تجارت گله و بازخورد در بازارهای cryptocurrency

در این مقاله به بررسی میزان رفتارهای تجاری گله دار و بازخورد می پردازد که پویایی قیمت را در 9 ارز رمزنگاری عمده هدایت می کند. با استفاده از داده های قیمت نمونه از بیت کوین ، اتریوم ، XRP ، Bitcoin Cash ، EOS ، Litecoin ، Stellar ، Cardano و IOTA ، ما ناهمگونی را در انواع استراتژی های بازخورد بازخورد سرمایه گذاران در بازارها استفاده می کنیم. در حالی که برخی از بازارهای رمزنگاری شواهدی از گله دار ، یا "تعقیب روند" ، رفتارها را در بازارهای دیگر نشان می دهیم که شواهدی از رفتارهای نوع متضاد را نشان می دهیم. این یافته ها مهم است زیرا آنها در مرحله اول روشن می شوند ، چه نیروهایی بازارهای رمزنگاری را هدایت می کنند و ثانیا ، چگونگی تأثیر این نوع رفتار معاملاتی بر همبستگی های همبستگی برای ارزهای رمزنگاری شده است. سرانجام ، و از مدل قیمت گذاری دارایی بین المللی ما ، ما به ماهیت مشاهده شده از مبادلات بازده ریسک برای هر یک از ارزهای رمزنگاری شده ما ، نور جدیدی می بخشیم.

روی نسخه خطی کار می کنید؟

مقدمه

رفتارهای معاملاتی گله دار و بازخورد برای شناسایی و تعیین کمیت هنگام کاوش در مورد پویایی سری زمانی قیمت دارایی مهم است زیرا آنها پتانسیل ایجاد مجموعه ای از پدیده ها ، مانند نوسانات اضافی ، حرکت و معکوس را دارند. رفتار گله دار به طور کلی توسط گروهی از معامله گران مشخص می شود که برای یک دوره زمانی در همان جهت تجارت می کنند. در آزمون قیمت گذاری دارایی ، "تجارت بازخورد" به رابطه بین رفتار گله دار و بازده تاخیر اشاره دارد (Nofsinger و Sias 1999 ؛ Koutmos 2012 ؛ Guo and Ou-Yang 2014 ؛ Chau et al. 2016). از نظر اقتصادی از نظر اقتصادی ماهیت تجارت بازخورد می تواند به پاسخ به این سؤال کمک کند: آیا براساس حرکات قیمت گذشته گله ای وجود دارد؟این سوال برای پاسخ دادن مهم است زیرا بینش هایی در مورد آنچه نیروها بر پویایی قیمت دارایی تأثیر می گذارد در طول زمان ارائه می دهد.

سقوط بازار تاریخی سال 1987 علاقه زیادی به دانشگاهیان و سیاستگذاران برای مدلهایی که می توانند رفتارهای گله دار را شناسایی و تعیین کنند ، جلب کرد. این تصادف چنان سریع و حماسی بود ، که تحقیقات در این دوره زمانی بررسی شد که روانشناسی چه نقشی در خرید و فروش تصمیمات دارد (شیلر 1990 ؛ Tversky and Kahneman 1991 ؛ Akerlof and Shiller 2010). همانطور که Devenow و Welch (1996) استدلال می کنند ، "... تقلید و تقلید شاید در میان ابتدایی ترین غرایز ما باشد ... سرمایه گذاران تحت تأثیر تصمیمات سرمایه گذاران دیگر هستند ..." (ص 603).

امروز ، تصادف سال 1987 بسیار دور است ، اگرچه شاید اثرات مضر حباب فناوری و تصادف بعدی 2000 و بحران مالی 2008-2009 در ذهن ما تازه تر باشد. در حال حاضر ، ما در حال تجربه آنچه به نظر می رسد یک روند رو به رشد در استفاده از ارزهای رمزنگاری به عنوان واسطه مبادله و به عنوان یک دارایی (سوداگرانه) برای سرمایه گذاری است. پاورقی 1 بر خلاف دارایی های معمولی ، ارزهای رمزنگاری شده درجه بالایی از نوسانات قیمت را تجربه کرده اند ، دانشگاهیان و سیاست گذاران را وادار می کنند تا شایستگی ارزهای رمزنگاری شده را به عنوان دارایی های سرمایه گذاری یا واسطه های مبادله ای زیر سوال ببرند (Velde 2013 ؛ Gandal et al. 2018).

در این مقاله ، ما استدلال می کنیم که بازارهای رمزنگاری یک آزمایشگاه تجربی جالب برای آزمایش اینکه آیا گله از نظر اقتصادی در چنین بازارهایی قابل تشخیص است ، فراهم می کند. بخش عمده ای از ادبیات رو به رشد در مورد ارزهای رمزنگاری شده و بیشتر بیت کوین ، نشان می دهد که چنین قیمت هایی نسبت به اصول اقتصادی جدا شده اند (Pieters and Vivanco 2017 ؛ Koutmos 2018). اگر قیمت رمزنگاری با استفاده از عوامل قیمت گذاری دارایی معمولی قابل توضیح نباشد ، این احتمال وجود دارد که قیمت آنها ممکن است غیر منطقی باشد (گاندال و همکاران 2018).

در مقاله ای در سال 2018 ، رابرت شیلر قدردانی قیمت بیت کوین را به شیدایی لاله هلندی تشبیه می کند و به نقل از این گفته می شود که "(بیت کوین) ممکن است کاملاً فروپاشیده و فراموش شود و فکر می کنم این یک نتیجه خوب است ، اما می تواند برای یک نتیجه بماند. زمان خوب ، حتی می تواند 100 سال باشد ... "پاورقی 2 علی رغم ارزیابی های رمزنگاری که اغلب تاریک از سیاست گذاران و دانشگاهیان دریافت می کند ، به نظر می رسد که علاقه گسترده ای دارند. همانطور که ویلیامسون (2018) با طنز بیان می کند ، "... اگر هیچ چیز دیگری نیست ، بیت کوین به ما چیزی می دهد تا در مورد آن صحبت کنیم ... اما آیا یک شخص معقول باید وسایل را بخرد؟"

با انگیزه در حال رشد ما برای درک اینکه چه نیروهایی قیمت رمزنگاری را هدایت می کنند ، همراه با حدس و گمان مبنی بر اینکه قیمت آنها ممکن است غیر منطقی باشد ، ما مدل های معاملاتی بازخورد را بر روی نه ارزهای اصلی رمزنگاری تخمین می زنیم (بیت کوین ، اتریوم ، XRP ، بیت کوین پول نقد ، EOS ، Litecoin ، Stellar ، Cardano وبه ترتیب IOTA) برای مشخص کردن اینکه آیا گله در چنین بازارهایی وجود دارد و در این صورت ، جهت گله در پاسخ به بازده عقب مانده است. انجام چنین آزمایشاتی ، همانطور که بعداً در جزئیات بیشتر توضیح داده می شود ، بینشی در مورد آنچه نیروها پویایی قیمت خود را هدایت می کنند ارائه می دهد و ممکن است ما را به درک اینکه چرا قیمت های آنها افزایش یافته است (و کاهش یافته است) در یک دوره زمانی کوتاه ، نزدیکتر می کند. به طور خاص ، ما به دنبال پاسخ به سؤال تجربی زیر هستیم: آیا حرکات قیمت cryptocurrency ناشی از رفتارهای گله دار است؟به دنبال شیلر (1984) و سنتانا و وادوان (1992) ، در میان دیگران ، ما یک مدل معاملات بازخورد را برای آزمایش چنین رفتارهای گله دار و ارزیابی جهت چنین رفتارهایی بر اساس بازده های عقب مانده اجرا می کنیم. به عبارت دیگر ، هنگامی که در روز معاملاتی قبلی قدردانی می شود ، آیا این امر منجر به خرید بعدی (یعنی "تعقیب روند") یا فروش متعاقب آن (یعنی "تجارت متناقض") می شود؟

از طریق پیش نمایش ، نتایج ما نشان می دهد که برای برخی از بازارهای رمزنگاری (بیت کوین ، اتریوم ، XRP ، Cardano) شواهدی از تعقیب روند (یعنی معامله گران بازخورد مثبت) وجود دارد ، در حالی که برای سایر بازارهای رمزنگاری (EOS و ستاره ای) شواهدی وجود داردمعاملات متضاد (یعنی معامله گران بازخورد منفی). روی هم رفته ، یافته های ما ناهمگونی در الگوهای معاملاتی در بازارها را نشان می دهد و به طور کلی ، گله دار تأثیر آماری مهم بر پویایی قیمت ارزهای رمزنگاری دارد.

علاوه بر این ، ما همچنین شواهد اولیه در مورد رابطه مثبت بازگرداندن ریسک را برای چندین مورد رمزنگاری نمونه برداری شده ما (Ethereum ، XRP ، Cardano و IOTA) ارائه می دهیم. این یافته ، علیرغم زندگی نسبتاً کوتاه که بسیاری از ارزهای رمزنگاری شده دارند ، بسیار تعجب آور است و چیزی نیست که هنگام بررسی خصوصیات سری زمانی قیمت های کلاسهای دارایی معمولی از نظر آماری قابل تشخیص باشد. این یافته نشان می دهد که افزایش نوسانات با افزایش قیمت ها همراه است و به طور متوسط نوسانات در بازار رمزنگاری پاداش می گیرد. از دیگر دلایل دیگر ، این ویژگی در داده ها می تواند برای سرمایه گذاران آینده نگر به دنبال افزایش قرار گرفتن در معرض نمونه کارها در برابر ارزهای رمزنگاری کننده باشد.

قسمت باقیمانده این مقاله به شرح زیر است. بخش 2 پیش زمینه ادبیاتی در مورد رفتارهای گله دار و ارزهای رمزپایه نمونه ای را ارائه می دهد. بخش 3 داده های نمونه را هنگام فرقه توصیف می کند. 4 چارچوب تجربی را تشریح می کند. بخش 5 در مورد یافته ها و فرقه بحث می کند. 6 نتیجه گیری

بررسی نوشته ها

رفتارهای گله دار و تجارت بازخورد

تعداد زیادی از شواهد تجربی و نظری در حوزه مالی رفتاری نشان می دهد که روانشناسی سرمایه گذار می تواند به حباب های سوداگرانه و نوسانات بیش از حد در بازارهای مالی کمک کند ، که این کارآیی اطلاعاتی و اختصاصی را تضعیف می کند. نمونه های مستند به خوبی از پدیده هایی وجود دارد که با دکترین بازار کارآمد ، مانند واکنش بیش از حد و بیش از حد سهام (بارتوف و همکاران 2000) ، پازل حق بیمه سهام (Mehra and Prescott 1985) ، اندازه شرکت و اثرات تقویم (Mehra and Prescott 1985) مغایرت دارد (Reinganum 1983 ؛ Keim and Stambaugh 1986) و Price Momentum (Frazzini 2006). علاوه بر این ، چنین تعصبات رفتاری می تواند منجر به تجارت سر و صدا شود و با رفاه سرمایه گذار فردی مغایرت دارد (هوبرمن و رژف 2001).

تمرکز خاصی از ادبیات مالی رفتاری اخیر نقش گله در بازارهای مالی بوده است (سیپریانی و گوارینو 2014). به طور گسترده ، این ادبیات می تواند به دو جریان اصلی که رفتارهای گله ای منطقی و غیرمنطقی را در نظر می گیرند ، جدا شوند (Hirshleifer and Teoh 2003). بیشتر مورد توجه این ادبیات بر تأثیرات آبشار عمدی یا منطقی ، گله دار و اطلاعاتی است. به طور خاص ، سرمایه گذاران ممکن است تصمیم بگیرند که هرگونه اطلاعات اساسی یا خصوصی را که ممکن است در اختیار داشته باشند ، نادیده بگیرند و در عوض با تقلید از معاملات سایر سرمایه گذاران ، گله را دنبال کنند (گراهام 1999). دلایل اضافی برای گله (تجارت بازخورد مثبت) می تواند ناشی از نگرانی های شهرت و شغلی باشد (Dasgupta و Prat 2008) یا هنگامی که نقدینگی یا نگرانی های مربوط به حمایت وجود دارد که باعث تجارت گسترده در یک جهت یا جهت دیگر می شود.

در حالی که ادبیات نظری بینش های مهمی را ارائه می دهد، آزمایش تجربی برای وجود رفتار گله در بازارهای مالی از نظر تجربی چالش برانگیز است. یکی از دلایل مهم این است که تعیین اینکه آیا معامله گران بر اساس استراتژی های تقلید، بدون توجه به اطلاعات خصوصی، یا صرفاً بر اساس مجموعه اطلاعات مشترک تجارت می کنند، دشوار است (Cipriani and Guarino 2009، 2014). تاکنون، رفتار گله داری در تعدادی از تنظیمات بازار مالی، مانند بازارهای سهام (کاپارلی و همکاران 2004)، بازارهای اوراق قرضه (گالاریوتس و همکاران، 2016)، در میان تحلیلگران مالی (ولش 2000؛ برنهارت و همکاران) نشان داده شده است. al. 2006) و در پلتفرم های تجارت اجتماعی (Gemayel و Preda 2018).

ارزهای دیجیتال و سیاستگذاران

از زمان پیدایش بیت کوین در سال 2009 (که توسط ساتوشی ناکاموتو - احتمالاً یک نام مستعار برای فرد یا گروهی از رمزنگاران ایجاد شد)، بازارهای ارزهای دیجیتال شاهد رشد خیره کننده و نوسانات قابل توجهی بوده اند. در حالی که تنها تعداد معدودی از ارزهای دیجیتال منتخب (مانند بیت کوین، اتریوم و XRP) توجه زیادی را در مطبوعات و تحقیقات دانشگاهی محبوب به خود جلب کرده اند، در حال حاضر بیش از 2000 ارز دیجیتال در گردش هستند. در حال حاضر، بیت کوین بزرگترین است و دارای ارزش بازار بیش از 200 میلیارد دلار (یا تقریباً 60٪ از کل سرمایه بازار همه ارزهای دیجیتال) است.

با وجود محبوبیت فزاینده ارزهای دیجیتال، رفتار نرخ ارز آنها در طول زمان چیزی است که به طور کامل درک نشده است. اگرچه بسیاری از این سکه های دیجیتال پتانسیل بازده سرمایه گذاری بالا و ناشناس ماندن را برای سرمایه گذاران فراهم می کنند، اما نوسانات بازار بسیار بالایی را نشان می دهند و مستعد حباب های سوداگرانه هستند (Cheah and Fry 2015؛ Fry and Cheah 2016; Katsiampa 2017). این ویژگی ها، همراه با رویدادهای فاجعه باری مانند هک صرافی ارزهای دیجیتال Mt. Gox در فوریه 2014، سیاست گذاران و قانون گذاران را بر آن داشته تا نسبت به سرمایه گذاری در ارزهای دیجیتال و مناسب بودن چارچوب های نظارتی فعلی ابراز نگرانی کنند. به نظر می رسد دیدگاه غالب این باشد که "VCها (ارزهای مجازی) محصولات بسیار پرخطر و غیرقانونی هستند و به عنوان محصولات سرمایه گذاری، پس انداز یا برنامه ریزی بازنشستگی نامناسب هستند" (مقامات نظارتی اروپا 2018، ص 1). از نظر نگرانی های زیست محیطی، Vranken (2017) مصرف انرژی مورد نیاز برای تقویت مکانیسم اجماع اثبات کار (PoW) بیت کوین را بررسی کرده و جایگزین هایی را پیشنهاد می کند.

در سال 2017 ، رئیس کمیسیون بورس و اوراق بهادار ایالات متحده (SEC) ، جی کلیتون ، بیانیه های عمومی را در مورد افزایش دستکاری و کلاهبرداری در بازارهای رمزنگاری صادر کرد (کمیسیون بورس و اوراق بهادار 2017). در فوریه سال 2018 ، مقامات نظارتی اروپا (ESA) هشداری را برای مصرف کنندگان اروپایی در مورد سرمایه گذاری در بازارهای رمزنگاری شده با استناد به حباب های قیمت و نوسانات شدید بازار منتشر کردند (مقامات نظارتی اروپا 2018).

این روندهای ظاهری به طور فزاینده ای تنظیم کننده ها و سازمان های اجرای قانون را برای بررسی رفتارهای تجاری در بازارهای رمزنگاری و دیدن چگونگی ترجمه آنها به حرکات قیمت تشویق می کنند. در ماه مه سال 2018 ، وزارت دادگستری ایالات متحده (DOJ) تحقیقات جنایی را در مورد اینکه آیا معامله گران بازارهای رمزنگاری را از طریق فعالیت های غیرقانونی مانند تقلب در بازار دستکاری می کنند ، انجام داد ، از این طریق باعث ایجاد سنبله های بزرگ و نوسانات بیش از حد (رابینسون و شوونبرگ 2018) شد. این تحقیق باعث شد تا کمیسیون معاملات آتی کالاهای ایالات متحده (CFTC) در ژوئن سال 2018 خواستار داده های معاملاتی دقیق از چهار مبادله اصلی رمزنگاری شود (روبین و همکاران 2018).

رفتار قیمت cryptocurrency

در طی چند سال گذشته ، تحقیقات دانشگاهی به بررسی ویژگی های بازارهای رمزنگاری شده و رفتار نرخ ارز این سکه های دیجیتال پرداخته است. مسلماً یکی از مباحث جذاب در این تحقیق ، تلاش برای کشف آنچه نیروها ، در صورت وجود ، مسئول حرکات قیمت به ظاهر نامنظم این سکه های دیجیتال هستند. به عنوان مثال ، چا و فرای (2015) بررسی می کنند که آیا قیمت اساسی بیت کوین در حالی که Bariviera (2017) و Tiwari و همکاران وجود دارد ، وجود دارد.(2018) محتوای اطلاعاتی بازده بیت کوین را بررسی کنید. Yermack (2015) استدلال می کند که بیت کوین چنین ارزش اساسی ندارد و صرفاً یک ابزار سوداگرانه است ، زیرا عملکرد یک ارز سنتی صادر شده از فیات را انجام نمی دهد.

تحقیقات دیگر از روش های سری زمانی برای مطالعه پویایی تغییرات قیمت بیت کوین استفاده کرده اند. کاتسیامپا (2017) نوسانات قیمت بیت کوین را با استفاده از مدل های GARCH مدل سازی می کند و خوبی برازش مدل های مختلف را مقایسه می کند. Bariviera (2017) استدلال می کند که ماهیت متغیر زمانی قیمت بیت کوین می تواند بسته به درجه کارایی اطلاعاتی که می تواند در رژیم های زمانی وجود داشته باشد تغییر کند. برخی از تحقیقات جدیدتر در این زمینه بررسی می کنند که آیا حباب های قیمت بیت کوین قابل تشخیص هستند (Cretarola و Figà-Talamanca 2019) و انتقال اطلاعات در میان مبادلات مختلف بیت کوین (Giudici و Polinesi 2019). فرای و سربرا (2020) میزان حدس و گمان را در بازارهای ارزهای دیجیتال تخمین می زنند. با استفاده از کار کریستوفک (2013)، آنها نشان می دهند که چگونه جستجوهای گوگل برای ارزهای دیجیتال می تواند توسط تغییرات قیمت اخیر هدایت شود. آکییلدیریم و همکاران(2020) از روش های مختلف یادگیری ماشین برای آزمایش قابلیت پیش بینی دوازده ارز دیجیتال در گردش استفاده می کنند. این مطالعه خاص نتیجه می گیرد که یادگیری ماشینی می تواند برای پیش بینی بالقوه ارزهای دیجیتال مورد استفاده قرار گیرد، اگرچه این ممکن است تنها در سطح روزانه در هنگام استفاده از قیمت های گذشته امکان پذیر باشد. این مطالعه، مانند بسیاری از موارد ذکر شده، بر نیاز به درک بیشتر نیروهای محرک پشت قیمت ارزهای دیجیتال و تأثیرات آنها برای سرمایه گذاران و سیاست گذاران تأکید می کند.

داده های نمونه

برای تعیین میزان وجود رفتارهای گله ای در بازارهای ارزهای دیجیتال، در مجموع 9 ارز دیجیتال (به ترتیب بیت کوین، اتریوم، XRP، بیت کوین کش، EOS، لایت کوین، استلار، کاردانو و آیوتا) را نمونه برداری می کنیم. این ارزهای رمزپایه، همراه با محدوده نمونه مربوطه و برخی آمار خلاصه، در جدول 1 فهرست شده اند. همانطور که نشان داده شده است، تاریخ شروع نمونه برای هر یک از ارزهای دیجیتال متفاوت است زیرا عرضه اولیه سکه (ICO) آنها در تاریخ های متفاوتی رخ داده است. با این حال، در حال حاضر، همه این 9 ارز دیجیتال از نظر ارزش بازار برخی از بزرگترین و از نظر حجم معاملات نقدشونده ترین هستند. در حالی که خود بیت کوین در حال حاضر تقریباً 60٪ از کل سرمایه بازار همه ارزهای دیجیتال در گردش را تشکیل می دهد، چندین ارز دیجیتال نسبتا کمتر شناخته شده دیگر محبوبیت بیشتری پیدا می کنند.

داده ها همه از https://coinmarketcap.com منشأ می شوند و شامل قیمت های بسته شدن روزانه برای 9 ارز دیجیتال نمونه می شوند. از آنجایی که همه ارزهای دیجیتال مربوطه در چندین صرافی در سراسر جهان به طور همزمان معامله می کنند، یک تجربه گرا با چالش انتخاب صرافی برای استفاده از داده های قیمت مواجه است. در حالی که یک گزینه قابل اجرا استفاده از بزرگترین و نقدترین مبادله است، گزینه دیگر تجمیع داده های قیمت به منظور داشتن یک سری داده نماینده تر است. مزیت استفاده از داده های قیمت از https://coinmarketcap.com برای آزمایش تجربی این است که داده های قیمت به عنوان میانگین وزنی کل قیمت های گزارش شده در بازارهای مختلف مبادله محاسبه می شود.

برخلاف کلاس های دارایی سنتی که معمولاً فقط در روزهای هفته معامله می کنند، ارزهای دیجیتال تمام هفت روز هفته را معامله می کنند. شکل 1 نمودارهای سری زمانی قیمت های پایانی و حجم معاملات همه ارزهای دیجیتال نمونه (به دلار) را نشان می دهد. در اواخر سال 2017 و آغاز سال 2018، بیت کوین به سطوح قیمتی رکورد رسید. به نظر می رسد که اکثر ارزهای دیجیتال نمونه (به استثنای EOS) قیمت های رکوردی را در این مدت تجربه کردند. EOS همچنین در پایان سال 2017 و ابتدای سال 2018 قیمت بالایی را تجربه کرد، اما در بهار 2018 قیمت ها و حجم های بالاتری را تجربه کرد. دلایل کاهش اخیر قیمت ارزهای دیجیتال ممکن است تا حدی ناشی از ممنوعیت چین در مورد ارزهای دیجیتال و تلاش های این کشور باشد. دولت چین به طور کامل تجارت و مبادلات خود را متوقف کند.

نمودارهای سری زمانی سطوح قیمت و حجم (هر دو به دلار)

از شکل 1، درجه بالایی از نوسان قیمت را برای هر 9 ارز رمزنگاری شده نمونه مشاهده می کنیم. این نوع ریسک نوسان غیرقابل مقایسه با طبقات دارایی های سنتی است، اما ممکن است برای سرمایه گذاران و سفته بازان به طور یکسان جذاب باشد. جدول 2 آمار خلاصه محاسبه شده با استفاده از اولین تفاوت های لگاریتمی طبیعی هر یک از قیمت های بسته شدن ارزهای دیجیتال را گزارش می دهد، P: (100*<ln>left( /P_> ight) ) . The mean retus for most of the cryptocurrencies is quite high in relation to what is observed when examining the retus of traditional asset classes. Footnote 3 Of all the cryptocurrencies, only bitcoin and IOTA are negatively skewed. All of them, however, are highly leptokurtic. This suggests thicker tails and therefore higher tail risks in comparison to normally distributed retu series. The Sharpe ratio is computed for each of the cryptocurrency retu series, R , as ( left( - r_>درست)/<<upsigma>>) به موجب آن r_f denotes the risk-free rate. Footnote 4 The denominator for the Sharpe ratio is the standard deviation of cryptocurrency retus, σ . The value-at-risk (VaR) for the cryptocurrencies’ retus is calculated as follows: (>= W چپ(<mu Delta t - nsigma sqrt <Delta t>> راست) ) که در آن μ میانگین بازگشت است. W ارزش پرتفوی سرمایه گذاری شده است. n تعداد انحرافات استاندارد بسته به سطح اطمینان است. σ انحراف استاندارد بازده و Δ t پنجره زمانی است (Signer and Favre 2002).

اگرچه به دلیل محدوده نمونه نابرابر آنها به طور مستقیم قابل مقایسه نیست ، اما به نظر می رسد که EOS ، Bitcoin Cash ، Cardano ، Iota و Stellar (به این ترتیب) با توجه به تخمین های VAR ، خطرناک ترین ارزهای رمزنگاری شده هستند ، در حالی که اتریوم ، بیت کوین ، ستاره ای و کاردانو (دراین ترتیب) دارای بالاترین نسبت شارپ است. با این حال ، با توجه به خطرات لحظه ای بالاتر (خطرات و خطرات کورتوز) که همه این ارزهای رمزنگاری شده در توزیع بازده خود دارند ، ممکن است که اقدامات VAR و شارپ ما ممکن است خطرات آنها را کاهش دهد.

با توجه به ماهیت غیر گاوسی تغییرات قیمت cryptocurrency ، مهم است که خطرات لحظه ای بالاتر را فراتر از دو لحظه اول درج کنید. همانطور که Signer and Favre (2002) نشان می دهد ، مدل های VAR که از خصوصیات توزیع ، مانند کورتوز اضافی ("دم چربی") غافل می شوند ، تصویری ناقص از خطرات قیمت دارایی اساسی مورد نظر ارائه می دهند. از منظر یک سرمایه گذار ریسک پذیر ، درجه بالایی از کورتوز در توزیع بازده دارایی یک ویژگی نامطلوب است زیرا این امر حاکی از احتمال نسبتاً بیشتر بازده شدید (منفی) است. برای اینکه خطرات لحظه ای بالاتر را در بر می گیرد ، جدول 2 همچنین به ترتیب هر یک از رمزنگاری های رمزنگاری شده نمونه (MVAR) و نسبت شارپ اصلاح شده را به ترتیب گزارش می دهد (گرگوریو و گوئی 2003). MVAR را می توان به شرح زیر بیان کرد (با استفاده از برخی از نمادهای مشابه VAR که قبلاً مورد بحث قرار گرفت):

به موجب آن ، ارزش نمونه کارها در Cryptocurrency نمونه برداری شده است. Z_جفمقدار بحرانی برای احتمال (1 - α) و - 1. 96 برای احتمال 95 ٪ است. μ میانگین بازده است. σ انحراف استاندارد بازده است. S در بازده است. k در بازده بیش از حد است. پوستی و کورتوز بازده ارزهای رمزپایه به شرح زیر تعریف شده است: