23E-06 |
3,52E-06 |
0,633811 |
0.5262 |
|
AR(1) |
0,205325 |
0,020834 |
9,855065 |
0.0000 |
|
MA(1) |
-0,995293 |
0,001623 |
-613,2854 |
0.0000 |
|
VarianceEquation |
|||||
C |
3,30E-05 |
1,93E-06 |
17,08090 |
0.0000 |
|
RESID(-1)2 |
0,264588 |
0,015245 |
17,35541 |
0.0000 |
|
GARCH(-1) |
0,751707 |
0,009698 |
77,51012 |
0.0000 |
|
R-squared |
0,401039 |
Meandependentvar |
-1,26E-05 |
||
Adjusted R-squared |
0,400519 |
S,D,dependentvar |
0,054569 |
||
S,E,ofregression |
0,042250 |
Akaikeinfocriterion |
-4,146690 |
||
Sumsquaredresid |
4,112856 |
Schwarzcriterion |
-4,131752 |
||
Loglikelihood |
4789,207 |
Hannan-Quinncriter, |
-4,149 1244 |
||
Durbin-Watsonstat |
1,972548 |
||||
Inverted AR Roots |
,21 |
||||
Inverted MA Roots |
1,00 |
Анализ коррелограмм квадратов остатков по итогам оценки модели свидетельствует об отсутствии в них автокорреляции (см. Табл. 3). Данный вывод подтверждает также Q-тест Льюнг -- Бокса, статистика которого для рассмотренного ряда составила 20,76. Это значение ниже табличногозначения квантилей распределения хи-квадрат с 36 степенями свободы и вероятностью 95%, что указывает на отсутствие автокорреляции остатков.
После оценки качества модели следует рассмотреть результаты моделирования волатильности на её основе. Так, в соответствии с распределением остатков и предсказанной волатильностью (Рис. 12) очевидно, что модель позволяет достаточно точно предсказать будущие значения волатильности даже с учетом возможных резких выбросов в логарифмической доходности биткоина.
Таблица 3. Коррелограмма квадратов остатков модели ARIMA (1) - GARCH(1,1)
Autocorrelation |
PartialCorrelation |
AC |
PAC |
Q-Stat |
Prob |
||
| | |
| | |
1 |
0.008 |
0.008 |
0.1424 |
||
| | |
| | |
2 |
0.019 |
0.018 |
0.9350 |
||
| | |
| | |
3 |
-0.011 |
-0.012 |
1.2336 |
0.267 |
|
| | |
| | |
4 |
-0.018 |
-0.018 |
1.9631 |
0.375 |
|
| | |
| | |
5 |
-0.017 |
-0.016 |
2.6389 |
0.451 |
|
| | |
| | |
6 |
-0.022 |
-0.021 |
3.7763 |
0.437 |
|
| | |
| | |
7 |
-0.003 |
-0.003 |
3.8017 |
0.578 |
|
| | |
| | |
8 |
-0.016 |
-0.016 |
4.4269 |
0.619 |
|
| | |
| | |
9 |
-0.018 |
-0.019 |
5.2061 |
0.635 |
|
| | |
| | |
10 |
-0.025 |
-0.025 |
6.6619 |
0.574 |
|
| | |
| | |
11 |
-0.007 |
-0.008 |
6.7861 |
0.659 |
|
| | |
| | |
12 |
-0.019 |
-0.019 |
7.5974 |
0.668 |
|
| | |
| | |
13 |
-0.003 |
-0.005 |
7.6230 |
0.747 |
|
| | |
| | |
14 |
0.029 |
0.027 |
9.5760 |
0.653 |
|
| | |
| | |
15 |
0.010 |
0.007 |
9.7961 |
0.711 |
|
| | |
| | |
16 |
0.012 |
0.009 |
10.154 |
0.751 |
|
| | |
| | |
17 |
0.032 |
0.031 |
12.538 |
0.638 |
|
| | |
| | |
18 |
0.003 |
0.001 |
12.554 |
0.705 |
|
| | |
| | |
19 |
-0.000 |
-0.001 |
12.554 |
0.765 |
|
| | |
| | |
20 |
0.011 |
0.012 |
12.842 |
0.801 |
|
| | |
| | |
21 |
-0.010 |
-0.009 |
13.062 |
0.835 |
|
| | |
| | |
22 |
-0.005 |
-0.004 |
13.118 |
0.872 |
|
| | |
| | |
23 |
-0.021 |
-0.018 |
14.159 |
0.863 |
|
| | |
| | |
24 |
-0.016 |
-0.014 |
14.771 |
0.872 |
|
| | |
| | |
25 |
0.002 |
0.005 |
14.784 |
0.902 |
|
| | |
| | |
26 |
-0.006 |
-0.003 |
14.866 |
0.925 |
|
| | |
| | |
27 |
-0.013 |
-0.012 |
15.240 |
0.936 |
|
| | |
| | |
28 |
-0.004 |
-0.004 |
15.269 |
0.952 |
|
| | |
| | |
29 |
0.003 |
0.003 |
15.289 |
0.965 |
|
| | |
| | |
30 |
-0.012 |
-0.013 |
15.600 |
0.971 |
|
| | |
| | |
31 |
-0.006 |
-0.010 |
15.690 |
0.979 |
|
| | |
| | |
32 |
0.003 |
0.001 |
15.708 |
0.985 |
|
| | |
| | |
33 |
0.037 |
0.034 |
18.941 |
0.956 |
|
| | |
| | |
34 |
0.001 |
-0.003 |
18.945 |
0.967 |
|
| | |
| | |
35 |
0.004 |
0.001 |
18.984 |
0.976 |
|
| | |
| | |
36 |
0.029 |
0.028 |
20.976 |
0.961 |
Рисунок 12. Распределение остатков и предсказанных значений доходности по модели
Применение к временному ряду логарифмической доходности и исторической волатильности методов экспоненциально взвешенного скользящего среднего (EWMA) (см. форм. 12) предполагает использование константы л от 0 до 1, которая выполняет роль параметра сглаживания. Рассмотрим результаты моделирования волатильности при различных значениях параметра - 0.85, 0.91 и 0.99 из наиболее часто встречающихся в литературе (Рис. 10). Сопоставление результатов моделирования волатильности EWMA-методом с различными параметрами сглаживания позволяет сделать выбор в пользу первой методики с л=0.85, поскольку она в большей степени (т.е. с большим весом) позволяет учесть значения доходности криптовалюты прошлых периодов. Это особенно важно в условиях наличия автокорреляции и зависимости доходности биткоина от лагов собственной стоимости, выявленной на предыдущем этапе исследования и в работах зарубежных авторов, рассмотренных в Главе 2.
Рисунок 13. Результаты моделирования волатильности методом экспоненциально взвешенного скользящего среднего с разными параметрами сглаживания
С учетом полученных результатов по 4 методикам изобразим все оценки дисперсии логарифмической доходности биткоина в 2012-2018 гг. на одном графике (см. Рис. 12).
Рисунок 14. Результаты моделирования волатильности на основе всех методик
Анализ российских и зарубежных публикаций, посвященных выявлению факторов ценообразования биткоина, позволяет провести моделирование его волатильности также с использованием эконометрического инструментария. Построим модель волатильности биткоина с учетом следующих детерминант:
P - цена 1 биткоина в долл. США;
Sqr(Var(P)) - историческая 10-дневная волатильность биткоина, выступает в качестве зависимой переменной;
Downloads - количество загрузок популярного биткоин-клиента с сайта sourceforge.net;
Gold - цена одной унции золота в долл.;
Google - индекс Google Trends от 1 до 100, иллюстрирующий интенсивность поискового запроса «bitcoin»;
Hashrate- хэшрейт, показатель вычислительной мощности Биткоин-сети (в хэшах в секунду);
Outputvol - совокупная стоимость всех транзакций в день (в биткоинах);
Pageviews - количество просмотров страницы о биткоине в Википедии (статистика доступна только с 1 июля 2015 г.);
SSEC - индекс Шанхайской биржи (в юанях).
В процессе моделирования в набор регрессоров также была включена контрольная переменная Event (бинарная), принимающая значение 1, если на рынке в этот день произошло событие, способное повлиять на курс криптовалют, и 0, если такого события не было. В числе учтенных в контрольной переменной событий были как системные обновления Биткоин-протоколов, так и политические решения относительно рынка биткоина, а также сообщения и заявления государственных регуляторов.
Оценка корреляций переменных позволяет говорить о взаимозаменяемости Google - переменной, отвечающей за интенсивность поисковых запросов, и Pageviews- переменной, иллюстрирующей количество просмотров страницы о биткоине в Википедии (Приложение 2). Поскольку статистика просмотров доступна только с 1 июля 2015 года, модели с включением данной переменной будут оценены на сокращенной выборке и без переменной Google.
Результаты оценки моделей волатильности биткоина (Табл. 4) показывают противоречивые результаты. Оценка модели на расширенном наборе данных - с 1 мая 2012 по 30 апреля 2018 г. - позволяет говорить о том, что определяющими факторами волатильности помимо константы является цена 1 унции золота, а также индекс Шанхайской биржи, причем оба макроэкономических индикатора действуют на волатильность биткоина одинаково - при их увеличении изменчивость доходности криптовалюты падает. Положительно и значимо определяют волатильность также показатели популярности биткоина: количество загрузок самого распространенного битокин-клиента и индекс Google Trends, указывающий на интенсивность связанных с биткоином поисковых запросов, увеличивают волатильность криптовалюты, что подтверждает выводы и более ранних исследований.
Результаты моделирования волатильности на сокращенном наборе данных - с 2 июля 2015 по 30 апреля 2018 г. показывают совершенно противоположное. Это может быть связано с тем, что период наибольшей исторической волатильности биткоина приходится как раз на рассмотренный временной интервал. Напомним, что вторая модель была оценена на сокращенной выборке из-за того, что страница о биктоине в Википедии появилась только 2 июля 2015 г. В данный период кроме константы, которая по сравнению с прошлой спецификацией изменила направление воздействия на зависимую переменную, теперь стала значимой цена 1 монеты в прошлом периоде, а также логарифм совокупной стоимости всех транзакций. С одной стороны это можно воспринимать, как серьезные изменения в спецификации и наборе объясняющих волатильность биткоина переменных. Однако с другой, ситуация не сильно отличается по смыслу от описанной ранее.
Таблица 4. Результаты оценки моделей зависимости волатильности цены биткоина
Переменная |
Модель с включением переменной Google |
Модель с включением переменной Pageviews |
|
Константа |
0,2718 *** (0,0036) |
-0,58479 *** (0,0047) |
|
Цена 1 биткоина за прошлый день |
0,9999 (0,1382) |
1,0000 *** (0,0000) |
|
Количество загрузок биткоин-клиента |
1,0000 *** (0,0000) |
-0,00015 * (0,0396) |
|
Логарифм цены 1 унции золота |
-0,0159 * (0,0668) |
-0,0017 (0,9153) |
|
Индекс Google Tends за прошлый день |
0,00096 *** (0,0000) |
- |
|
Логарифм хэшрейта (за прошлый период) |
-0,000276 (0,6677) |
0,00671 (0,2706) |
|
Логарифм совокупной стоимости всех транзакций |
-0,000468 (0,7345) |
0,01132 *** (0,0000) |
|
Количество просмотров страницы о биткоине в Википедии |
- |
1,0000 (0,6654) |
|
Логарифм индекса Шанхайской биржи |
-0,0148 *** (0,0078) |
0,0538 *** (0,0001) |
|
Контроль на события |
есть |
есть |
|
Метод |
OLS |
OLS |
|
Количество наблюдений |
755 |
344 |
|
Охваченный период |
01.05.2012 - 30.04.2018 |
2.07.2015 - 30.04.2018 |
|
Rкв.скорректированный |
0,35 |
0,43 |
Волатильность биткоина в краткосрочном периоде сильно определяется его собственной ценой за прошлый день, которая уменьшается на размер константы (значима), а также объемами операций на биткоин-рынке: чем их больше, тем более волатилен биткоин. Интересно отметить, что количество загрузок популярного биткоин-клиента теперь действует на волатильность в негативном ключе - чем больше загрузок, тем меньше волатильность. Макроэкономические индикаторы на сокращенной выборке поменяли направление и степень влияния на волатильность. Вопреки ожиданиям совершенно не влияет на зависимую переменную количество просмотров страницы о биткоине в Википедии. Это может быть связано с угасающим эффектом от роста осведомленности населения о биткоине и связанных с ним технологиях.
Сравнение двух моделей в целом по объясняющим свойствам позволяет сделать выбор в пользу второй, поскольку скорректированный коэффициент детерминации в ней составил 0,43. Отметим также, что обе представленные модели в целом значимы, значение Probability у них равно нулю.
Сопоставление результатов эмпирического анализа распределения логарифмической доходности криптовалюты, а также результатов моделирования волатильности с использованием дисперсии исторических данных, «дзета»-критерия, авторегрессионной модели оценки рисков, а также модели экспоненциально взвешенного скользящего среднего позволяют сформулировать следующие выводы:
- биткоин является активом с высокими рисками, значительную часть колебаний волатильности которого можно объяснить спекулятивной составляющей;
- для оценки рисков инвестирования в биткоин не применимы параметрические методы группы VaR, поскольку логарифмическая доходность не распределена по нормальному закону;
- оценка рисков инвестирования историческим методом с учетом рассмотренной ретроспективы вряд ли возможна в связи со значительными изменениями курса криптовалюты в последний период рассмотрения и опасностью их заглушения более старыми историческими данными, в то время как уже сложившиеся на данный момент тенденции сильно определяют настроения инвесторов;
- методика оценки рисков на основе показателя «дзета» не является релевантной для биткоина в связи с высокими колебаниями цен в торговых сессиях в течение дня, что сильно завышает риски, а иногда делает их оценку и вовсе неадекватной;
- авторегрессионные модели оценки рисков (пример ARIMA-GARCH) волатильности биткоина в моменты резких изменений курса завышают риски, в то время как при более незначительных - занижают их по сравнению с исторической волатильностью; отметим, что тест на равенство средних по предсказанной и исторической логарифмической доходностям оказался отрицательным, а тест на равенство дисперсий - положительным;
- результаты оценки рисков на основе модели экспоненциально взвешенного скользящего среднего схожи с полученными результатами оценки исторической волатильности, в том числе, и потому что значения исторической волатильности фигурируют в расчете скользящих средних; при этом значения фактической волатильности настолько высоки, что скользящая средняя не сильно способствует погашению колебаний;
- потенциально интересным для моделирования рисков инвестиций в биткоин является поиск по сетке параметра сглаживания в методе экспоненциально взвешенного скользящего, позволяющего максимально полно учесть автокорреляцию курса биткоина на уровни прошлых периодов и волатильность актива;
- исследовательский интерес в оценке рисков в классе традиционных методик представляет также оценка параметров чувствительности на данном рынке, а также метод Монте-Карло, моделирование в рамках которого не было осуществлено в данной работе в связи с высокими затратами вычислительных и временных ресурсов;
- в настоящее время не существует эконометрических моделей, способных объяснить и спрогнозировать волатильность биткоина на среднесрочную и краткосрочную перспективу с учетом доступных факторов на рынке;
- набор детерминант ценовой динамики биткоина, направление их воздействия и существенность такого воздействия меняется с течением времени, что в первую очередь может объясняться стремительной эволюцией рынка криптовалют, первой и наиболее значимой из которых является биткоин.
Заключение
биткоин платежный инвестирование
Рынок криптовалют в современных экономических условиях развивается стремительными темпами. По сравнению с острым принципиальным их неприятием правительствами, государственными регуляторами и центральными банками различных стран в самом начале становления рынка, в настоящее время виртуальные валюты постепенно приобретают новый статус, «обрастают» институтами, привлекают новых пользователей как со стороны физических лиц, так и многочисленных представителей бизнеса. Уже сегодня понятно, что, несмотря на спорный экономический и юридический статус криптовалют, они не только имеют право на существование, но и могут составить достойную альтернативу традиционным деньгам.
В представленной магистерской диссертации был проведен анализ факторов риска при инвестировании в биткоин - самую известную и значительную из криптовалют.
Специалисты финансовых рынков до сих пор не пришли к единому мнению, к какому классу экономических активов относить биткоин: является ли он разновидностью виртуальных валют, товаром или инвестиционным активом. Неопределенность относительно статуса биткоина характерна не только для представителей академического сообщества, но и для официальных регуляторов различных стран, в некоторых из которых он законодательно запрещен, а в других - постепенно обретает официальные черты. Так или иначе, рынок биткоина привлекателен для потенциальных инвесторов из-за доступности использования, безопасности операций, независимости от третьих лиц, высокой скорости и низкой стоимости транзакций. Наряду с привлекательными сторонами биткоина также следует говорить и о негативных его свойствах: невозможности отмены операций, высокой привлекательности для теневого рынка, криминальных и преступных структур, а также целей ухода от налогообложения, высокой изменчивости цены и непредсказуемом будущем. Очевидно, несмотря на серьезные изменения на рассматриваемом рынке в последнее время биткоин продолжает оставаться экспериментальной валютой, дальнейшее развитие которой сложно спрогнозировать.
Поскольку ценовая динамика биткоина подвержена быстрым и резким изменениям в основном из-за спекулятивных факторов, интерес инвесторов к криптовалюте весьма легко объясняется и не ослабевает со временем. Наличие спроса на биткоин делает актуальным вопрос о применимости традиционных способов оценки рисков при инвестировании в криптовалюту. Большинство методик оценки оперируют понятием «волатильность», которая определяется как отклонение доходности от среднего уровня в некоторый заранее выбранный промежуток времени. К данному моменту можно выделить несколько методик анализа волатильности, в частности через: дисперсию и полудисперсию доходостей, линейное отклонение, нижний момент k порядка, модицифированный коэффициент Джини, «дзета-показатель», группу методов VaR (дельта-нормальный метод, метод исторического моделирования, Монте-Карло, показатель ожидаемых потерь), модели авторегрессионной условной гетероскедастичности (ARCH, GARCH и их модицификации), модели экспонециально взвешенного среднего, геометрического броуновского движения, чувствительности к рынку в общем, и др.
Попытки объяснить ценовую динамику биткоина и исследовать природу её изменений предпринимались в работах современных российских и зарубежных ученых. Все факторы, определяющие динамику курса криптовалюты принято делить на технологические (хэшрейт, сложность майнинга, совокупный объем выходов, и т.д.), макроэкономические (курс доллара, цена на нефть, цена на золото, индекс Доу-Джонс, Шанхайской биржи и т.д.), а также иллюстрирующие приклекательность биткоина для инвесторов (статистика поисковых запросов в Google, статистика просмотров в Википедии, сообщений в Twitter, и т.д.).
Проверка применимости традиционных методов оценки рисков и моделей волатильности биткоина на эмпирических данных о функционировании рынка показала, что в настоящее время сложно выделить адекватную модель, которая может использоваться для измерения рисков инвестирования в биткоин. Часть моделей в классе традиционных для моделирования рисков, например, группа методов VaR неприменима в связи с предпосылкой о нормальности распределения доходности актива, что не выполняется в случае с биткоином. Историческое моделирование в группе VaR не может быть применено в связи с высокой ценностью наблюдений последних периодов, которая может быть проигнорирована в связи с особенностями применения метода, где каждому наблюдению присваивается равный вес. Метод авторегрессионной условной гетероскедастичности ARIMA-GARCH в целом полностью повторяет ценовую динамику биткоина по направлению, однако в то же время значительно завышает риски по волатильности. «Дзета-показатель», основанный на расчетах размаха ценовой вариации по отношению к минимальной цене за торговую сессию, сильно завышает риски, иногда вовсе приводя к неадекватным оценкам. А метод экспоненциально взвешенного скользящего среднего в связи с высокой волатильностью по результатам моделирования рисков почти не отличается от метода исторической волатильности.
Попытки определить ценовые детерминанты биткоина и степень их влияния на волатильность привели к противоречивым выводам. На более существенном историческом промежутке подтверждено воздействие на цену биткоина ранее выявленных в работах российских и зарубежных исследователей факторов, в том числе макроэкономических - цена золота, индекс Шанхайской биржи - и иллюстрирующих привлекательность криптовалюты для инвесторов - количество загрузок популярного биткоин-клиента, количества поисковых запросов по биткоину. В то же время проверка степени влияния этого же набора факторов на цену в более короткий временной период показала, что определяющими для волатильности биткоина является его цена за прошлый период, объемы обращения на рынке, индекс Шанхайской биржи и количество загрузок биткоин-клиента. Столь сильные различия в наборе объясняющих переменных могут быть связаны с неустойчивым характером рынка, находящимся еще на этапе формирования, когда одним ценовым драйверам в сравнительно короткий промежуток времени на смену приходят другие.
Потенциально интересными направлениями развития проделанной работы является применение методов моделирования Монте-Карло к волатильности криптовалюты, а также оценка параметров чувствительности биткоина к рынку альткоинов в целом. Метод экспоненциально взвешенной скользящей средней в применении к биткоину может дать более адекватные результаты после определения по сетке параметра сглаживания, позволяющего максимально полно учесть автокорреляцию курса биткоина в первом периоде, а также его дисперсию в прошлые периоды.
Подводя итог проделанной работе, следует отметить, что все поставленные задачи были выполнены, а цели достигнуты.
Литература
1. Федеральный закон "О валютном регулировании и валютном контроле" от 10.12.2003 № 173-ФЗ (в ред. от 03.04.2018).
2. Апатова Н.В., Королев О.Л. Финансовая безопасность и технологии блокчейн // Научный вестник: Финансы, банки, инвестиции. 2017. №4. С. 35-41.
3. Батоев В.Б. Использование криптовалюты в преступной деятельности: проблемы противодействия// Труды Академии управления МВД России. 2017.№ 2 (42). С. 9-15.
4. Болдырихин А.А. Криптовалюты как принципиально новый финансовый инструмент и экономический вызов // Панорама. 2015. Т.18. С. 24-29.
5. Бронштейн Е.Н., Куреленкова Ю.В. Как измерять риск // Рынок ценных бумаг. 2006. № 12. С.69-72.
6. Галчин Д.Г. Современное регулирование криптовалют в разных странах // Экономические исследования и разработки: научно-исследовательский журнал. 2017.№ 12. С. 26-34.
7. Гусенко А.Б. Исследование рынка биткоина // Управление социально-экономическими системами: теория, методология, практика: сборник статей III Международной научно-практической конференции. 2017. Ч. 1. С. 269-273
8. Давликанова Н.В., Здобникова Г.А. Будет ли в России биткоин? // Вестник ТвГТУ. Серия «Науки об обществе и гуманитарные науки». 2016. Вып. 2. С. 171-182
9. Дамодаран А. Инвестиционная оценка: Инструменты и методы оценки любых активов / Асват Дамодаран; Пер. с англ. - 8-е изд., перераб. И доп. - М.: АЛЬПИНА ПАБЛИШЕР, 2014. - 1316 с.
10. Дурдыева Д.А., Трапизонян А.А. Состояние криптовалютного рынка и перспективы развития биткоин // Международный научный журнал «Инновационная наука». 2017. №1. С.43-47
11. Журило П.И. Криптознаки и их будущее // Вестник экономической безопасности. 2017. №3. С. 198-200.
12. Колосова А.А. Тенденции функционирования криптовалюты Bitcoin в зарубежных странах // В сборнике: Advances in Science and Technology Сборник статей VII международной научно- практической конференции. Под редакцией В.Б. Соловьева. 2017. С. 113-114.
13. Кунин В.А. Инновационные методы оценки эффективности управления предпринимательскими рисками // Экономика и управление. 2007. №6 (32). С. 44-50.
14. Россохин В.В. Оценка рисков активных и пассивных инвестиционных стратегий // Финансы и кредит. 2012. №2 (482). С. 19-27.
15. Россохин В.В., Чапрак Н.В. Оценка риска инвестирования с использованием относительного диапазона колебаний цены актива // Финансы и кредит. 2015. № 29 (653). С. 13-28.
16. Рукина А.Е. Биткоин и его будущее // В сборнике: Перспективы развития информационных технологий Труды Всероссийской молодежной научно-практической конференции. Кузбасский государственный технический университет имени Т.Ф. Горбачева, Международный научно-образовательный центр Куз ГТУ - Arena Multimedia. 2014. С. 121-122.
17. Степанова Д.И. Способы предпринимательства на основе использования криптовалют // Научный руководитель. 2018. № 1 (25). С. 99-108.
18. Суханова Е.И., Ширнаева С.Ю., Кожемякин Д.А. Анализ прибыльности торговой стратегии на основе ARIMA/GARCH модели для рынка BITCOIN // Фундаментальные исследования. 2017. №8. С. 226-232.
19. Тимофеева А. С., Киселева И. А. Модель оценки и управления величины фондового рынка // Молодежь и наука. 2016. № 9.
20. Фантаццини Д., Нигматуллин Э.М., Сухановская В.Н., Ивлиев С.В. Все, что вы хотели знать о моделировании биткойна, но боялись спросить. Часть I // Прикладная эконометрика. 2016.Т. 44. С. 5-24.
21. Фантаццини Д., Нигматуллин Э.М., Сухановская В.Н., Ивлиев С.В. Все, что вы хотели знать о моделировании биткойна, но боялись спросить. Часть II // Прикладная эконометрика. 2017.Т. 45. С. 5-28.
22. Шарп У., Александер Г., Бэйли Дж. Инвестиции: Пер. с англ. - М. ИНФРА-М, 2001. - XII, 1028 с.
23. Шапкин А.С. Экономические и финансовые риски. Оценка, управление, портфель инвестиций / А. С. Шапкин, В. А. Шапкин. -- 8-е изд. -- М.: Издательско-торговая корпорация «Дашков и Ко», 2012. -- 544 с.
24. Энциклопедия финансового риск-менеджмента / Под ред. канд. экон. наук А.А. Лобанова и А.В. Чугунова. - 4-е изд., испр. Идоп. - М.: Альпина Бизнес Букс, 2009. - 932с.
25. Baek C., Elbeck M.Bitcoins as an investment or speculative vehicle? A first look // Applied Economics Letters. 2015. Vol. 22 (1). P. 30-34.
26. Bergstra J. A., de Leeuw K. Bitcoin and beyond: Exclusively informational monies //arXiv preprint. 2013. №1304.4758.
27. Bouoiyour J., Selmi R. Bitcoin price: Is it really that new round of volatilitycan be on way? // Munich Personal RePEc Archive. 2015. №6558.
28. Bouoiyour J., Selmi R. Bitcoin: A beginning of a new phase? // Economics Bulletin. 2016. Vol. 36 (3). P. 1430-1440.
29. Bouoiyour J., Selmi R., Tiwari A. K. Is bitcoin business income or speculative foolery? New ideas through an improved frequency domain analysis // Annals of Financial Economics. 2015. Vol. 10.
30. BouriaE., Guptab R., Lahianic A., Shahbazd M. Testing for asymmetric nonlinear short- and long-run relationships betweenbitcoin, aggregate commodity and gold prices // Resources Policy. 2018 [впечати]
31. Buchholz M., Delaney J., Warren J., ParkerJ. Bits and Bets, Information, Price Volatility, and Demand for BitCoin // Economics. 2012. 312
32. Cheah E.T., Fry J. Speculative bubbles in Bitcoin markets? An empirical investigation into the fundamental value of bitcoin // Economics Letters. 2015. Vol. 130. P. 32-36.
33. Damodaran A. The Bitcoin Boom: Asset, Currency, Commodity or Collectible?
34. Damodaran A. The Crypto Currency Debate: Future of Money or Speculative Hype?
35. Davidson J. The Digital Coin Revolution - Crypto Currency - How to Make Money Online // JD-Biz Corp Publishing. 2013. P. 3-5.
36. Dyhrberg A.H.Bitcoin, gold and the dollar - A GARCH volatility analysis // Financial Research Letters Journal.2016. Vol. 16. P. 85-92.
37. Dyhrberg A.H. Hedging capabilities of Bitcoin. Is it the virtual gold? // Financial Research Letters Journal.2016. Vol. 16. P. 139-144.
38. Fry J. Multivariate bubbles and antibubbles // The European Physical Journal. 2014. Vol. 87 (8). P. 1-7.
39. Garcia D., Tessone C. J., Mavrodiev P., Perony N. The digital traces of bubbles: Feedback cycles between socio-economic signals in the Bitcoin economy // Journal of the Royal Society Interface. 2014. Vol.11 (99).
40. Garcia D., Schweitzer F. Social signals and algorithmic trading of Bitcoin // Royal Society open science. 2015. Vol. 2 (9).
41. Glaser F., Zimmarmann K., Haferhorn M., Weber M.C., Siering M. Bitcoin - Asset or currency? Revealing users' hidden intentions // Twenty Second European Conference on Information Systems, ECIS. 2014. P. 1-14
42. Grinberg R. Bitcoin: an innovative alternative digital currency // Hastings Science and Technology Law Journal. 2011. Vol. 4. P. 160-206.
43. Gronwald M. The economics of Bitcoins - Market characteristics and price jumps // CESifo Working Paper. 2014. № 5121.
44. Hayes A. A cost of production model for bitcoin // Working Paper 05/2015. Department of Economics,The New School for Social Research. 2015.
45. Hayes A. Cryptocurrency value formation: An empirical study leading to a cost of production model for valuing bitcoin // Telematics and Informatics, forthcoming. 2015. Vol. 34. P. 1308-1321
46. Hayes A. The decision to produce altcoins: Miners' arbitrage in cryptocurrency markets // Working Paper 05/2015. Department of Economics, The New School for Social Research. 2015.
47. Hayes A. Cryptocurrency value formation: An empirical analysis leading to a cost of productionmodel for valuing bitcoin // Telematics and Informatics. 2017. Vol. 34. P. 1308-1321
48. Huhtinen T.P. Bitcoin as a monetary system: Examining attention and attendance. Master's thesis // Department of Finance, Aalto University School of Business. 2014.
49. Kancs D.A., Ciaian P., Miroslava R. The digital agenda of virtual currencies. Can bitcoin become a global currency? // Joint Research Centre Technical Report JRC97043. Institute for Prospective and Technological Studies. 2015.
50. Katsiampa P. Volatility estimation for Bitcoin: A comparison of GARCH models // Economics Letters. 2017. Vol.(158). P. 3-6/
51. Kristoufek L. BitCoin meets Google Trends and Wikipedia: quantifying the relationship between phenomena of the Internet era // Scientific Reports. 2013. Vol. 3 (3415). P. 1-7.
52. Kristoufek L. What are the main drivers of the bitcoin price? Evidence from wavelet coherenceanalysis // Plos ONE. 2015. Vol. 10 (4).
53. Li X., Wang C.A. The technology and economic determinants of cryptocurrency exchangerates: The case of Bitcoin // Decision Support Systems.2017. Vol. 95. P. 49-60
54. MacDonell A. Popping the bitcoin bubble: An application of log?periodic power law modeling to digital currency// Universityof Notre Dame. 2014.
55. Su C.-W., Li Z.Z., Tao R., KuiSi D. Testing for multiple bubbles in bitcoin markets: A generalized sup ADF test // Japan and the World Economy. 2018 [впечати]
56. Tudor F. Making Money with Bitcoins, Litecoins and Other Cryptocurrency // Frank Tudor. 2014. 23 p.
57. Urquhart A. The inefficiency of Bitcoin // Economic Letters. 2016. Vol. 148.P. 80-82.
58. Van Wijk D.What can be expected from the BitCoin? // Working Paper Erasmus Rotterdam Universiteit. 2013.№ 345986.
59. Vigna P., Casey M.J. Cryptocurrency: How Bitcoin and Cybermoney Are Overturning the World Economic Order // RHCB. 2015. 368 p.
60. Woo D., Gordon I., Iaralov V. Bitcoin: A first assessment // FX and Rates. Bank of America Merrill Lynch. 2013.
61. Yermack D. Is bitcoin a real currency? An economic appraisal // National Bureau of Economic Research working paper. 2013.№ 19747.
Приложение 1
Таблица 5. Коррелограммы логарифмической доходности биткоина 1 разности
Autocorrelation |
PartialCorrelation |
AC |
PAC |
Q-Stat |
Prob |
||
**| | |
**| | |
1 |
-0,3 |
-0,3 |
246,7 |
0 |
|
*| | |
**| | |
2 |
-0,2 |
-0,3 |
318,0 |
0 |
|
*| | |
**| | |
3 |
-0,1 |
-0,3 |
336,6 |
0 |
|
| | |
**| | |
4 |
0,1 |
-0,2 |
348,9 |
0 |
|
| | |
*| | |
5 |
0,1 |
-0,2 |
354,8 |
0 |
|
| | |
*| | |
6 |
0,0 |
-0,1 |
356,0 |
0 |
|
| | |
| | |
7 |
0,0 |
0,0 |
356,5 |
0 |
|
*| | |
*| | |
8 |
-0,1 |
-0,1 |
369,1 |
0 |
|
| | |
*| | |
9 |
0,0 |
-0,2 |
372,3 |
0 |
|
|* | |
*| | |
10 |
0,1 |
-0,1 |
387,0 |
0 |
|
| | |
| | |
11 |
0,0 |
-0,1 |
392,4 |
0 |
|
| | |
*| | |
12 |
-0,1 |
-0,1 |
398,8 |
0 |
|
| | |
*| | |
13 |
0,0 |
-0,1 |
401,9 |
0 |
|
| | |
| | |
14 |
0,0 |
0,0 |
404,7 |
0 |
|
| | |
| | |
15 |
0,0 |
0,0 |
405,6 |
0 |
Таблица 6. 2 разности
Autocorrelation |
PartialCorrelation |
AC |
PAC |
Q-Stat |
Prob |
||
****| | |
****| | |
1 |
-0,6 |
-0,6 |
712,9 |
0 |
|
| | |
***| | |
2 |
0,0 |
-0,4 |
714,3 |
0 |
|
| | |
***| | |
3 |
0,0 |
-0,4 |
716,0 |
0 |
|
| | |
***| | |
4 |
0,1 |
-0,4 |
726,8 |
0 |
|
| | |
**| | |
5 |
0,0 |
-0,3 |
726,8 |
0 |
|
| | |
**| | |
6 |
0,0 |
-0,3 |
726,9 |
0 |
|
| | |
*| | |
7 |
0,0 |
-0,2 |
727,0 |
0 |
|
| | |
*| | |
8 |
0,0 |
-0,1 |
729,9 |
0 |
|
| | |
*| | |
9 |
0,0 |
-0,1 |
731,7 |
0 |
|
| | |
*| | |
10 |
0,1 |
-0,1 |
738,2 |
0 |
|
| | |
*| | |
11 |
0,0 |
-0,1 |
739,8 |
0 |
|
| | |
| | |
12 |
0,0 |
-0,1 |
744,1 |
0 |
|
| | |
*| | |
13 |
0,0 |
-0,1 |
745,1 |
0 |
|
| | |
| | |
14 |
0,0 |
-0,1 |
747,2 |
0 |
|
| | |
| | |
15 |
0,0 |
0,0 |
747,9 |
0 |
Приложение 2
Таблица 7. Оценка ковариаций и корреляций между переменными в моделях волатильности биткоина
Размещено на Allbest.ru
Подобные документы
История зарождения цифровых денежных средств, децентрализация как основной принцип их функционирования. Технология использования криптовалют Биткоин, Лайткоин, Etherium. Различие между централизованными и децентрализованными системами обмена информации.
контрольная работа [179,7 K], добавлен 17.06.2017Bitcoin как пиринговая система электронной наличности, использующая одноименную цифровую валюту. Характеристика протокола Zerocash, анализ особенностей. Знакомство с операционной системой криптофинансовой сферы. Рассмотрение систем электронных транзакций.
курсовая работа [518,7 K], добавлен 25.05.2015История зарождения цифровых денежных средств в экономической науке. Создание биткоина как первой криптографической валюты. Построение онлайн-сервисов на базе блокчейна Etherium. Организация приема платежей. Отношение к криптовалютам в различных странах.
курсовая работа [402,0 K], добавлен 09.06.2017Содержание, цели и задачи управления финансовыми инвестициями, их виды. Модели оценки стоимости финансовых инструментов инвестирования. Риск и доходность портфельных инвестиций. Принципы и порядок формирования портфеля реальных инвестиций ОАО "Татнефть".
курсовая работа [819,2 K], добавлен 22.09.2015Понятие и виды финансовых инвестиций. Особенности управления финансовыми инвестициями. Модели оценки стоимости финансовых инструментов инвестирования. Анализ финансового состояния предприятия. Анализ и оценка инвестиционного портфеля, его риск и доходы.
курсовая работа [1,1 M], добавлен 10.05.2012Пользователи информации налогового учета и их интересы. Элементы налогообложения, определяющие требования к содержанию налоговой информации. Взаимосвязь бухгалтерского и налогового учета по кругу операций связанных с осуществлением материальных расходов.
контрольная работа [34,6 K], добавлен 17.10.2010Расчет фактической, ожидаемой и безрисковой доходности и риска по акциям. Определение привлекательности акций для инвестирования. Определение коэффициента Шарпа. Сравнение выбранного портфеля акций с индексным портфелем. Доходность акции на единицу риска.
курсовая работа [1,6 M], добавлен 24.05.2012Проект как комплекс действий, обеспечивающих достижение определенных целей. Анализ особенностей реальных инвестиционных проектов. Основные способы учета факторов неопределенности и риска. Проектирование как процесс подготовки проектных материалов.
дипломная работа [206,7 K], добавлен 31.12.2012Анализ финансово-экономических показателей деятельности ОАО "Каспрыбхолодфлот". Управление инвестициями на предприятии: создание новой производственной линии, оценка рынка сбыта и конкурентоспособности, стратегия инвестирования технологической линии.
курсовая работа [90,9 K], добавлен 15.05.2008Понятие, структура, принципы организации и функции платежной системы, роль Центрального банка в ее регулировании. Осуществление расчетов на валовой и чистой основах. Особенности национальной и частной платежных систем России, пути их совершенствования.
курсовая работа [237,7 K], добавлен 18.03.2010