Статья опубликована в рамках: Научного журнала «Студенческий» № 21(317)
Рубрика журнала: Экономика
Скачать книгу(-и): скачать журнал часть 1, скачать журнал часть 2, скачать журнал часть 3, скачать журнал часть 4, скачать журнал часть 5, скачать журнал часть 6, скачать журнал часть 7, скачать журнал часть 8, скачать журнал часть 9
МОДЕЛЬ ВЗАИМОДЕЙСТВИЯ РЫНКОВ ЗОЛОТА И БИТКОЙНОВ
АННОТАЦИЯ
С момента создания биткойна и до сегодняшнего дня его популярность продолжает расти, поскольку он становится частью инвестиционного портфеля не только частных лиц, но и компаний и даже стран. Его волатильность привела к тому, что для инвесторов он считается привлекательным, но высокорисковым активом, поскольку его цена в основном является результатом спроса и предложения. Однако в настоящее время доверие к нему растет, что отражается на исторических максимумах, достигнутых за все время его существования. Со своей стороны, золото является одним из самых надежных активов во времена неопределенности, его эмпирическая ценность оказалась хорошим вариантом убежища в трудные времена. Оба актива не имеют сходства при первом посещении, тем не менее, их можно сравнить по ценам с течением времени. В этой работе рассматривались особенности обоих активов, сравнивались цены за 11 лет с использованием метода линейной регрессии, в результате чего было получено 87% объяснение биткойнов золотом.
Ключевые слова: биткойн, золото, линейная регрессия, рынок криптовалют, инвестиционные стратегии.
Введение
Биткойн — первая цифровая валюта создано в 2008. Его целью было средством платежа между двумя людьми в обход одноранговых финансовых организаций (peer-to-peer) - Satoshi Nakamoto, 2008 -. В отличие от бумажных денег (таких как доллар, евро и другие валюты, введенные правительствами) эмиссия новых биткойнов осуществляется по автоматизированному протоколу. С самого начала эта сеть была основана на протоколе Биткойн (Blockchain), который будет иметь ограничение на выпуск 21 миллиона монет [1].
Этот лимит превращает биткойн в дефляционную валюту, то есть она не обесценивается с течением времени. Фактически, дефицит биткойнов становится более ценным активом, отражающимся на его текущем спросе [2].
Затраты энергии, связанные с майнингом биткойна, и его сложность в получении все большего и большего количества, предполагают рост затрат, что увеличивает реальную стоимость [3].
Таким образом, Биткойн является децентрализованной цифровой валютой, ограниченной и ценной из-за своей нехватки и технологической полезности, подобно золоту, драгоценному металлу с ограниченными ценностями, исторически использовавшемуся в качестве средства сбережения. В работе, выполненной Dirk G. Baur, Thomas K.J. McDermott, они объясняют положение золота как актива-убежища во времена нестабильности и рыночного кризиса, демонстрируя поведение, противоположное поведению других активов [4]. Регрессионный анализ между золотом и биткойнами может дать интересную информацию о взаимосвязи между этими двумя активами, которые часто считаются безопасными инвестиционными альтернативами бумажным валютам. Для анализа использовались исторические данные с веб-сайта https://www.investing.com/, данные были собраны с 01 апреля 2013 г. по 01 ноября 2024 г., в результате чего для интерпретации было получено 4233 (суточные переменные), 140 (месячные переменные) и 12 (годовые переменные).
Методологи
Регрессия -это статистический метод, используемый для анализа взаимосвязи между зависимой переменной Y и одной или несколькими независимыми переменными X. В этом случае цель состоит в том, чтобы изучить, как цена биткойна (Y) относится к цене золота (X). Целью этой регрессии было бы определить, существует ли существенная взаимосвязь между стоимостью золота, которое исторически считалось средством сбережения, и биткойном, известным как "цифровое золото". Общая формула для простой модели линейной регрессии такова:
Где:
Y- это цена биткойна.
X- это цена на золото.
- это перехват, который представляет ожидаемое значение Y при X=0
- это коэффициент регрессии, который указывает, сколько изменяется Y на каждую единицу изменения X.
- это термин ошибки, представляющий изменение, не объясняемое X.
Выполняя регрессию, можно было бы наблюдать, положительно ли коррелируют цены на золото и биткойны, что может указывать на то, что оба актива одинаково реагируют на экономические факторы (такие как инфляция или неопределенность). С другой стороны, слабая корреляция или ее отсутствие позволяют предположить, что эти активы не имеют прямой взаимосвязи в своих ценовых движениях.
Y= 47.76520317*X -57563.74011
Рисунок 1. Регрессионный уравнения в днях
Y= 47.97119588*X -57769.85835
Рисунок 2. Регрессионный уравнения в месяцах
Y= 43.60057247*X -41818.96074
Рисунок 3. Регрессионный уравнения в годах
Выводы
Биткойн и золото вели себя иначе, чем другие основные активы, с падениями и скачками цен, которые не обязательно следуют за другими активами. Линейный регрессионный анализ показывает, что существует значительная взаимосвязь между историческими ценами биткойнов и золота с коэффициентом детерминации (R^2), который варьируется от 75% до 87% в зависимости от анализируемого периода (ежедневный, ежемесячный, годовой). Это говорит о том, что Биткойн и Золото имеют определенное сходство с точки зрения их поведения в качестве активов, и их можно рассматривать как активы "убежища" во времена неопределенности.
Полученные результаты в таблицы 1, 2, 3 позволяют предположить, что биткойн может быть использован в качестве альтернативы или дополнения к золоту в инвестиционных портфелях, особенно во времена нестабильности и неопределенности на традиционных финансовых рынках. Тем не менее, все еще существуют важные проблемы и соображения, которые необходимо учитывать, такие как высокая краткосрочная волатильность, которую представляет биткойн, и его предполагаемый более высокий риск по сравнению с золотом. В целом, работа показывает, что Биткойн имеет определенные общие характеристики с Золотом в качестве резервного актива, что открывает возможность для более широкого внедрения Биткойна в будущем в качестве альтернативы или дополнения к другим традиционным активам.
Таблица 1.
Регрессионная статистика
|
День |
Месяц |
Год |
Множественный R |
0.866293318 |
0.874011671 |
0.9340661 |
R-квадрат |
0.750464113 |
0.763896401 |
0.872479478 |
Нормированный R-квадрат |
0.750405135 |
0.762185505 |
0.859727426 |
Стандартная ошибка |
9891.493462 |
10142.17528 |
7844.153502 |
Наблюдения |
4233 |
140 |
12 |
Множественный R - Эти значения указывают на сильную положительную корреляцию. R-квадрат - Модель объясняет значительную часть вариации для всех временных интервалов. Нормированный R-квадрат - Скорректированные значения очень близки к обычным R-квадрат, что указывает на хорошее соответствие модели.
Таблица 2.
Дисперсионный анализ
Дни |
df |
SS |
MS |
F |
Значимость F |
Регрессия |
1 |
1244983735700.43 |
1244983735700.43 |
12724.48 |
0 |
Остаток |
4231 |
413967991134.63 |
97841642.91 |
||
Итого |
4232 |
1658951726835.06 |
|
|
|
Месяцы |
df |
SS |
MS |
F |
Значимость F |
Регрессия |
1 |
45927538150.51 |
45927538150.51 |
446.49 |
4.29361E-45 |
Остаток |
138 |
14195193275.33 |
102863719.39 |
||
Итого |
139 |
60122731425.83 |
|
|
|
Годы |
df |
SS |
MS |
F |
Значимость F |
Регрессия |
1 |
4209856647 |
4209856647 |
68.41875 |
8.77934E-06 |
Остаток |
10 |
615307441.6 |
61530744.16 |
||
Итого |
11 |
4825164089 |
|
|
|
Значение значимости F составляет во всех 3 случаях, что чрезвычайно мало (практически равно нулю). Это говорит о высокой статистической значимости всего регрессионного уравнения.
Таблица 3.
Коэффициенты анализа дисперсии
Дни |
Коэффициенты |
Стандартная ошибка |
t-статистика |
P-Значение |
Нижние 95% |
Верхние 95% |
Нижние 95.0% |
Верхние 95.0% |
BTC |
-57563.74011 |
670.5191081 |
-85.84951483 |
0 |
-58878.30947 |
-56249.1708 |
-58878.3094 |
-56249.1707 |
Золото |
47.76520317 |
0.423439783 |
112.8028236 |
0 |
46.93503896 |
48.59536738 |
46.93503896 |
48.59536738 |
Месяцы |
|
|
|
|
|
|
|
|
BTC |
-57769.85835 |
3632.098575 |
-15.90536632 |
5.2121E-33 |
-64951.61973 |
-50588.097 |
-64951.6197 |
-50588.0969 |
Золото |
47.97119588 |
2.270257263 |
21.13029068 |
4.2936E-45 |
43.48220816 |
52.46018361 |
43.48220816 |
52.46018361 |
Годы |
|
|
|
|
|
|
|
|
BTC |
-41818.96074 |
7654.133804 |
-5.46357848 |
0.00027554 |
-58873.43364 |
-24764.4878 |
-58873.43364 |
-24764.48783 |
Золото |
43.60057247 |
5.271140855 |
8.271562775 |
8.7793E-06 |
31.85573874 |
55.34540621 |
31.85573874 |
55.34540621 |
Низкое p-значение (далеко меньше типичного порога 0.05) указывает на то, что модель регрессии в целом статистически значима. Это означает, что существует очень низкая вероятность того, что наблюдаемая связь между переменными в модели произошла случайно.
Список литературы:
- Sveriges Riksbank. The Riksbank’s Inquiry into the Risks in the Swedish Housing Market [Электронный ресурс] – Режим доступа: https://archive.riksbank.se/Documents/Rapporter/POV/2014/2014_2/rap_pov_1400918_eng.pdf#page=73 (дата обращения: 10.07.2024)
- Baur D.G., Dimpfl T. The Volatility of Bitcoin and Its Role as a Medium of Exchange and a Store of Value [Электронный ресурс] // Empirical Economics. – 2021. – Т. 61, № 5. – С. 2663–2683. – DOI: https://doi.org/10.1007/s00181-020-01990-5 (дата обращения: 09.05.2024)
- Vranken H. Sustainability of Bitcoin and Blockchains [Электронный ресурс] // Current Opinion in Environmental Sustainability. – 2017. – № 28. – С. 1–9. – DOI: https://doi.org/10.1016/j.cosust.2017.04.011 (дата обращения: 23.08.2024)
- Baur D.G., McDermott T.K.J. Why Is Gold a Safe Haven? [Электронный ресурс] // Journal of Behavioral and Experimental Finance. – 2016. – № 10. – С. 63–71. – DOI: https://doi.org/10.1016/j.jbef.2016.03.002 (дата обращения: 01.12.2024)
Оставить комментарий