加密货币、主流资产类别和风险因素——对

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：
《Cryptocurrencies, Mainstream Asset Classes and Risk Factors - A Study of
  Connectedness》
---
作者：
George Milunovich
---
最新提交年份：
2018
---
英文摘要：
  We investigate connectedness within and across two major groups or assets: i) five popular cryptocurrencies, and ii) six major asset classes plus two commonly employed risk factors. Granger-causality tests uncover six direct channels of causality from the elements of the mainstream assets/risk factors group to digital assets. On the other hand there are two statistically significant causal links going in the other direction. In order to provide some perspective on the magnitude of the uncovered linkages we supplement the analysis by estimating networks from forecast error variance decompositions. The estimated connectedness within the groups is relatively large, whereas the linkages across the two groups are small in comparison. Namely, less than 2.2 percent of future uncertainty of any cryptocurrency is sourced from all non-crypto assets combined, while the joint contribution of all digital assets to non-crypto uncertainty does not exceed 1.5 percent.
---
中文摘要：
我们调查了两大集团或资产内部和之间的连通性：i）五种流行的加密货币，以及ii）六种主要资产类别加上两种常用的风险因素。格兰杰因果关系检验揭示了从主流资产/风险因素组的要素到数字资产的六个直接因果关系渠道。另一方面，有两个统计上显著的因果关系朝着另一个方向发展。为了对未发现的联系的规模提供一些看法，我们通过预测误差方差分解估计网络来补充分析。组内的估计连通性相对较大，而两组之间的联系相对较小。也就是说，任何加密货币的未来不确定性不到2.2%来自所有非加密资产的总和，而所有数字资产对非加密不确定性的共同贡献不超过1.5%。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：General Finance        一般财务
分类描述：Development of general quantitative methodologies with applications in finance
通用定量方法的发展及其在金融中的应用
--

---
PDF下载：
--> Cryptocurrencies,_Mainstream_Asset_Classes_and_Risk_Factors_-_A_Study_of_Connectedness.pdf (396.33 KB)

2022-6-10 16:54:31 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：Quantitative Applications Contribution QUANTITATIV uncertainty

加密货币、主流资产类别和风险因素——关于连通性的研究George MilunovichMacquarie University，悉尼，新南威尔士州，2109，Australiageorge。milunovich@mq.edu.auSeptember2018年11月摘要我们调查了两大集团或资产内部和之间的关联性：i）五种流行的加密货币，以及ii）六种主要资产类别加上两种常用的风险因素。格兰杰因果关系检验揭示了从主流资产/风险因素组的要素到数字资产的六个直接因果关系渠道。另一方面，有两个具有统计学意义的因果关系正朝着另一个方向发展。为了对未覆盖链接的数量提供一些看法，我们通过预测误差方差分解估计网络来补充分析。组内的估计连通性相对较大，而两组之间的联系相对较小。也就是说，任何加密货币的未来不确定性不到2.2%来自所有非加密资产的组合，而所有数字资产对非加密不确定性的共同贡献不超过1.5%。关键词：比特币、加密货币、连通性、主要资产类别、风险因素、网络、格兰杰因果关系、预测误差方差分解JEL分类：C3、C32、G11简介“虚拟货币，可能最著名的是比特币，吸引了一些人的想象力，引起了其他人的恐惧，并让我们其他人感到困惑。”—美国参议员卡珀（ThomasCarper）表示，货币是旨在作为替代支付手段的数字资产。它们是通过分散的开源代码创建和管理的，而不是像中央银行这样的权威机构。比特币是最流行的加密货币之一，在中本（Nakamoto）（2008）撰写的白皮书中介绍。

白皮书指出，比特币是“点对点版本的电子现金，允许在线支付从一方直接支付给另一方，而无需通过金融机构”。虽然中本的真实身份仍不得而知，但比特币似乎至少在部分方面受到了2008年金融危机的启发。这可以从嵌入第一块比特币的文字中推断出来：“2009年1月3日泰晤士报财政大臣即将对银行进行第二次救助”。比特币网络于2008年构思，于2009年开发，2010年记录了几笔初始交易。最近，比特币交易数量及其市值的增长是前所未有的。为了应对比特币的成功，新的加密货币于2010年初开始进入市场。目前，有130多种加密货币的市值超过1亿美元。考虑到高增长率可以说是投机的结果，加密货币的兴起在投资者、决策者、金融机构和一般公众中造成了严重的混乱。从经验上看，比特币的风险水平很高，如Katsiampa（2017）、Blau（2017）和Pieters and Vivanco（2017），容易形成投机泡沫（Cheah and Fry，2015），并容易突然崩溃（Fry and Cheah，2016）。然而，有趣的是，尽管lessthan的市场已经存在了十年，但正如Urqhart（2016）、Nadarajah和Chu（2017）以及Bariviera、Basgall、Hasperu和Naiouf（2017）所报告的那样，已经发现该市场的信息效率很高。著名经济学家支持和反对比特币，例如，在讨论货币政策时，他列出了加密资产相对于非货币的一些优势（He，2018）。

另一方面，金融出版社（Newlands，2018）最近发表了一篇题为“Stiglitz、Roubini和Rogo ff领导对比特币的联合攻击”的文章。加密货币一般来说，尚不清楚如何评估数字资产的价值。在本文中，我们不直接讨论加密货币的估值问题，而是研究它们与主流资产类别的时间序列联系。这种连通性度量在现代金融中发挥着关键作用，对许多原因都至关重要。如下文第2节所述，加密货币自十年前问世以来，价格波动令人难以置信。因此，人们可能会问一个相关的问题，即数字资产价格是否会对主流资产类别产生任何影响，从而破坏整个金融系统的稳定。在文献中，这类风险通常被称为系统性风险。正如Billio、Getmansky、Lo和Pelizzon（2012）所述，系统性风险涉及金融系统，这是一个相互关联的组织的集合，通过这些组织，流动性、资不抵债和损失可以在不利的金融条件下迅速转移。因此，研究数字资产价格变动是否以及如何影响系统的其余部分是很有意义的。其次，从多元化的角度来看，人们可能会想知道加密资产的流动与主要市场趋势之间的隔离程度如何。如果数字货币不受整体市场的影响，那么人们可能会主张将其多样化为数字资产，尤其是在2008年金融危机等金融低迷时期。

第三，由于数字资产预计将作为一种交换媒介，因此我们有兴趣了解它们如何与美元互动，美元被广泛重新定义为事实上的世界货币。我们的分析关注两大类财务变量内部和之间的关联性：i）五个数字资产，以及ii）六个主流资产类别加上两个风险因素。加密货币包括比特币、以太币、光币、货币和Ripple。这些是一些流动性最强的数字资产，具有显著的市场资本化。主流资产包括股票、美国ZF债券、美元、石油、黄金和大宗商品指数。我们还将Caldara和Iacoviello（2018）中提出的TED spreadand aworld地缘政治风险指数纳入分析。我们使用2015年8月至2018年4月期间的每日数据。Corbet、Meegan、Larkin、Lucey和Yarovaya（2018）的一项相关研究认为，在较短的资产体系内以及更早的一段时间内，也存在类似的问题。采用两种计量经济学方法来捕捉连接的不同方面。首先，通过格兰杰因果关系检验获得了基于统计显著领先滞后关系的纯粹预测连通性，然后将其映射到通常用于衡量经济体信贷风险水平的息差中。如Billio等人（2012）所述的网络。其次，通过构建Diebold和Ylmaz（2014）提出的预测误差方差分解连接度表，估计连接度的相对大小。我们的发现总结如下。格兰杰因果关系分析揭示了两组资产内部和之间的关联性。我们报告了从非数字资产到加密货币的六种格兰杰因果关系，以及从数字资产到非数字资产的两种因果关系。

虽然这些未发现的关系在统计上具有显著性，因此不太可能是随机发生的，但很难仅根据统计测试来判断其大小。因此，我们用方差分解分析的证据来补充我们的结果。根据方差分解计算的连通性度量，组内的链接相对较大，有时超过15%。例如，比特币似乎与其他三种数字资产具有较高的连通性。然而，群体间的联系似乎微不足道。我们发现，所有加密货币对非数字变量未来不确定性的综合贡献不超过1.5%，而所有非数字资产对任何加密货币不确定性的联合贡献不到2.2%。本文的工作如下。在第2节中，我们介绍了数字资产类别，并提供了一些基本的描述性统计数据。第3节定义并讨论了用于量化利益变量之间联系的两种连通性度量。第4节介绍了我们的主要实证结果，第5节得出结论。2数据我们分析了五项数字资产、六项主流资产和两项风险因素的日常数据。我们的加密货币包括比特币（BTC）、以太币（ETH）、光币（LTC）、莫奈罗币（XMR）和瑞波币（XRP），它们是一些交易最活跃的数字资产。在加密货币中，BTC是最知名的资产。这是第一次成功实施没有中央权威的点对点货币设计。虽然提供匿名性，但BTC市场设计缺乏监管机构的任何保护机制，如Vandezande（2017）所述。

此处考虑的其余四种加密货币具有相似的特征，不同之处在于交易处理算法、处理交易（采矿）的奖励和交易费用方面的技术细节。此外，Monero可以被选为最匿名的加密货币，其所有支付和账户余额都被完全隐藏。它使用了一个模糊的公共分类账，这意味着任何人都可以发送交易，但外部观察者无法告知交易资金的来源、金额或目的地。在撰写本文时，五项数字资产的综合市值超过了1950亿美元。我们的主流资产组包括股票——标准普尔500指数总回报指数（SP500）、美国基准10年期国债指数（10年期）、原油（WTI）、黄金（gold）、大宗商品（SPGSCI）和美元贸易加权指数。分析中包括的两个风险因素是TED利差和年龄政治风险指数（GPR）。TED利差是伦敦银行同业拆借利率与短期无风险美国政府债券之间的差异。它通常被用来衡量信用风险。GPR指数是通过11家国家和国际报纸电子档案的自动文本搜索结果计算得出的。Caldara和Iacoviello（2018）通过计算每家报纸每月与地缘政治紧张局势相关的文章数量（占新闻文章总数的份额）来计算该指数。我们的数据集包括2015年8月7日至2018年4月13日期间收集的每日数据。数字资产价格数据来自加密货币数据中心CryptoCompare。SP500、10YR、WTI和SPGSCI数据的数据来自Datastream，而TED和USD则来自圣路易斯联邦储备银行的FRED数据库。

最后，GPR指数由https://www2.bc.edu/matteo-iacoviello/gpr.htm.Figure1给出了以ln（Pt/P）计算的货币增长率的时间序列图，以及用于比较的SP500指数。相对于2015年8月至2018年4月期间增长超过30%的SP500指数，数字资产的价格增长似乎令人难以置信。2017年底，最匿名的数字资产莫奈罗（XMR）达到了增长率的峰值。事实上，在截至2017年12月的28个月期间，所有五种加密货币的回报率都在400%到600%之间。尽管样本期的最后四个月数字资产价格出现了大幅下跌，但剩余的增长幅度达到了SP500指数回报率的十倍以上。表1提供了此处考虑的十三个变量的每日日志返回序列的汇总统计信息。如前所述，Monero（XMR）的日平均回报率最高，为0.82%，其次是乙醚（ETH），为0.76%。尽管这些资产的风险水平也很高，如第二栏中的标准差所衡量的，但市值细分大致如下：BTC–1298亿美元，ETH–424亿美元，XPR–169亿美元，LTC–45亿美元，XMR–19亿美元。资料来源：https://coinmarketcap.com.Figure1：2015-072015-112016-032016-072016-112017-032017-072017-112018-0320246SP500BTCETHLTCxmrXRP资产价格增长率（按ln【Pt/P】计算）在风险调整（平均值/标准偏差）基础上仍排名第二。比特币（BTC）获得了最佳的风险调整后回报，而根据风险调整后回报，其余加密货币则排在第四和第五位。在主流资产中，石油（WTI）的平均回报率最高，为0.06%，其次是SP500和broadcommodities指数SPGCSI，日均回报率为0.04%。

根据最小值和最大值列判断，所有数字资产都显示出巨大的正回报和负回报。事实上，所有13个变量均未通过Jarque-Bera（JB）正态性检验，JB统计量超过了9.21的1%临界值。有趣的是，我们观察到地缘政治风险指数（GPR）表现出显著的日变化性，日标准差最大，日变化最小和最大。这反映了由于地缘政治事件的偶发性，指数系列中出现的跳跃。最后，我们考虑在表的最后几列中提供的增广Dickey Fuller（ADF）单位根统计信息。由于ADF检验是一个左侧检验，所有13个回归序列在1%显著水平上都拒绝了单位根的无效假设。这表明每日收益率序列是固定的，适合使用表1每日收益汇总统计数据（2015年8月7日至2018年4月13日）进行进一步分析，平均标准最小中值最大JB统计数据平均值/标准ADF统计数据BTC 0.50 4.76-24.59 0.43 22.76 526.42 0.10-26.15ETH 0.76 9.80-91.63 0.13 49.76 5482.23 0.08-26.57LTC 0.51 7.04-31.25 0.00 55.16 6422.02 0.07-23.27XMR 0.82 10.71-51.08 0.00 75.05 2526.89 0.08-22.09XRP 0.65 10.10-56.33-0.28 74.08 3250.14 0.06-26.41SP500 0.04 0.85-4.18 0.05 3.84 537.89 0.05-26.2510年-0.01 0.36-1.89 0.01 1.46 59.28-0.02-27.60WTI 0.06 2.43-8.08 0.10 11.29 149.85 0.03-26.33黄金0.03 0.86-3.38 0.02 4.59 259.10 0.04-26.23美元-0.01 0.42-2.40 0.00 2.49 355.51-0.03-25.81SPGSCI 0.04 1.26-4.49 0.06 5.26 46.22 0.03-27.28版0.136.71-34.17 0.00 27.87 206.14 0.02-21.08GPR 0.27 70.17-268.40-0.26 313.81 54.39 0.00-19.79注：JB Stat.是Jarque和Bera（1987）的正态性检验统计量；JB临界值：1%：9.21,5%：5.99,10%：0.21。ADF统计。

是Dickey and Fuller（1979）的单位根检验统计量；ADF临界值：1%：-3.44，5%：-2.87，10%：-2.60。下一节中概述的方法。3方法我们的分析基于p阶向量自回归模型，表示为VAR（p），该模型适用于日收益率序列，如下所示：yt=c+Ayt-1+Ayt-2+···+Apyt-p+ut。（1） 在上述方程中，ytis是一个（13×1）向量，包含五种晶币、六种主流资产以及第2节讨论的两种风险因素。十三个变量中每个变量的当前值可能取决于其自身的p过去值，以及其他十二个变量中每个变量的p滞后。参数矩阵a的维数为13×13，而c表示（13×1）截距向量。最后，ut=（u1t，u2t，…，u13t）是一个具有以下特性的13维新息过程：E（ut）=0，E（utut）=uwhere∑uis nonsigular，E（utus）=0，对于s 6=t。我们采用了从格兰杰因果关系测试和预测误差方差分解中得出的两个连通性度量，如下两小节所述。3.1格兰杰因果关系网络测试格兰杰因果关系的理论模型规定了方程，其中依赖（LHS）变量y在时间t测量，而解释（RHS）变量包括在时间t记录的另一个变量x的标记值- 1，t- 2等，以及Y本身的过去值。