加密货币条件互相关分析

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：
《An analysis of cryptocurrencies conditional cross correlations》
---
作者：
Nektarios Aslanidis, Aurelio F. Bariviera, Oscar Martinez-Iba\\~nez
---
最新提交年份：
2019
---
英文摘要：
  This letter explores the behavior of conditional correlations among main cryptocurrencies, stock and bond indices, and gold, using a generalized DCC class model. From a portfolio management point of view, asset correlation is a key metric in order to construct efficient portfolios. We find that: (i) correlations among cryptocurrencies are positive, albeit varying across time; (ii) correlations with Monero are more stable across time; (iii) correlations between cryptocurrencies and traditional financial assets are negligible.
---
中文摘要：
这封信使用广义DCC类模型探讨了主要加密货币、股票和债券指数以及黄金之间的条件相关性行为。从投资组合管理的角度来看，资产相关性是构建有效投资组合的关键指标。我们发现：（i）加密货币之间的相关性为正，尽管随时间变化；（ii）与Monero的相关性在时间上更稳定；（iii）加密货币与传统金融资产之间的相关性可以忽略不计。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--
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：
--> An_analysis_of_cryptocurrencies_conditional_cross_correlations.pdf (261.75 KB)

2022-6-11 04:19:50 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：相关分析 互相关 correlations Quantitative Applications

密码货币条件互相关分析*1、Aurelio F.Bariviera+2和OscarMart'nez Iba'nez'1罗维拉大学维吉尔分校，经济系，CREIP，Avinguda Universitat 1，Reus43204，斯宾那罗维拉大学维吉尔分校，商业系，Av。Universitat 1，43204 Reus，SpainFebruary 28，2019年摘要这封信使用广义D CC类模型探讨了主要加密货币、股票和债券以及黄金之间的条件相关性行为。从投资组合管理的角度来看，资产相关性是构建高效投资组合的关键指标。我们发现：（i）加密货币之间的相关性为正，尽管随时间变化；（ii）与Monero的相关性在整个时间段内更加稳定；（iii）加密货币与传统金融资产之间的相关性可以忽略不计。1简介大约10年前，由【Nakamoto，2009年】发表的开创性论文引发，一种新的金融资产诞生了。基于分布式账本的概念，区块链技术能够验证操作，而无需中央可信机构。区块链最重要的应用是金融交易的验证。因此，一些资产（自称为Cryptocurre nc）成为标准货币的替代品。对于所谓加密货币的“货币”地位，目前还没有达成共识。【Polasik等人，2015年】报告接受比特币支付的企业和组织数量不断增加，【Kris toufek，2015年】强调了比特币作为交换媒介的有用性。

然而，加密货币的波动性令人怀疑其是否适合作为价值存储。*内克塔里奥斯。aslanidis@urv.cat+奥雷里奥。fernandez@urv.cat奥斯卡。martinez@urv.catWhether它们是货币或普通金融资产，投资者对它们的兴趣越来越大。加密货币经济体系超越了比特币。这里有18000多枚基于区块链技术的硬币，它们在一个疯狂的、全天候的市场中交易。截至2018年10月，该市场的日交易量超过100亿美元（【Coinmarket，2018年】）。学者们并非没有意识到这一现象。Scopus数据库（截至2019年4月）包含1882份标题为“比特币”的文档，其中有一半在2017年和2018年发布。这些文章围绕这部小说的不同主题：法律问题、经济问题或计算机特殊性。其中一个关键方面是进入和离开市场的加密货币的数量。[Elbahrawy等人，2017年]发现，自2015年以来，平均有多少人出生和死亡，这非常相似，意味着大约有七种新的加密货币出现，并且每周都会出现类似的数字。以前的大多数研究都只关注比特币。考虑到加密资产的多样性，一条自然的研究路线可以是同时研究其中的一些。还有其他基于相同区块链技术的加密技术。因此，乍一看，可能会看到本质上相同的资产。它们都没有得到ZF的支持，也没有实物（纸张或金属）支持。此外，它们似乎有一个空的内在值。

可以提出的两个问题是：（i）这些货币是否遵循相关的基本过程？（ii）这种关系是否随时间而稳定？第一个问题（部分）由【Bariviera等人，2018年】在高频采样下研究12种最重要的加密货币时回答。他们检测到三种不同的潜在动态。样本中的大多数加密货币遵循与比特币相同的随机过程。然而，以太坊和安第斯敦经典（一边）以及Dash和NEM（另一边）遵循自己的随机动力学。在这封信中，我们打算用另一种方法重新审视第一个问题，并研究第二个问题。据我们所知，这是首次将动态条件相关分析应用于货币市场的研究。这封信的结构如下。第二节回顾了有关晶闸管和相关文献的一些关键方面。第3节简要介绍了方法。第4节描述了数据并讨论了主要发现。最后，第5节概述了我们的分析结论。2简要文献综述【Urquhart，2016】使用了一组测试，旨在识别比特币回转式中的自动相关性、单位根、非线性和长期相关性。结果显示，比特币市场的信息效率非常高。然而，当作者将样本分为两个子阶段时，发现效率主要在样本的第一部分存在差异。后来，【Nadarajah和Chu，2017年】使用每日收益的功率变换重新检查了数据，但没有拒绝信息效率的无效假设。

【Bouri等人，2017a】研究了2013年严重市场崩盘前后比特币的收益波动行为，并展示了比特币收益序列自相关的证据。【Bouri等人，2017b】对比国际股票和债券指数以及几种货币，仔细检查比特币的对冲和避险资产。主要结论是，比特币被证明是一种有用的多元化工具，而不是对冲工具。最后，【Balcilar等人，2017年】检测再周转量关系中的非线性，从而进行回报预测。此外，[B ariviera，2017年]证明比特币市场表现出不同的信息效率和持续的波动性。这里的政策含义是，市场容易出现大幅波动（无论是积极的还是消极的）。考虑到这一点，【Donier和Bouchaud，2015年】研究了不同的流动性衡量指标，作为比特币市场崩溃的早期预警信号。【Dyhrberg，2016年】使用GARCH模型同时研究比特币、黄金和美元，发现所有三种资产都有相似之处。特别是，比特币和黄金在GARCH模型中对相同的变量作出反应，比特币也对联邦基金利率作出反应，就像比特币的情况一样。投资组合理论和广义金融经济学的一个关键方面是正确评估不同资产之间的相关收益。这些指标对于投资组合构建、风险分析和对冲具有重要意义。【Corbet等人，2018b】采用【Diebold和Yilmaz，2012】提出的广义方差分解方法。

他们发现，三大加密技术（比特币、Ripple、Litecoin）与黄金、股票或债券指数等其他资产相对独立，为投资者提供了多元化机会。鉴于关于这一主题的新兴文献，我们参考【Corbet et al.，2018a】和【Smith and Kumar，2018】对经验文献的优秀评论。3时变条件相关let rt表示具有时变条件协方差矩阵的N维向量时间序列（零平均资产收益率）：V ar[rt|It型-1] =E【rtr′t|It型-1] =Htt=1，T（1）式中It型-1是时间t的信息集。条件协方差矩阵可分解为（参见[Engle，2002]等）：Ht=DtRtDt（2），其中Dt≡ diag（ph1，t，…，phN，t）是对角线上条件方差平方根的对角线矩阵。矩阵Rt（i，j）-元素表示为ρij，t，可能是随时间变化的相关矩阵，ρii，t=1，j=1，N和t=1，T标准化检索用εT=D表示-1trt=（ε1t，…，εN t）′。捕捉相关性时变结构最常用的方法之一是动态条件相关性（DCC）模型，该模型假设条件相关性按照简单的GARCH（1,1）型结构线性演化（【Engle，2002年】）。DCC框架在学术界和实践者中很受欢迎。在多变量框架中，基本DCC可能过于严格。特别是，该模型意味着所有相关对对新的s和衰减参数具有相同的响应。对于我们的应用（由4个资产组成），我们对DCC进行了灵活的概括，这允许相关特定新闻参数，而衰减参数被假定为相同的横向相关对，以保持模型的可跟踪性。

该广义DCCmodel最初在【Cappiello et al.，2006】和【Hafner et al.，2006】中进行了研究，随后在【Aslanidis和Casas，2013】中进行了研究，其计算公式为：Qt=（Q- A’QA- βQ）+A′εt-1ε′t-1A+βQt-1（3）Rt=Q*-1tQtQ*-1t（4）其中≡ diag（α，…，αN）是参数对角矩阵（对于i 6=j，隐含的新参数是αiαj），β是衰减参数。通常，我们将数量qt标在等式4中，以获得适当的相关性matr ix，其中Q*t是由Qt的对角线元素的平方根组成的对角线矩阵。因此，基本DCC是作为广义DCCif的特例得到的，矩阵a被标量α代替。4数据和结果我们使用四种加密货币和三种传统金融资产的每日价格数据。我们的样本中包括的加密货币有：比特币（BTC）、破折号（Dash）、蒙乃罗（XMR）和Ripple（XRP）。选择的三种传统资产是标准普尔500指数（SP500）、标准普尔美国国债nd7-10Y指数（债券）和金条LBM（黄金）。加密货币数据来自https://coinmarketcap.com/，另一个as集合数据从Eikon Thomsom Reuters下载。审查期为2014年5月21日至2018年9月27日。加密货币每周7天，每天24小时交易。然而，传统资产是在有组织的市场上交易的，这些市场只在工作周开放。因此，我们对加密货币进行了1560次观测，对其他资产进行了1135次观测。表1显示了加密货币和传统资产每日对数回报的描述性统计。考虑到两种类型的资产在交易时间上有所不同，我们减少了加密货币数据集，以匹配传统资产的观察次数和日期。

因此，在这个表中，我们只考虑了周一到周五的数据，并计算了两个连续观测值的对数回报。我们想强调两种资产类别之间的巨大差异。加密货币的平均值和标准差是传统资产的6到144倍。表1：每日收益描述性统计Gold S&P500 BOND BTC XRP DASH XRMObservations 1134 1134 1134 1134 1134 1134平均值-0.0079 0.0377-0.0031 0.2221 0.4506 0.2351 0.3166 Median 0.0000 0.0268 0.0000 0.2386-0.2181-0.0722 0.0622标准。偏差0.8104 0.7744 0.3216 4.5703 8.8985 7.97 48 8.6688Min-3.2239-4.1843-1.5377-26.4311-57.0455-73.3201-36.68 30Max 4.6184 3.8291 1.3196 27.8435 136.3081 50.0787 69.1884偏斜度0.2312-0.5831-0.0559-0.1335 3.9416-0.1229 1.3535峰度5.6593 6.9085 4.0056 8.4510 57.5688 13.6400 12.0729Jarque Bera 344.2570 786.0706 48.3706 1407.3155 143635.1882 5352.0396 4235.7217概率0.00000.0000 0.0000 0.0000 0.0000 0.000 0.00 00 0.00004.1加密货币市场我们根据广义DCC计算动态交叉相关性，考虑完整数据集。我们记得加密货币是全天候交易的。因此，没有一天没有交易，也没有周末。每个相关对的相关结果如图1所示。我们的研究在cr-yptocurrency生态系统中发现了一些有趣的特征。表2显示了估计相关性的描述性统计，模型估计值b为A=diag（0.233、0.239、0.289、0.133）和β=0.866。我们发现，平均而言，加密货币之间的相关性为正。注：与Monero的所有相关对中的变异性较低。这可以用它的低α参数α=0.133来解释。

因此，这三个c相关对的隐含ne w s参数为0.23 3* 0.133 = 0.031, 0 .239* 0.133=0.032和0.289*比特币Monero、Ripple Monero和Da-sh Monero分别为0.133=0.038。Ripple和Dash之间的相关性变化最大，其相关性范围为+0.71到-0.51.表2：加密货币对的动态交叉相关描述性统计BTC BTC BTC XRP XRP DASHXRP DASHXMR XMR XMR 0.1912 0.2535 0.3161 0.2035 0.1639 0.2072中值0.1856 0.2586 0.3073 0.1796 0.1597 0.2065最大值0.5740 0.6669 0.6070 0.7151 0.5272 0.5384最小值-0.1840-0.1962-0.0312-0.5134-0.1227-0.2789Std。偏差0.1216 0.1579 0.0793 0.1862 0.0792 0.0896偏斜度0.1690-0.581 0.1220 0 0.1240 0 0.0379-0.269 4荨麻疹3.1208 2.5690 3.5280 3.1768 3.6295 4.6 496 Jarque-Bera 8.3777 12.9523 21.9910 6.0297 26.1341 195.7463概率0.0152 0.0015 0.0000 0.0491 0.0000我们的结果对投资组合分析具有重要意义。构建动态对冲货币组合的投资者可以考虑涉及Monero的稳定相关性。4.2传统资产市场在本小节中，我们计算加密货币与传统资产的相互关系，如标准普尔500指数（SP500）、标准普尔工业债券7-10Y指数（债券）和金条LBM（黄金）。考虑到后者仅在周一至周五交易，我们将加密货币样本调整为该限制。

表3和图2中显示了这些交叉关系的描述统计数据。表3：加密货币nc YT传统资产对BTC BTC BTC DASH DASH XMR XMR XMR XRP XRPGOLD s&P500 BOND GOLD s&P500 BOND GOLD s&P500 BOND GOLD s&P500 BOND GOLD s&P500 BOND GOLD s&P500 BOND GOLD s&P500 BOND Observations 1133 1133 1133 1133 1133 1133 1133 1133平均值-0.0114 0.0356-0.0371-0.0124 0.0190-0.0574 0.0064-0.0699 0.0171 0.0029 0.0411中值-0.0113 0.0358-0.0374-0.0125 0.0194-0.0583 0.0064 0.0005-0.0710 0.0172 0.0032 0.0420Std。偏差0.0054 0.0145 0.0117 0.0003 0.0022 0.0022 0.0001 0.0051 0.0084 0.0204 0.0160Min-0.0446-0.0368-0.1237-0.0128 0.0091-0.0646 0.0052-0.0001-0.0787-0.0256-0.0857-0.0377最大值0.0147 0.1599 0.0198-0.0102 0.0225-0.0312 0.0066 0.0006-0.0384 0.0525 0.1233 0.1748偏度-0.4068 0.5391-0.57 75 2.5126-1.0930 1.4827-2.4022-1.4505 1.4843-0.3647 0.3775 0.5953峰度7.9148 11.73188.7038 13.2251 4.5691 6.8779 11.9654 8.6414 6.8898 5.9921 6.2472 12.5905Jarque Bera 1171.6081 3654.2501 1598.8186 6127.8613 341.8345 1125.0357 4884.2173 1899.7223 1130.3363 447.7655 524.6903 4409.0356我们总结了表4所示相关矩阵中的结果。我们检测到三个相关组。第一类是众所周知的相关股票、债券和商品。第二组对应于加密货币交叉关联。我们发现这个市场正相关。最后，第三组对应于一种加密货币和一种传统资产之间的极低相关性。我们使用另一种方法验证了【Corb e t et al.，2018b】的发现，即加密货币回报与主要国家市场无关。