加密货币市场结构：连接情感与经济

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：
《Cryptocurrency market structure: connecting emotions and economics》
---
作者：
Tomaso Aste
---
最新提交年份：
2019
---
英文摘要：
  We study the dependency and causality structure of the cryptocurrency market investigating collective movements of both prices and social sentiment related to almost two thousand cryptocurrencies traded during the first six months of 2018. This is the first study of the whole cryptocurrency market structure. It introduces several rigorous innovative methodologies applicable to this and to several other complex systems where a large number of variables interact in a non-linear way, which is a distinctive feature of the digital economy. The analysis of the dependency structure reveals that prices are significantly correlated with sentiment. The major, most capitalised cryptocurrencies, such as bitcoin, have a central role in the price correlation network but only a marginal role in the sentiment network and in the network describing the interactions between the two. The study of the causality structure reveals a causality network that is consistently related with the correlation structures and shows that both prices cause sentiment and sentiment cause prices across currencies with the latter being stronger in size but smaller in number of significative interactions. Overall our study uncovers a complex and rich structure of interrelations where prices and sentiment influence each other both instantaneously and with lead-lag causal relations. A major finding is that minor currencies, with small capitalisation, play a crucial role in shaping the overall dependency and causality structure. Despite the high level of noise and the short time-series we verified that these networks are significant with all links statistically validated and with a structural organisation consistently reproduced across all networks.
---
中文摘要：
我们研究了加密货币市场的依赖性和因果关系结构，调查了2018年上半年交易的近2000种加密货币的价格和社会情绪的集体变动。这是对整个加密货币市场结构的首次研究。它介绍了几种严格的创新方法，适用于这一系统和其他一些复杂系统，其中大量变量以非线性方式相互作用，这是数字经济的一个显著特征。对依赖结构的分析表明，价格与情绪显著相关。主要的、资本化程度最高的加密货币，如比特币，在价格关联网络中起着核心作用，但在情绪网络和描述两者之间相互作用的网络中只起着边缘作用。对因果结构的研究揭示了一个与相关结构一致相关的因果网络，并表明价格引起情绪，情绪引起跨货币的价格，后者在规模上更强，但在有意义的互动数量上更小。总的来说，我们的研究揭示了一个复杂而丰富的相互关系结构，其中价格和情绪相互影响，既有瞬时的，也有超前滞后的因果关系。一个主要发现是，资本化程度较低的次要货币在塑造整体依赖性和因果关系结构方面起着至关重要的作用。尽管噪音水平高，时间序列短，但我们验证了这些网络的重要性，所有链接都经过了统计验证，并且结构组织在所有网络中一致再现。
---
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：Physics        物理学
二级分类：Physics and Society        物理学与社会
分类描述：Structure, dynamics and collective behavior of societies and groups (human or otherwise). Quantitative analysis of social networks and other complex networks. Physics and engineering of infrastructure and systems of broad societal impact (e.g., energy grids, transportation networks).
社会和团体（人类或其他）的结构、动态和集体行为。社会网络和其他复杂网络的定量分析。具有广泛社会影响的基础设施和系统（如能源网、运输网络）的物理和工程。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Trading and Market Microstructure        交易与市场微观结构
分类描述：Market microstructure, liquidity, exchange and auction design, automated trading, agent-based modeling and market-making
市场微观结构，流动性，交易和拍卖设计，自动化交易，基于代理的建模和做市
--

---
PDF下载：
--> Cryptocurrency_market_structure:_connecting_emotions_and_economics.pdf (698.04 KB)

2022-6-14 05:51:23 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：货币市场 市场结构 Quantitative interactions Econophysics

Noname手稿编号（将由编辑插入）加密货币市场结构：ConnectionGeotions和economicsTomaso，2019年3月5日摘要我们研究了加密货币市场的依赖性和因果关系结构，调查了2018年上半年交易的近2000种加密货币的价格和社会情绪的集体变动。这是对整个加密货币市场结构的首次研究。它介绍了几种严格的创新方法，适用于这一系统和其他一些复杂系统，其中大量变量以非线性方式相互作用，这是数字经济的一个显著特征。对依赖结构的分析表明，价格与情绪显著相关。主要的、资本化程度最高的加密货币，如比特币，在价格关联网络中起着核心作用，但在情绪网络和描述两者之间相互作用的网络中只起着边缘作用。对因果结构的研究揭示了一个与相关结构一致相关的因果网络，并表明价格引起情绪，情绪引起跨货币价格，后者在规模上更强，但在重要互动数量上更小。总的来说，我们的研究揭示了一个复杂而丰富的相互关系结构，其中价格和情绪会瞬间相互影响，并具有超前-滞后因果关系。一个主要的发现是，资本化程度较低的小循环在塑造总体依赖性和因果关系结构方面起着至关重要的作用。

尽管噪音水平很高，时间序列很短，但我们验证了这些网络的重要性，所有链接都经过了统计验证，并且结构组织在所有网络中一致再现。关键词加密货币·依赖性·因果关系·网络英国伦敦大学学院计算机科学系伦敦大学学院区块链技术中心，伦敦大学学院，英国系统性风险中心，伦敦经济学院，伦敦。电子邮件：t。aste@ucl.ac.uk2Tomaso Aste1简介在过去两年中，我们见证了大量加密货币的诞生。这种爆发主要是由ICO机制产生的机会推动的，ICO机制被公司用作创新的新渠道。此外，基于区块链和相关数字代币和加密货币的新商业模式激增，随之而来的就是这股热潮。到目前为止，加密货币市场最具活力的时期是2018年初，这是本研究的重点。在撰写本文时（2018年9月），加密货币的市值从2018年1月的8000亿美元下降到2000亿美元左右[1]。该市场由数千种货币组成，只有少数货币具有显著的资本化。尤其是五种货币，即比特币（BTC）、比特币现金（BCH）、以太坊（ETH）、Litecoin（LTC）和Ripple（XTC），在过去几年中不断扩大市场份额，资本化份额始终高于70%。总的来说，有15种货币的资本化超过10亿美元，60多种货币的资本化超过1亿美元，800多种货币的资本化超过100万美元。这是一个新的、混乱的市场，其特点是波动性大，一些货币在发行时价值迅速上升，之后往往迅速贬值，直至失败。

这是一个在社交媒体（socialmedia）中反响强烈的市场，市场充满了巨大的期望、快速的情绪、强烈的信念和激烈的争议。在文献中，对加密货币市场的相关性进行了一些研究，强调了价格波动[2]之间的非正态相关性统计及其与货币的关系[3]。社交媒体和推特情绪信号被用来尝试对其中一些货币进行即时预测和预测[4,5]。到目前为止，主要关注点是比特币，很少有关于其他加密货币的研究发表。在本文中，我们研究加密货币价格的集体行为，以及价格行为如何与通过Twitter和StockTwits（6）明确提及相关货币的消息表达的情绪行为相关。我们询问该市场是否具有特征结构，我们询问主要加密货币在该结构中的位置，并调查次要加密货币在形成该结构中的作用。我们研究社会情绪的影响及其与价格的相互作用。我们通过查看整个市场（2018年前六个月记录的1944种加密货币）来实现这一点，而不是只关注少数“重要”货币。我们有意研究整个市场，即使大部分资本由少数货币保留，而大多数其他货币发挥着基本的经济作用。从天真的角度来看，人们会先验地观察到，次要货币是由主要货币的行为驱动的，其驱动方式与股票价格的动态类似，股票价格的动态倾向于聚集在相关部门的领先企业周围[7,8,9]。

令人惊讶的是，weshall发现加密货币市场并没有出现这种情况。事实上，在这项工作中，我们发现了一些信号，表明这些边际货币市场结构：情感与经济之间的联系3在价格的集体动态及其与社会情绪的相互作用中发挥着统计上显著的作用。因此，不应先验地将他们排除在调查之外，必须详细研究他们在主要货币方面的作用。这为投资策略和风险管理带来了新的挑战，投资策略和风险管理必须处理大量的变量，不能局限于对少数影响因素的研究。在这个市场中，价格和情绪数据都很嘈杂，波动性很大；因此，我们主要使用rankstatistics和拓扑来量化依赖关系和因果关系，从而减少了噪声异常值的影响。我们特别注意通过使用非参数置换测试和评估验证阈值对结果结构的影响，从统计学上验证相关性和因果关系联系。我们还通过比较网络的整体结构特性来交叉测试结果，丢弃了可能是随机伪链接的表达的完全低变。我们的研究揭示了一个复杂的相互关系结构，即价格和情绪在给定货币内和不同货币之间相互影响。据我们所知，这是第一次尝试了解这个市场的依赖性和因果关系结构。本文揭示的加密货币市场的结构不可避免地与所调查的时期特别，这是一个非常特殊的戏剧性时期。在这方面，本文展示了加密货币市场一个非常有趣的时期的独特图景。

尽管在完成本文修订时，加密货币市场已经发生了重大变化，但一些方面，如相互作用中的内在非线性以及“次要”变量在整个系统中的作用，对该市场以及数字经济中的其他系统来说都是重要的。此外，本文通过引入几种通用和严格的方法来处理这些由大量变量组成且通常由少量观测支持的噪声和非线性系统中的相关性和因果关系，为这些系统的研究做出了贡献。这些新方法对数字经济和复杂系统的研究具有广泛的适用性。本文的组织结构如下。在第2节中，我们描述了数据集。第3节描述了量化依赖性、因果关系、它们在网络中的表示以及统计验证程序所采用的方法。第4节给出了结果，其中详细描述了情绪和价格的依赖性和因果网络的性质及其相互作用。第5节详细讨论了结果，特别关注其统计意义。第6.2节概述了2018年1月（2018年1月2日）至6月中旬（2018年6月14日）期间交易的1944种加密货币的数据价格和推特情绪数据，并对其进行了分析。在数据集中，四种主要货币，即BTC、LTC、Ethan和XRP，分别从2014年9月1日、2014年9月1日、2015年8月7日和2015年1月21日开始记录。图1显示了2018年1月至6月期间任何时间同时存在的货币数量。

这个数字并不是固定不变的，因为随着时间的推移，新货币被引入市场，而其他货币则会失效并停止在市场上交易。通常，它们不会消失，但它们的资本化变得微不足道，价格变得不变，因此它们被排除在我们的数据库之外。截至2018年1月底，临时存在的货币数量最多，为1301。然后在观察期结束时，人数逐渐减少到471人。2018年1月底的峰值反映了ICO的受欢迎程度，而ICO在这一时期确实达到了顶峰。价格来自Cryptocompare【10】，而情绪来自PsychSignal【11】。情绪信号是通过对Twitter和StockTwits（6）消息的自然语言处理计算出来的，这些消息明确地引用了相关货币。根据包含的单词及其上下文，邮件分为正面、负面或未分类。我们分析的信号是每个类别中的消息数，称为音量。在这项工作中，我们只考虑正体积和负体积的相对变化；我们将其视为单独的信号，忽略未分类的卷。原始数据是每小时一次的，但在以下分析中，我们将其转换为每日信号，方法是将价格汇总为每日平均价格，将交易量汇总为每日总交易量。此聚合过程可减少噪音。

通过不同的聚合标准，也得到了类似的结果。3方法我们通过计算每日对数收益的Kendall互相关系数[12]和非参数转移熵[13,14]，即对数P rice（t），来研究货币价格和货币情绪的集体运动- 对数P大米（t-1） （一天与前一天之间价格对数的差异），以及分类为正面或负面的消息数量对数的每日变化，log（t天具有正面情绪的消息数量）- 日志（t天有积极情绪的消息数-1). 在财务文献[15]中，选择原木退货价格是标准的。差异使序列具有统计学意义，对数减少了非正态变化的影响。相比之下，情绪量对数变化的选择主要是因为以相同的方式处理这两个变量的便利性。测试结果表明，使用体积变化而不是其对数变化给出了大体相似的结果。我们通过计算Kendall的τ相关系数来估计依赖结构[12]。我们验证了通过使用Pearson或Spearman相关性获得的可比结果。尽管如此，对于我们在这项工作中调查的数据类型，Kendall相关性是一种更合适的分析工具。事实上，时间序列很短，情绪和加密货币市场结构的统计数据：连接情绪和经济1月5日、2月3日、4月5日、6月5日、1月1日、3月4日、5月5日、1月5日、1月5日、1月5日、1月5日、1月5日、1月5日、1。1 2018年1月至6月期间同时存在的货币数量。价格对数变化是非正态的，使得秩估计比Pearson估计更可靠地确定依赖关系[12,16,17]。使用两个变量都有观测值的所有可用数据来计算变量对之间的相关性。

我们只考虑具有20多个共同观察值的变量对之间的相关性。我们通过使用排列测试来验证非参数相关性，该测试将观察到的相关系数与随机选取序列中的时间项生成的零（非相关）假设进行比较。只有当观察到的相关性与随机相关性的平均值偏离至少三个标准差（即Z分数大于3[18]）时，才认为其“有效”。请注意，该验证标准是非参数的，因此在当前情况下也具有稳健性，其中相关性不遵循假定的标准分布。根据拓扑特性（验证链接结构）分析依赖结构。为此，我们定义了网络的关联矩阵Ai，当相应的相关性Z>3时，它是根据20多个观测值计算的，jas是一个具有Ai的矩阵，j=1；Ai，j=0否则。我们计算了各变量之间的所有相关组合：i）原木价格回报的交叉相关；ii）对数成交量情绪变化的相互关系（积极情绪和消极情绪）；iii）价格和情绪日志变化之间的组合交叉相关性（仅适用于积极情绪）。6 Tomaso AsteWe还研究了验证相关网络中每个节点的加权介数中心度和贴近度度量[20]。货币“i”和货币“j”之间的边缘（i，j）权重与相对相关性τi，jas wi，j=1相关- τi，j。因此，不相关节点与代价等于1的边连接，完全相关或反相关节点具有零代价连接。因果关系的研究是通过使用4个等间距的箱子（见[14]），通过非参数直方图方法计算的转移熵来进行的。

计算了对数价格回报和对数成交量积极情绪变化的转移熵。通过保持时间序列组合产生的链接超过40天，并保持传递熵置换检验Z得分大于3，以类似于验证的相关网络的方式构建验证的传递熵网络。转移熵（Transfer Entropy）衡量通过了解另一个变量的先前值而提供的给定变量值的不确定性的减少，并扣除该变量本身过去的信息。在我们的案例中，我们测试了第二天价格积极情绪的因果效应，以及所有货币价格对第二天积极情绪的因果效应。我们还将转移熵结果与使用线性回归的格兰杰因果关系方法进行了比较【21,22】。这两种方法的结果总体上是一致的，在这里，我们仅报告获得大量已验证因果关系的非参数方法的结果。必须注意的是，在线性情况下，当变量遵循多元正态分布时，转移熵方法与著名的格兰杰因果关系方法相同【23】。然而，我们清楚地知道，被调查的数据集不遵循多元正态分布，因此必须采用非参数传递熵方法。事实上，我们通过非参数传递熵获得了大量的有效链接，这一事实表明，必须用非正态多元统计正确描述这一变量系统。