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 17.06.2017

  • Bitcoin 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 25.05.2015

  • История 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 09.06.2017

  • Содержание, 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 22.09.2015

  • Понятие 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 10.05.2012

  • Пользователи 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 17.10.2010

  • Расчет 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 24.05.2012

  • Проект 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 31.12.2012

  • Анализ 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 15.05.2008

  • Понятие, 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

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.