بازار cryptocurrency به عنوان بی ثبات تر از کلاس های دارایی سنتی درک می شود. بنابراین ، مدل سازی نوسانات ارزهای رمزپایه برای تصمیم گیری در مورد سرمایه گذاری مهم است. با این حال ، نوسانات بزرگ در بازار به دلیل نوسانات ذاتی آنها ممکن است برای ارزهای رمزنگاری طبیعی باشد. انحرافات ، همراه با همبستگی بازده دارایی ، برای اندازه گیری میزان ناهنجاری بازار باید در نظر گرفته شود. در این مقاله استفاده از مسافت های محکم Mahalanobis بر اساس برآوردگرهای انقباض و حداقل تعیین کننده کواریانس برای مشاهده نمرات ناهنجاری ارزهای رمزنگاری شده نشان می دهد. تجزیه و تحلیل ما نشان می دهد که نمرات ناهنجاری یک مکمل مهم برای اقدامات نوسانات برای درک بازار رمزنگاری است. استفاده از نمرات ناهنجاری بیشتر از طریق بهینه سازی نمونه کارها و تجزیه و تحلیل سناریو نشان داده شده است.
کلید واژه ها:
1. معرفی
حتی اگر در ابتدا سرمایه گذاری در ارزهای رمزنگاری شده به عنوان شرط بندی های خطرناک تلقی شود ، افزایش مشارکت افراد و همچنین موسسات در حال تغییر این دیدگاه ها بوده است ، زیرا اکنون بازار رمزنگاری به عنوان یک کلاس دارایی جدید برای بسیاری از سرمایه گذاران تلقی می شود. با این انقلاب ها ، مطالعات بی شماری با هدف کلی درک بازار رمزنگاری [1،2،3] یا به طور خاص ، ارزهای رمزنگاری شده به عنوان دارایی های سرمایه گذاری صورت گرفته است. تلاش زیادی برای تجزیه و تحلیل اثرات تنوع و ارزیابی ارزهای رمزنگاری شده به عنوان یک کلاس دارایی انجام شده است [4،5،6،7،8]. برخی دیگر بر تنوع در سطح رمزنگاری [9] و همبستگی متقابل بین خود متمرکز شده اند [10،11]. پیش بینی حرکت قیمت ارزهای رمزنگاری شده با استفاده از داده های رسانه های اجتماعی [12] ، عدم اطمینان اقتصادی و سیاسی بازار رمزنگاری [13،14] و نقدینگی ارزهای رمزنگاری شده [15،16] نیز مورد مطالعه قرار گرفته است. با توجه به نوسانات زیاد در ارزهای رمزنگاری ، تجزیه و تحلیل ها نیز بر نوسانات بازار متمرکز شده اند. بسیاری از مطالعات عوامل خطر ارزهای رمزنگاری شده [17،18،19،20] را مورد بررسی قرار داده و مدل هایی را برای پیش بینی نوسانات [21،22] ، از جمله پیش بینی های ارزش روزانه در معرض خطر بررسی کرده اند [23].
در این مقاله ، خطر و نوسانات بازار cryptocurrency بیشتر مورد بررسی قرار می گیرد اما از دیدگاه کلان مشاهده نمرات ناهنجاری حرکات بازار. تجزیه و تحلیل بر اساس مشاهده ارزهای رمزنگاری شده از طریق نمرات ناهنجاری اندازه گیری شده با فاصله Mahalanobis و تغییرات قوی آن است. تجزیه و تحلیل دارای دو سهم مهم است. اول ، در حالی که به طور کلی ارزهای رمزنگاری شده در مقایسه با دارایی های سنتی به عنوان بی ثبات تر درک می شوند ، مشاهده نمرات ناهنجاری یک چارچوب استاندارد برای شناسایی وقایع بعید یا دور از ذهن را فراهم می کند ، جایی که محاسبات ناهنجاری شامل میانگین ، واریانس و همبستگی است. علاوه بر این ، نمرات ناهنجاری از طریق بازده رمزنگاری و همچنین عوامل خطر تجزیه و تحلیل می شود و فرمولاسیون های قوی برای رسیدگی به مسافت های شدید در ارزهای رمزنگاری شده پیشنهاد شده است. دوم ، نمرات ناهنجاری می تواند مدیریت نمونه کارها و تجزیه و تحلیل سناریو ارزهای رمزنگاری شده را افزایش دهد. نمرات ناهنجاری می تواند به عنوان شاخصی از شرایط غیر طبیعی بازار عمل کند ، و همچنین می توانند تصویری آماری از وقایع تاریخی را به تصویر بکشند که واسطه ای را برای اندازه گیری احتمال تاریخی و همچنین احتمال تخمین زده شده از سناریوهای آینده فراهم می کند. انجام تجزیه و تحلیل سناریو با استفاده از عوامل خطر ، تعامل بصری و منطقی تر با بازار رمزنگاری را فراهم می کند. به طور کلی ، تجزیه و تحلیل یک نمونه عملی از تجزیه و تحلیل بازار رمزنگاری از منظر کلان تر است که یک مکمل ارزشمند برای تجزیه و تحلیل نوسانات ارزهای رمزنگاری شده است.
2. روش شناسی
نمرات ناهنجاری حرکات بازار با فاصله Mahalanobis (MD) اندازه گیری می شود ، که یک گسترش چند متغیره از نمرات Z است و با استاندارد سازی انحراف از میانگین با ماتریس کواریانس محاسبه می شود:
md r = r - μ t σ - 1 r - μ
جایی که μ ∈ ℝ n میانگین بردار است و σ ∈ ℝ n × n ماتریس کواریانس یک بردار تصادفی r ∈ ℝ n است. در حالی که توزیع بیضوی را فرض می کند ، نشان داده شده است که MD در تجزیه و تحلیل خطرات بازارهای مالی مؤثر است [24]. بر اساس MD ، نمره ناهنجاری به این صورت تعریف شده است:
a r = md r / n
برای اصلاح برای افزایش MD ناشی از تعداد بیشتری از متغیرهای N برای اندازه گیری فاصله [25].
به دلیل سنبله های مکرر در حرکات رمزنگاری ، MD به انتخاب دوره سرمایه گذاری حساس می شود. میانگین و کواریانس مورد استفاده در محاسبه MD نسبت به حرکات قیمت بسیار حساس است. بنابراین ، در این مطالعه ، MD های قوی برای بررسی ارزهای رمزنگاری شده پیشنهاد شده است. اولین رویکرد قوی پیشنهادی از بهینه سازی نمونه کارها که در آن از برآوردگرهای انقباض برای محاسبه MD استفاده می شود ، گرفته می شود. میانگین بردار با برآوردگر بی ز-شتین تخمین زده شد. دومین رویکرد قوی که در این مطالعه به کار رفته است ، حداقل تعیین کننده کواریانس برای محاسبه لحظات اول و دوم بدون بازده در بازده است [28]. حتی اگر بازده cryptocurrency به طور معمول توزیع نمی شود [29] ، روش های قوی MD چارچوبی برای مقایسه نمرات ناهنجاری قوی فراهم می کنند. در بخش 4 ، نتایج تجربی MD را مقایسه می کند که میانگین و کواریانس از کل دوره (یعنی پیدا کردن فاصله نسبت به حرکت کلی) یا 104 هفته اخیر (یعنی پیدا کردن فاصله نسبت به شرایط بازار در بیشترین تخمین زده می شود. دو سال اخیر ، از مارس 2000).
مهمتر از همه ، نمرات ناهنجاری در ابتدا با حرکات قیمت ارزهای رمزنگاری بالا اندازه گیری شد و تجزیه و تحلیل با عوامل خطر ارزهای رمزنگاری تکرار شد. عوامل خطر به ویژه برای مدیریت اوراق بهادار سرمایه گذاری از اهمیت ویژه ای برخوردار هستند زیرا قرار گرفتن در معرض ریسک یک نمونه کارها را می توان به طور مؤثر با عوامل اساسی اندازه گیری کرد ، در حالی که دارایی های مالی اغلب همبستگی های متقابل بالایی را نشان می دهند [30،31]. به تازگی ، لیو و تسیوینسکی [20] تجزیه و تحلیل جامع قیمت گذاری دارایی تجربی را بر روی ارزهای رمزپایه انجام دادند و دریافتند که بازده رمزنگاری در معرض عوامل شبکه مانند تعداد معاملات یا تعداد کاربران کیف پول قرار دارد ، اما عوامل تولیدی مانند برق و هزینه های محاسباتی نیست. بنابراین ، عوامل شبکه در تجزیه و تحلیل ما برای اندازه گیری نمرات ناهنجاری بازار رمزنگاری انتخاب شدند. تجزیه و تحلیل مؤلفه اصلی در آزمایش ما گنجانده نشده است زیرا مؤلفه های اصلی که بخش عمده ای از واریانس ارزهای رمزنگاری شده را توضیح می دهد با ارزهای بی ثبات تر از سال 2018 ، مانند Dogecoin بسیار مرتبط است. به طور خاص ، ما دریافتیم که سه مؤلفه اصلی برتر بیش از 70 ٪ واریانس را توضیح داده اند ، که در آن مؤلفه اصلی اول با بازگشت به همان اندازه وزن ارزهای رمزنگاری شده و مؤلفه اصلی دوم با Dogecoin ارتباط دارد.
3. داده ها
دو مجموعه از داده ها در تجزیه و تحلیل ما استفاده شده است: داده های قیمت ارزهای رمزنگاری شده و اثرات شبکه ضبط داده ها در ارزهای رمزپایه. قیمت بسته شدن ارزهای رمزنگاری شده از CoinmarketCap (CoinmarketCap. com) [32] و معیارهای سکه (Coinmetrics. io) بازیابی شد. داده های قیمت روزانه مشخص شده به دلار از 1 ژانویه 2018 به 28 فوریه 2022 جمع آوری و به بازده هفتگی تبدیل شد (بازده هفتگی برای کاهش هرگونه ناسازگاری در زمان برای محاسبه قیمت بسته شدن روزانه) استفاده می شد. این تجزیه و تحلیل از سال 2018 بر بازار رمزنگاری متمرکز شده است زیرا صندوق های cryptocurrency ویژگی های متمایز در دوره حباب پس از ICO (ارائه سکه اولیه) را نشان می دهد [33] و بازار به طور کلی به دنبال حباب ICO بالغ شده است [34]. بازارهای رمزنگاری شده از سال 2018 می توانند به عنوان دوره حباب پس از ICO متمایز شوند [33] ، و ICO ها ، به همراه حوادث مربوط به ICO ، مانند ممنوعیت های نظارتی ، مشاهده می شوند که باعث حساسیت در بازار می شوند [35].
آزمایشات تجربی با هفت مجموعه مختلف بازده هفتگی انجام شد که در روزهای مختلف هفته به پایان رسید (یعنی اولین مجموعه بازده هفتگی هر دوشنبه پایان می یابد ، مجموعه دوم بازده هفتگی هر سه شنبه و غیره). ما روی 40 ارز برتر با بزرگترین سرمایه گذاری در بازار متمرکز شدیم که بیش از 90 ٪ از سرمایه های بازار را به ارزش 500 ارز برتر رمزنگاری (از 27 فوریه 2022) به دست می آورد. فیلتر کردن ارزهای رمزپایه با داده های قیمت موجود از ابتدای سال 2018 منجر به 15 ارز می شود: بیت کوین (BTC) ، اتریوم (ETH) ، Tether (USDT) ، BNB ، XRP ، Cardano (ADA) ، Dogecoin (Doge) ، Litecoin (LTC)، ChainLink (پیوند) ، Tron (TRX) ، Bitcoin Cash (BCH) ، Decentraland (Mana) ، ستاره ای (XLM) ، Ethereum Classic (ETC) و FileCoin (FIL). از آنجا که بازار رمزنگاری شامل ارزهای رمزنگاری بسیاری است ، ما همچنین از شاخص CCI30 در تجزیه و تحلیل خود استفاده کردیم ، که یک شاخص از 30 ارز برتر رمزنگاری است (شاخص CCI30 به عنوان یک شاخص نماینده بازار رمزنگاری برای تجزیه و تحلیل نقدینگی استفاده شده است [36]رفتار گله دار [37،38] و پویایی ارزهای رمزنگاری شده [39]).
بر اساس تجزیه و تحلیل در [20] ، چهار عامل اثر شبکه در ارزهای رمزنگاری جمع آوری شد: تعداد آدرس های فعال (آدرس) ، تعداد معاملات (معامله) ، تعداد نقل و انتقالات (انتقال) و تعداد کیف پول های منحصر به فرد (کیف پول). تعداد کیف پول از blockchain. com برای کاربران آن به دست آمد و سه عامل دیگر از داده های بیت کوین از معیارهای سکه (coinmetrics. io) به دست آمد. رشد هفتگی این چهار معیار برای مطابقت با دوره های برگشتی هفتگی ارزهای رمزپایه محاسبه شده است (آمار توصیفی 15 ارز رمزنگاری شده و چهار عامل شبکه در پیوست A گنجانده شده است و جزئیات بیشتر ، مانند تأثیر روزهای هفته ،در [20] ارائه شده است).
4- نتایج تجربی در نمره ناهنجاری
4. 1نوسانات ارزهای رمزنگاری شده
در این بخش ، نوسانات بازار رمزنگاری قبل از محاسبه نمرات ناهنجاری مشاهده می شود. شکل 1 انحراف استاندارد نورد 30 روزه سالانه از 15 ارز رمزنگاری برتر و شاخص CCI30 با وزن ارزش را نشان می دهد. شکل 2 مقادیر تاریخی شاخص نوسانات رمزنگاری (CVI) را نشان می دهد ، که از آوریل سال 2019 آغاز می شود ، اما X-axis برای مطابقت با ارقام دیگر اندازه گیری شده است. نتایج نمره ناهنجاری در بخش های بعدی با این اقدامات نوسانات مقایسه شد تا مقدار اضافی ارائه شده توسط نمرات ناهنجاری را متمایز کند.
4. 2نمرات ناهنجاری ارزهای رمزنگاری شده
اولین مجموعه از نمرات ناهنجاری مستقیماً از ارزهای رمزنگاری شده بدون استفاده از عوامل محاسبه شد. به منظور رفع حساسیت در MD ، از برآوردگرهای کوچک شدن بردار میانگین [26] و ماتریس کواریانس [27] استفاده شد. برآوردگرهای انقباض برآوردگرهای بی طرفانه ، مانند میانگین نمونه ، با یک مؤلفه دیگر با ساختار بیشتر ترکیب می شوند. یک برآوردگر انقباض برای بردار بازده مورد انتظار می تواند به این صورت بیان شود:
μ ^ s h r i n k = 1 - α μ ^ + α μ 0 1
در جایی که μ ^ ∈ ℝ n میانگین نمونه است ، μ 0 ∈ ℝ هدف انقباض است ، 1 ∈ ℝ n بردار آنهایی است ، و α شدت انقباض است. به همین ترتیب ، یک برآوردگر انقباض برای ماتریس کواریانس بازده را می توان به صورت زیر نوشت:
σ ^ s h r i n k = 1 - α s + α σ 0
جایی که S ∈ ℝ n × n نمونه ماتریس کواریانس است و σ 0 ∈ ℝ n × n هدف است. در تجزیه و تحلیل ما ، هدف انقباض μ 0 به عنوان بازده مورد انتظار نمونه کارها با کمترین خطر (حداقل نمونه کارها واریانس) و σ 0 به عنوان یک ماتریس هویت مقیاس تنظیم شد. حتی اگر برآورد نمونه می تواند به دوره تخمین حساس باشد ، کوچک شدن آنها به سمت یک هدف کوچک شدن ، استحکام را بهبود می بخشد [40].
این برآوردگرهای کوچک شدن اغلب در بهینه سازی نمونه کارها برای کاهش حساسیت در عملکرد تخصیص بهینه اعمال می شوند [41،42]. شکل 3 نمرات ناهنجاری را نشان می دهد که میانگین و کواریانس از کل دوره (از ژانویه 2018 تا فوریه 2022) یا تنها از 104 هفته گذشته (از مارس 2000 تا فوریه 2020) تخمین زده می شود.
چندین مشاهدات در شکل 3 قابل توجه است. برای هر یک از هفت رقم ، نمرات ناهنجاری به دوره تخمین حساس نیست و نتایج بین نمرات مبتنی بر وضعیت بازار در ژانویه 2018 تا فوریه 2022 و شرایط در ماه مارس بسیار مشابه است2000 تا فوریه 2022. این به وضوح قدرت استفاده از برآوردگرهای انقباض را نشان می دهد (در مقابل ، شکل A2 حساسیت بالایی از استفاده از MD غیر راوب برای اندازه گیری نمرات ناهنجاری را نشان می دهد). علاوه بر این ، مقایسه هفت نمودار در شکل 3 نشان می دهد که روند کلی و سنبله در نمرات ناهنجاری نسبت به انتخاب محاسبات برگشتی هفتگی نسبتاً قوی است. برای هر هفت نمودار ، نمرات ناهنجاری بالا بین اواخر سال 2020 و اواسط سال 2021 ذکر شده است ، و به دنبال آن یک سنبله کوتاه از حدود اکتبر تا نوامبر 2021 است. حتی اگر بین اواخر سال 2018 و اواسط سال 2019 سنبله هایی وجود دارد ، نمرات ناهنجاری کلی نسبتاً استپایین از ابتدای سال 2018 تا اواخر سال 2020.
در مقایسه با اقدامات نوسانات از بخش 4. 1 ، نمرات ناهنجاری نشان می دهد که دوره نوسانات بالا در اوایل تا اواسط 2021 نیز در نمرات ناهنجاری منعکس می شود. با این حال ، مهمتر از همه ، جنبش بازار در ماه مارس تا ماه مه 2020 نسبتاً طبیعی بود ، در حالی که شرایط از اکتبر تا نوامبر 2021 غیر طبیعی بود. باید روشن شود که یک دوره عادی مبتنی بر نمرات ناهنجاری لزوماً منعکس کننده یک دوره بی ثبات نیست. از آنجا که نمرات ناهنجاری فاصله های مربعی را از میانگین استاندارد شده توسط ماتریس کواریانس نشان می دهد ، یک رمزنگاری با نوسانات بالا به طور متوسط لزوماً نمره ناهنجاری بزرگی نخواهد داشت زیرا این امر از میانگین انحراف دارد. این دلیل اصلی است که نمرات ناهنجاری جایگزینی برای نوسانات بازار نیست بلکه یک مکمل اساسی برای تجزیه و تحلیل حرکات بازار است. به عنوان مثال ، نمرات ناهنجاری بالا از اکتبر تا نوامبر 2021 ناشی از سنبله بزرگ در غیر متمرکز (مانا) بود که در کمتر از دو ماه بیش از پنج بار افزایش یافت. تجزیه و تحلیل بیشتر نشان می دهد که ناهنجاری بالا نه تنها نتیجه بازده بزرگ بلکه به دلیل تغییر در همبستگی متقابل که توسط MD اسیر شده اند ، بود. در حقیقت ، این دوره ای بود که ارزهای رمزنگاری متاور در حال افزایش بودند و نمرات ناهنجاری توانستند این موج جدید را در بازار ضبط کنند.
4. 3نمرات ناهنجاری از عوامل خطر
در مرحله بعد ، نمرات ناهنجاری از بازار رمزنگاری با استفاده از عوامل خطر بازار رمزنگاری بیشتر مشاهده شد. در میان چندین مطالعه در مورد عوامل رمزنگاری ، لیو و تسیوینسکی [20] آزمایش های جامع را انجام دادند تا اهمیت عوامل شبکه را نشان دهند. در حالی که فاکتورهای شبکه یک الگوی کامل برای توضیح بازده و خطرات ارزهای رمزپایه ارائه نمی دهند ، ارزش آن را دارد که با عواملی که تا آنجا که قابل توجه است ، تجزیه و تحلیل کنید.
رشد هفتگی چهار عامل شبکه (آدرس ، معامله ، انتقال و کیف پول) برای محاسبه نمرات ناهنجاری و حداقل تعیین کننده کواریانس (MCD) برای محاسبات MD قوی انتخاب شد. ایده اصلی MCD یافتن یک نمونه زیر بدون فضای دور است و از زیر نمونه برای محاسبه میانگین نمونه و کواریانس استفاده می شود [43]. برآوردگرهای انقباض اغلب در صورت بزرگ بودن تعداد متغیرها اعمال می شوند ، بنابراین MCD در آزمایش ما برای برآورد نمرات ناهنجاری قوی در هنگام وجود چند عامل استفاده می شود [44].
در اینجا ، بازده برای هر هفته منتهی به یکشنبه ، به دنبال [20] محاسبه شد ، و همچنین به این دلیل که شکل 3 هیچ اختلاف قابل توجهی بین هفت نمودار نشان نمی دهد. در شکل 4 ، نمرات ناهنجاری یا بر اساس کل دوره یا فقط بر اساس 104 هفته گذشته تقریباً یکسان است. استحکام MCD نیز مشهود است ، مشابه استحکام برآوردگرهای انقباض در شکل 3در حالی که در مارس 2019 در شکل 4 سنبله بزرگی وجود دارد ، این به دلیل کاهش ناگهانی تعداد معاملات و نقل و انتقالات است (شکل A1 را ببینید). حتی اگر این عوامل قادر به توصیف کامل بازده یا خطرات رمزنگاری نیستند ، هدف اصلی تجزیه و تحلیل با استفاده از عوامل خطر ، نشان دادن استفاده از آن در تجزیه و تحلیل سناریو است ، همانطور که در بخش 5. 2 نشان داده شده است.
4. 4بحث بیشتر
یکی از تمایزهای مهم بین اندازه گیری ریسک با نوسانات و نمره ناهنجاری این است که نمرات ناهنجاری بر اساس MD همبستگی بین دارایی ها را نشان می دهد. شکل 5 همبستگی متقابل بین 15 ارز رمزنگاری شده برای پنجره های مختلف نورد. میانگین همبستگی متقابل برای بیشتر دوره در پانل (الف) بیشتر از 0. 4 است ، و به نظر می رسد یک همبستگی متقابل نسبتاً بالا به دلیل شباهت های ذاتی در بین ارزهای رمزنگاری شده است. در پانل (B) ، که میانگین در بین 50 مقدار همبستگی متقابل بین 15 ارز رمزنگاری شده است ، میانگین همبستگی متقابل برای بیشتر دوره ها بالاتر از 0. 6 است. با این وجود ، در اوایل سال 2021 برای همه توطئه ها در شکل 5 افت قابل توجه وجود دارد. به عبارت دیگر ، همبستگی های متقابل بین ارزهای رمزپایه تا اواخر سال 2020 نسبتاً پایدار است اما ناسازگاری در اوایل سال 2021 مشاهده می شود ، که همزمان با نمرات ناهنجاری بالا است. حتی اگر همبستگی های متقاطع به طور متوسط با بازده روزانه محاسبه شود ، همانطور که در شکل 6 نشان داده شده است ، همبستگی های متقابل پایین در اوایل سال 2021 هنوز مشاهده شده است ، و به ویژه از پانل (b) مشهود است که بالاترین همبستگی ها افت قابل توجهی را نشان می دهداوایل سال 2021.
5. تجزیه و تحلیل نمونه کارها بر اساس نمرات ناهنجاری
همانطور که تاکنون در این مطالعه نشان داده ایم ، نمرات ناهنجاری ابعاد دیگری را برای تجزیه و تحلیل خطرات ارزهای رمزنگاری ارائه می دهد. حتی اگر ناهنجاری بازار بینش های ارزشمندی را به خودی خود فراهم می کند ، می تواند بهینه سازی نمونه کارها و تجزیه و تحلیل سناریو را برای سرمایه گذاری در ارزهای رمزنگاری افزایش دهد.
5. 1ترکیب نمرات ناهنجاری در مدیریت نمونه کارها
ما برای اولین بار نشان دادیم که چگونه نمرات ناهنجاری را می توان در بهینه سازی نمونه کارها درج کرد تا اوراق بهادار با نوسانات کمتری شکل بگیرد. حتی هنگام تشکیل یک نمونه کارها متنوع در بین ارزهای رمزپایه ، نوسانات آن که با انحراف استاندارد اندازه گیری می شود در مقایسه با دارایی های سنتی بسیار زیاد است ، زیرا هر رمزنگاری به تنهایی بی ثبات است و همبستگی بین ارزهای رمزنگاری نسبتاً زیاد است ، همانطور که قبلاً در شکل 5 و شکل 6 مورد بحث قرار گرفته است. با این حال ، نمرات ناهنجاری می تواند به کاهش نوسانات نمونه کارها کمک کند. نمرات ناهنجاری منعکس کننده حرکات غیر طبیعی بازار است ، بنابراین جلوگیری از این دوره ها نوسانات نمونه کارها را حتی در هنگام تشکیل نمونه کارها که فقط در ارزهای رمزنگاری شده سرمایه گذاری می کند ، کاهش می دهد.
برای این پشتی ، بهینه سازی نورد با بهینه سازی مجدد هفتگی و یک دوره بازگشت به مدت 52 یا 104 هفته انجام شد. به منظور تمرکز بر روی مدلهای نمونه کارها با ریسک کم ، از مدلهای حداقل واریانس جهانی (GMV) و ریسک-بردار (سهم ریسک برابر) برای بهینه سازی وزن نمونه کارها استفاده شد. این دو مدل محبوب برای تشکیل یک سبد سرمایه گذاری بر اساس ریسک سرمایه گذاری به جای بازده مورد انتظار است. مدل نمونه کارها GMV وزن های بهینه ω ∈ ℝ n را با کمترین خطر در چارچوب بهینه سازی میانگین واریانس [40،45] پیدا می کند و به صورت: نوشته شده است:
min ω 1 2 Ω t σ ω
جایی که σ ∈ ℝ n × n ماتریس کواریانس بازده برای دارایی N است. فرمولاسیون ریسک و ارزش را می توان به شرح زیر نوشت:
min ω ∑ i = 1 n ∑ j = 1 n r c ω i - r c ω j 2 که در آن r c ω i = ω i ∂ σ ω ∂ ω i
این باعث می شود اختلافات بین مشارکت ریسک (RC) هر دارایی ، جایی که RC با توجه به انحراف استاندارد σ یک نمونه کارها اندازه گیری می شود [46]. اوراق بهادار امکان پذیر به وزنهای غیر منفی محدود شده است که به یک نفر می رسد ، که اساسی ترین تنظیم در ساخت و ساز نمونه کارها است [47].
در هر تاریخ بهینه سازی مجدد ، استراتژی نمونه کارها تصمیم گرفت که اگر نمره ناهنجاری بالاتر از یک حد خاص از پیش تعیین شده (به عنوان مثال ، 1 یا 2) باشد ، و نمرات ناهنجاری سابق با کاهش قیمت ، در ارزهای رمزپایه (یعنی فروش همه موقعیت ها) سرمایه گذاری نکنند. هر بار از بازده 52 هفته ای قبلی یا 104 هفته محاسبه می شد. یک دوره بازگشت 52 هفته ای در عملکرد نمونه کارها از ژانویه 2019 تا فوریه 2022 به دست می آید ، و یک نگاه 104 هفته ای عملکرد را از ژانویه 2020 تا فوریه 2022 ارائه می دهد. در این دوره بازده مورد انتظار منفی داشت.
در جدول 1 انحرافات استاندارد هفتگی ، انحراف استاندارد سالانه و تعداد هفته های بیش از حد برای چندین محدودیت ناهنجاری ارائه شده است. ستون سوم نتایج یک نمونه کارها به همان اندازه وزنی از 14 ارز برتر را نشان می دهد. نوسانات سالانه بالاتر از 90 ٪ بدون درج نمرات ناهنجاری بود ، اما با حد ناهنجاری 0. 5 به زیر 50 ٪ کاهش یافت. GMV ، و پرتفوی ریسک و ارزش در مقایسه با نمونه کارها به همان اندازه وزن ، انحراف استاندارد کمتری داشتند. به طور خاص ، GMV کمترین خطر را داشت و نوسانات سالانه نزدیک به 40 ٪ بود که حد ناهنجاری 0. 5 تحمیل شد. بنابراین ، اوراق بهادار با نوسانات سالانه بالاتر از 80 ٪ برای همه سرمایه گذاران منطقی غیر منطقی است ، که این مورد بدون هیچ محدودیتی ناهنجاری است ، اما کاهش نوسانات به 40 ٪ ممکن است یک گزینه سرمایه گذاری مناسب برای سرمایه گذاران با حداقل ریسک ریسک فراهم کند.
5. 2. تجزیه و تحلیل سناریو ارزهای رمزنگاری شده
اهمیت عمده استفاده از عوامل برای محاسبه MD ، اثربخشی آن در انجام تجزیه و تحلیل سناریو است [48]. دو مؤلفه مهم تجزیه و تحلیل سناریو ساخت سناریوهای معنی دار و احتمال وقوع سناریوها است. حتی اگر ساخت سناریو به طور مستقیم در سطح cryptocurrency دشوار باشد (به عنوان مثال ، ایجاد چشم انداز در بازده های کوتاه مدت برای یک ارز خاص چالش برانگیز است) ، ایجاد یک چشم انداز منطقی در مورد عوامل خطر مانند رشد ، بصری تر استدر کل معاملات یا کاربران. علاوه بر این ، از آنجا که احتمال یک سناریو متناسب با E - M D / 2 است ، این مقادیر را می توان در هنگام تخمین احتمال چندین سناریو به صورت یک نفر نجات داد [48].
در اینجا ، نمونه ای برای نشان دادن چگونگی ایجاد سناریوها با فاکتورهای رمزنگاری شده در هنگام محاسبه نمرات ناهنجاری با MD قوی ارائه شده است. جدول 2 میانگین و انحراف استاندارد رشد هفتگی را برای چهار عامل نشان می دهد و رشد معاملات هفتگی از ابتدای سال 2018 به طور متوسط نزدیک به صفر است. فرض کنید تجزیه و تحلیل سناریو بر اساس این دیدگاه انجام می شود که معاملات در حال افزایش استهفته آینده ؛رشد معاملات را که باید در مجموعه تحقق یابد ، در نظر بگیرید. بنابراین ، 11 سناریو در جایی ایجاد می شود که معامله یکی از 11 مقدار را به خود اختصاص می دهد ، در حالی که فرض می شود که رشد سه عامل دیگر بدون تغییر باقی می ماند (یعنی میانگین مقادیر جدول 2). مزیت تولید سناریو از عوامل در این مورد کاملاً مشهود است. ابراز چشم انداز بازار از طریق رشد تعداد معاملات حتی برای یک سرمایه گذار که با بازار رمزنگاری آشنا نیست ، بصری است. نماهای منطقی تر و دقیق تر می تواند با عوامل بیان شود.
در مرحله بعد ، نمرات ناهنجاری این سناریوها احتمال بروز وقوع هر سناریو را فراهم می کند ، و شکل 7 احتمال 11 سناریو را در این مثال ترسیم می کند. احتمال رشد معامله هفتگی حداقل 6 ٪ کمتر از 5 ٪ است. بنابراین ، حتی اگر سناریوها برای مواردی با رشد معامله بزرگ گنجانده شده باشند ، شامل احتمال از طریق نمرات ناهنجاری ، تأثیر بر نتیجه آینده را کنترل می کند که در نظر گرفته می شود. سرانجام ، بر اساس تجزیه و تحلیل سناریو دارایی های سنتی ارائه شده توسط [48] ، سناریوهای بازار رمزنگاری را می توان با استفاده از مدلهای یادگیری ماشین به صورت خلاصه در شکل 8 انجام داد تا عوامل مهمی برای شکل گیری کارآمد چشم انداز منطقی انجام شود. این سناریوها را می توان با نمرات ناهنجاری برای شبیه سازی اوراق بهادار سرمایه گذاری شده در ارزهای رمزپایه ترکیب کرد.
6. نتیجه گیری
در این مقاله ، استفاده از نمرات ناهنجاری برای تجزیه و تحلیل بازار cryptocurrency نشان داده شده است. علاوه بر تجزیه و تحلیل نوسانات بازار cryptocurrency ، نمرات ناهنجاری بازار مکمل تجزیه و تحلیل را ارائه می دهد زیرا ناهنجاری ها با انحراف نسبت به واریانس و همبستگی اندازه گیری می شوند. به طور خاص ، فاصله محکم Mahalanobis بر اساس برآوردگرهای انقباض و حداقل تعیین کننده کواریانس نشان داده شده است که نمرات ناهنجاری قوی از ارزهای رمزپایه را تولید می کند که جزئیات ناهنجاری های بازار را ارائه می دهد که لزوماً با اقدامات نوسانات استاندارد توضیح داده نمی شوند. با استفاده از نمرات ناهنجاری به عنوان مکمل تجزیه و تحلیل نوسانات سنتی ، سرمایه گذاری در ارزهای رمزپایه می تواند از طریق درک دقیق از رفتار طبیعی یا غیرطبیعی ارزهای رمزپایه مدیریت شود. تحقیقات آینده می تواند به سمت تجزیه و تحلیل علت اصلی اختلافات بین اقدامات نوسانات سنتی و نمرات ناهنجاری قوی ارائه شده در این مطالعه انجام شود. یکی از کاستی های فعلی یافته های محدود مربوط به عوامل خطر ارزهای رمزنگاری شده و دسترسی به داده های مختلف است. تحقیقات گسترده در مورد عوامل خطر ارزهای رمزنگاری شده به محاسبه نمرات ناهنجاری کمک می کند. سرانجام ، بینش بیشتر در مورد رفتار غیر طبیعی در ارزهای رمزنگاری شده نه تنها ابزارهای مؤثر برای مدیریت سرمایه گذاری در بازار رمزنگاری ، بلکه برای سرمایه گذاران که دارایی های خود را با ارزهای رمزنگاری گسترش می دهند بسیار ارزشمند خواهد بود.
کمک های نویسنده
مفهوم سازی ، G. B. و J. H. K. ؛روش شناسی ، G. B. و J. H. K. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و موافقت کرده اند.
منابع مالی
این تحقیق توسط BK21 Four (پرورش دانشگاه های برجسته برای تحقیق) تأمین شده توسط وزارت آموزش و پرورش (MOE ، کره) و بنیاد ملی تحقیقات کره (NRF) پشتیبانی شده و تا حدودی توسط انستیتوی اطلاعات و ارتباطات برنامه ریزی و برنامه ریزی فناوری پشتیبانی می شودارزیابی (IITP) کمک مالی توسط دولت کره (MSIT) (No. RS-2022-00155911 ، پیشرفت نوآوری همگرایی هوش مصنوعی (دانشگاه کیونگ هی)).
نرم افزار مفید تریدر...
ما را در سایت نرم افزار مفید تریدر دنبال می کنید
برچسب :
نویسنده : احمد شاملو
بازدید : 45
تاريخ : شنبه
31 تير
1402 ساعت: 23:58