基于区块链图的比特币风险建模

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Bitcoin Risk Modeling with Blockchain Graphs》
---
作者：
Cuneyt Akcora, Matthew Dixon, Yulia Gel and Murat Kantarcioglu
---
最新提交年份：
2018
---
英文摘要：
  A key challenge for Bitcoin cryptocurrency holders, such as startups using ICOs to raise funding, is managing their FX risk. Specifically, a misinformed decision to convert Bitcoin to fiat currency could, by itself, cost USD millions.   In contrast to financial exchanges, Blockchain based crypto-currencies expose the entire transaction history to the public. By processing all transactions, we model the network with a high fidelity graph so that it is possible to characterize how the flow of information in the network evolves over time. We demonstrate how this data representation permits a new form of microstructure modeling - with the emphasis on the topological network structures to study the role of users, entities and their interactions in formation and dynamics of crypto-currency investment risk. In particular, we identify certain sub-graphs (\'chainlets\') that exhibit predictive influence on Bitcoin price and volatility, and characterize the types of chainlets that signify extreme losses.
---
中文摘要：
比特币加密货币持有者面临的一个关键挑战是如何管理外汇风险，例如利用ICO筹集资金的初创公司。具体而言，将比特币转换为法定货币的错误决策本身可能会导致数百万美元的损失。与金融交易所不同，基于区块链的加密货币向公众公开了整个交易历史。通过处理所有事务，我们用高保真图对网络进行建模，以便能够描述网络中的信息流是如何随时间演化的。我们展示了这种数据表示如何允许一种新形式的微观结构建模，重点是拓扑网络结构，以研究用户、实体及其相互作用在加密货币投资风险形成和动态中的作用。特别是，我们确定了对比特币价格和波动性具有预测影响的某些子图（“小链”），并描述了表示极端损失的小链的类型。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Risk Management        风险管理
分类描述：Measurement and management of financial risks in trading, banking, insurance, corporate and other applications
衡量和管理贸易、银行、保险、企业和其他应用中的金融风险
--

---
PDF下载：
--> Bitcoin_Risk_Modeling_with_Blockchain_Graphs.pdf (396.5 KB)

2022-6-10 02:36:21 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：比特币 interactions Presentation Transactions Quantitative

比特币交易为所有参与者列出，网络上可以立即找到最重要的代理。与封闭式金融系统相比，加密货币交易所中最大的账户被列出，并且可以随着时间的推移进行追踪，通常被称为*达拉斯德克萨斯大学数据安全和隐私实验室博士后研究员+伊利诺伊理工学院斯图亚特商学院金融与统计助理教授德克萨斯大学达拉斯分校数学科学系数学教授。§达拉斯德克萨斯大学计算机科学教授、数据安全和隐私实验室主任。“鲸鱼”。比特币计量经济学寻求新的跨学科研究，以证明充分披露加密货币市场中管理者的行为如何告知价格发现，并最终作为市场过度波动甚至崩溃的预警指标。为了建立一个预测模型，我们因此偏离了利用标准宏观经济变量（如GDPand和通货膨胀）的经典时间序列横截面模型。相反，我们使用比特币的微观结构。通过处理所有财务互动，我们的目标是用一个高精度图对网络进行建模，以便能够描述网络中的信息流是如何随时间演变的。这种新颖的数据表示允许一种全新的金融计量经济学形式——强调拓扑网络结构，而不是历史价格时间序列的协方差。

用户、实体及其相互作用在加密货币风险投资的信息和动态、金融预测分析以及更普遍的重塑现代金融世界中的作用是一个新的研究领域【11、6、7、8、12】。2方法：小链和数据处理如图1所示，比特币图由三个主要组件组成：地址、交易和块（有关区块链图的aprimer，请参见[1]）。了解交易如何与市场价格相关的一种方法是引入k链的新概念[2]。k-chainlet是k的比特币子图≥ 1交易及其对应的输入和输出地址对应于不同的账户，不一定是auser独有的。在最简单的情况下，单个事务创建一个具有一个或多个输入和一个输出的1-chainlet。例如，在图1中，交易t2导致比特币从地址a3、a4、a5转移到地址a8。这样的一个transaction创建了一个具有三个输入和一个输出的1-chainlet。我们将此子图表示为c3类型的小链图→1，其中3和1分别是输入和输出地址的数量。1-chainlet是比特币图的最小构建块；chainlet的输入和输出一次确定，并且对事务进行数字签名。无法修改此signedinformation，但可以组合多个1-Chainlet来扩展图形。为了简单起见，在本工作的剩余部分中，我们使用术语chainlet来指代1-chainlet。1arXiv:1805.04698v1【q-fin.RM】2018年5月12日A6T1T2T4T3A2A1A7A4A3A5A8A9A10A12A13时间图1：比特币网络的交易地址图表示。

地址用圆圈表示，带有矩形和边的反作用表示硬币的转移。在时间上阻止订单交易，而每个交易及其输入和输出节点代表一个不变的决策，该决策在比特币网络上被编码为子图。一些地址，如图中的A6，可能包含未使用的比特币。图形分析使我们能够评估比特币图形随时间变化的局部拓扑结构，并评估小链对比特币价格形成和动态的作用。图2说明了如何通过chainlet矩阵表示网络的活动。在给定的一天，我们统计每个Ci的发生次数→jand把它放在链子里ma trix。然而，链式let的最大输入或输出数量可能很大，有时超过1000。当输入和/或输出的数量超过阈值N时，我们将这些小链称为“极端小链”。在我们对每日快照的历史分析中，我们选择N=20，这对应于所有小链子出现的97.5%。图2：该图说明了如何使用20×20小链矩阵及时表示网络。通过拍摄比特币图的快照并计算Ci的出现次数形成的每个矩阵→ji、 j在给定的一天。colorscale表示小链出现的频率。左端和右端小链分别显示在最下面一行和最右侧一列中。区分“左极限小链”和“右极限小链”很有意义。左端链是子集Cl：={Ci→j | i=N，j∈ {1，…，N}}，在图2中的最下面一行显示为灰色。它们代表从大量账户到少数地址的交易。一般来说，左端小链表示比特币投资。右极限小链是Cr的子集：={Ci→j | i∈{1, . . .

N- 1} ，j=N}，如图2中最右列所示。它们代表着大量比特币在整个市场上的销售——卖家将余额分割，并将其发送到数百个比特币地址。我们将datet上的Satoshis的美元金额表示为Altand Art，并将总发生次数分别表示为Olt和Ort。图3显示了时间t时极端小链与总oc电流的比率，表示为Oxt。我们还通过极端小链交易的比特币比率（Axt）来衡量极端小链活动。例如，如果今天的交易量为200万条Satoshis，而200万条Satoshis是通过使用极端小链进行交易的，那么Axt=0.1.0.050.100.150.20 1 40 154 251 360天的2015年比率图3：2015年极端小链的日发生率比率。6月3日（第154天），纽约州政府服务总监宣布了BitLicense：一套管理虚拟货币业务的规则。比特利许可证于9月8日（第251天）生效。加密货币交易所（cryptocurrency Exchange）并没有遵守这些规则，而是要求其客户离开其平台。许多客户通过出售比特币而离开，这一点可以从高度极端的小链活动中得到证明。3预测比特币我们可以从链中构建预测模型的程度已经产生了一些有希望的结果[2]（有关对比特币价格和波动性具有预测影响的链的类型和组的规格，请参见[2]）。3.1风险建模我们描述了“损失”的不确定性，尤其是估计未来发生极端损失的可能性。

损失定义为log2回报的负值，Lt=-rt，其中rt：=ln（Pt+1/Pt），Pti是t天的比特币价格。比特币价格来源于2012年1月1日至2017年10月7日期间的Coinbase（2107次观察），相应的小链矩阵可通过网站2获得。表1显示了将对数收益率r2t的平方（波动率的代表）与xt（每日极端小链活动的向量）进行回归的结果。估计标准误差t值Pr（>| t |）（截距）0.9995 0.0807 12.385<2e-16***Alt0.7248 0.1063 6.818 1.21e-11***Art0.2959 0.1278 2.316 0.02068*Axt-0.5348 0.1313-4.073 4.82e-05***Olt-0.5699 0.1074-5.304 1.25e-07***Ort-0.4541 0.1644-2.762 0.00579**T0.5043 0.1832 2.753 0.00595**表1：该表显示了r2t上极端小链回归的统计意义，波动性的代表。请注意，响应和回归都已标准化。0.00.20.40.6-2损失密度0.00.20.40.6-2损失密度图4：标准化每日损失的经验密度取决于最低（红色）和最高（绿色）α=0.05个百分点的极端小链活动（顶部）数量（Ax）和（底部）发生次数（Ox）。标准化无条件损耗密度用黑线表示。在价格和我们的分析之间建立格兰杰因果关系的结果（参见[2]中的图3）表明，比特币网络直到2011年末才稳定下来https://github.com/cakcora/CoinWorkschainlets如【2】所示。我们强调，我们在此分析的目的是利用给定极端小链活动的损失分布特性来补充这些结果。图4和表2显示了2012年1月1日至2017年7月10日期间标准化每日比特币损失的无条件损失密度、φ（Lt）（黑色）和条件密度。

当以极限链活动测量值Axt（顶部）和Oxt（底部）的第五个百分位（绿色）为条件时，观察到损失密度的平均值向右移动（表明损失更大）。相反，我们发现，当以极小链活动测量值Axt（顶部）和Oxt（底部）的第五个百分位（红色）为条件时，损失密度的平均值向左移动。条件损失分布的偏斜和峰度也明显不同于非条件损失分布。p df平均标准偏差偏度峰度φ（Lt）0 1 0.518 12.082φ（Lt | Axt<Φ-1xt（0.05））-0.047 1.107 3.283 31.618φ（Lt | Axt>Φ-1XT（0.95））0.0861 0.843 1.590 6.046φ（Lt | Oxt<Φ-1下（0.05））-0.081 0.633 1.296 8.114φ（Lt | Oxt>Φ-1下（0.95））0.118 0.930 2.025 10.457表2：该表显示了与图4.3.2所示相对应的条件和无条件经验密度函数的矩。GARCH模型在预测比特币方面的应用已在[4，3]中进行了广泛研究。我们通过证明在GARCH模型中包含极端小链活动XT的重要性来补充这些发现。我们选择A臂（p，q）- GARCHX（1，1）模型：yt=u+pXi=1yt-i+qXi=1ut-1+σtut，（1）σ2t=α0+α1u2t-1+βσ2t-1+βTxxt，（2）其中y是观察到的每日收益，u是标准偏差学生t-创新，σ是波动率。根据要求提供的其他诊断显示出积极的研究效果，GARCH（1,1）模型具有较低的平均值方程ARMA（2,2）模型。两个模型在残差和残差平方的99%置信度水平上通过了Box Ljung和Lagrange乘数测试。

单独的符号偏差测试表明，不对称性并不显著。表3比较了ARMA（2,2）-GARCHX（1,1）模型与3AUG 2010年9月1日-2010年9月15日0.05 0.10 0.15 0.20预测滚动西格玛与|系列|时间/水平西格玛模型：SGARCHHORION：30实际预测|系列| 8月15日-2010年9月1日-10月15日0.05 0.10 0.15 0.20预测滚动西格玛与|系列|时间/水平西格玛模型：SGARCHHORION：30实际预测|系列|图5：使用（顶部）ARMA（2,2）-GARCH（1,1）模型和（底部）ARMA（2,2）-GARCHX（1,1）模型估计的次日波动率。预测水平在30天的样本期外滚动（红色）。样本中，波动率估计值以蓝色显示，观察到的每日回报率以灰色显示。1857天历史期间的ARMA（2,2）-GARCH（1,1）模型。回溯测试在取样器内水平面上进行，每7天进行一次模型拟合。据观察，ARMA（2,2）-GARCHX（1,1）模型在95%的置信度水平上通过了Kupiec无条件和Christo-Offersen条件平均检验，而ARMA（2,2）-GARCH（1,1）低估了VAR，两项检验均未通过。ARMA（2,2）-GARCH（1,1）ARMA（2,2）-GARCHX（1,1）α1%预期违约18.6实际VaR违约33 15无条件覆盖（Kupiec）H0：正确违约LR。uc统计9.201 0.742LR。uc临界3.841LR。uc p值0.002 0.389拒绝空是无条件覆盖（Christo Offersen）H0：纠正违规和故障的独立性SLR。cc统计值9.451 0.986LR。cc临界5.991LR。cc p-value 0.009 0.611Reject Null YES值得注意的3：此表比较了使用GARCH和GARCHX模型的VaRbacktests的覆盖率测试结果。图5将样本滚动期外30天内的日前预测波动率（顶部）和（底部）与chainlet回归器进行了比较。

观察到GARCHX模型预测的波动率高于GARCH模型，并且发现GARCHX模型更适合于建模风险。在二次损失函数下，我们拒绝了Diebold-Mariano检验中的h0（DM=-2.2728），并得出结论，模型残差的差异在95%水平上显著（p=0.023）。4总结我们使用高可靠性图对比特币的区块链交易历史进行建模。以交易金额和发生次数为特征的极端小链活动主要导致损失概率增加和波动性显著变化。通过将这些小链活动作为外部回归因素纳入方差方程，我们显示了预测次日极端损失的GARCHmodel的显著改进。平均值和方差方程中的阶数相等时，在大约5年的回溯测试期内，包含极端小链回归器将导致每日99%VaR违规或违规次数减少近90%。5致谢本材料基于美国国家科学基金会（NationalScience Foundation）资助的工作，授权号为IIS 163331.4参考文献[1]C.G.Akcora、Y.R.Gel和M.Kantarcioglu。“区块链：图形入门”。In:arXiv预印本XIV:1708.08749（2017）。[2] C.G.Akcora等人，“利用图链预测比特币价格”。摘自：第22届亚太知识发现和数据挖掘会议，PaKDD（2018）。[3] Vavrinec Cermak。“比特币能否成为法定货币的可行替代品？基于GARCH模型的比特币波动性实证分析”。摘自：（2017），第1-53页。[4] Je ffrey Chu等人，“加密货币的GARCH建模”。摘自：风险与财务管理杂志10.17（2017）。issn：1911-8074。内政部：10。3390/jrfm10040017。url：http://www.mdpi.com/1911-8074/10/4/17.[5] Pavel Ciaian、Miroslava Rajcaniova和dArtisKancs。

“比特币价格形成经济学”。《应用经济学》48.19（2016），第1799-1815页。[6] Shaen Corbet等人，“探索加密货币和其他金融资产集合之间的动态关系”。于：（2017年）。[7] A.H.Dyhrberg。“比特币、黄金和美元——阿加奇波动率分析”。摘自：《金融研究快报》（2016）。[8] P.Gomber、J.-A.Koch和M.Siering。“数字金融和金融科技：当前研究和未来研究方向”。摘自：《商业经济杂志》7.5（2017），第537-580页。[9] 迪米特里奥斯·库特莫斯。“比特币收益和交易活动”。《经济学快报》167（2018），第81-85页。issn：0165-1765。内政部：https://doi。组织/10。1016年。econlet。2018 . 03 . 网址：http://www。sciencedirect。com/science/article/pii/S0165176518301125。[10] L.Kristoufek。“比特币价格的主要驱动因素是什么？来自小波相干分析的证据”。In:PloS One 10.4（2015），e0123923。[11] Devavrat Shah和Kang Zhang。“贝叶斯回归和比特币”。参加：通信、控制和计算（Allerton），2014年第52届Allerton年会。IEEE。2014年，第409–414页。[12] Y.索夫贝托夫。“影响加密货币价格的因素：来自比特币、以太坊、Dash、Lit coin和Monero的证据”。摘自：《经济学和金融分析杂志》2.2（2018），第1-27.5页