比特币价格形成：超越基本来源

这意味着平均值可能会因使用的样本而异。标准线性回归技术显示了一组回归器和依赖项之间的平均依赖关系。这只提供了焦点联系的部分视图，因为我们可能有兴趣描述Dependant变量条件分布中不同点的关系。在这种情况下，平均值的估计是折衷的。因此，很难对其进行建模。分位数回归（QR）提供了这种能力（D\'Haultfouille和Givord2014）。自科恩克和巴塞特（1978）的开创性工作以来，分位数回归的研究数量显著增加。量化回归的应用出现在许多研究领域，从生态学到遗传学，再到经济学和金融学。QR仍然是一个有趣的工具，因为它解释了因变量条件分布的不同分位数之间存在差异的一组回归曲线，然后克服了OLS面临的各种问题。一般来说，误差项在整个分布中不是常数，因此违反了同构公理。事实上，假设误差具有精确相同的分布，无论从属变量向量的分量取什么值。后者只影响因变量条件分布的位置，而不影响其规模。分位数回归已成为普通均值回归的良好补充。由于均值给出了单个分布的不完整图，回归也给出了一组分布的不完整图。它似乎很有价值，也很有用，因为它提供了一个比只关注平均值更准确的变化描述。

响应变量的上分位数或下分位数可能取决于与中心非常不同的协变量。有关四分位回归的更全面分析，请参考Koenker（2005）。此外，通过将平均值作为位置的度量，有关分布尾部的信息就会丢失。虽然如果误差严重非正态，OLS可能效率低下，但QR对非正态误差和异常值更为稳健（Koenker和Bassett 1978；Koenker和Xiao 2002）。QR还提供了更丰富的数据特征，使我们能够考虑协变量对因变量整体再分配的影响，而不仅仅是其条件平均值。此外，OLS对极端异常值非常敏感，这可能会扭曲研究结果。简而言之，QR适用于确定概率分布所有部分的时间序列如何演变（即从最小响应到最大响应的斜率）。然而，某些特定特征，如偏度、厚尾、异常值、中断、截尾数据和异方差，有时会掩盖研究变量和协变量之间依赖性的本质，因此条件平均值不是有效理解所研究相互依赖性本质的最合适统计。分位数回归分析中最具挑战性的问题之一是，该模型涉及可能导致非正态误差的最小假设（即误差分布）。令人满意的推理过程很难解决，因为分位数估计的渐近协方差矩阵通常使我们不知道误差密度函数，而误差密度函数无法可靠估计。

在贝叶斯分位数回归框架中，我们可以有效地处理这个问题。在frequentist和Bayesianframework中都有一些关于分位数回归的研究，涉及参数和非参数方法。有关详细的回顾，可以参考Lum和Gelfand（2012）。在本文中，我们将对分位数回归进行贝叶斯方法。与通常的分位数回归估计相比，该技术具有相当大的优势。首先，即使在“复杂”的情况下，马尔可夫链蒙特卡罗（MCMC）方法也可以很容易地获得后验分布。第二，当条件分布不对称时，贝叶斯分位数回归可以适当地执行。尽管分位数回归问题可以通过最小化目标函数来解决，但分位数回归的贝叶斯方法必须精确地指定可能性。非对称拉普拉斯（ASL）分布提示后验模式和简单回归估计之间的等价性，已用于构建贝叶斯量化回归模型（Yu和Moyeed，2001）。

有鉴于此，定义了误差项的具体分布假设（Yue和Rue 2011）：nixyiii，。。。，1,\'（1） 对于τthconditional分位数函数，0<τ<1，the）（^被称为τthregression分位数，并定义为以下问题的解决方案：）（）（^1minarIniiixy公司（2） 式中，ρτ是由）0（（）（））计算的权重 yIyy公司,  I（.）是指示函数，0<τ<1。在ASL分布之后，误差是独立的且分布相同，即（2i） i.i.d ASL公司(,,02），密度如下： 222）0，（exp）1（iiip（3）然后，误差分布产生），（x’ASL ~，i2Iy，响应密度表示为： 222’，（exp）1（，iixyxyyp（4）虽然ASL分布能够在贝叶斯框架内正确表达分位数回归，但它可能会导致基于马尔科夫链蒙特卡罗模拟的更复杂推理。为了避免这种复杂性，ASL可以表示为正态分布的比例混合，如下：）/，（x’N~），（2i2iiiiizy（5） 在哪里12,1，）1（2122）通过将尺度变量zias作为补充未知量进行插补，可以有效地应用贝叶斯推理（Fahrmeir et al.2013）。然后，可以通过设置τ=0.5（中值回归）来观察估计量的演变。

第一个和最后一个分位数分别通过设置τ=0.1和τ=0.9获得。如上所述，本研究试图确定基本面、宏观经济和金融决定因素（比特币流通速度：VC；交换-交易比率：ETR；黄金价格：GP）、投机因素（委内瑞拉和印度比特币利率的增加）中影响最小的比特币基本面，技术驱动因素（散列率）和2016年发生的事件（中国货币贬值：人民币、英国和美国VIX分别为BV和USV）。这里，我们提供了所有分析变量及其源链接的详细描述。待估算的模型如下所示：TTTTTTTTHRabvabigpetrvcipb）（^）（^）（^）（^）（^）（^）（^654321TTTUSVVYUAN）（^）（^）（^987）（6） 在哪里tIPB^是估计值比特币价格的条件分位数和估计参数）（^k对于k=1，…，9是.比特币价格指数（BPI）是美元（USD）和比特币（BTC）之间的汇率指数。Cointdesk比特币价格指数代表领先比特币交易所比特币价格的平均值。流通中的比特币总数由已知算法给出，直至达到2100万比特币。根据定义，比特币流通速度（VC）是指在给定时期内，每种货币的一个单位用于购买可交易或非可交易产品的频率。作为交易使用的衡量标准，我们使用贸易与外汇交易量之间的比率，或货币兑换市场上交易量与贸易中交易量之间的比率，这会降低贸易与外汇比率（ETR）。

虽然很难区分互联网用户搜索关键字“比特币”信息的几种动机，但谷歌搜索可以成为预测比特币市场的一个有价值的工具（Kristoufek 2013）；每天有数百万用户与搜索引擎交互，创造了世界各个方面的宝贵数据源。虽然特定关键字的搜索频率无法与情绪指数相比，但它可以提供部分信息，用于理解复杂现象。此外，新比特币的创建主要取决于反映比特币矿工计算能力的难度（哈希率：HR）。作为围绕英国脱欧和特朗普获胜的不确定性的代表，我们使用英国和美国隐含或实现的波动率指数（分别为BV和USV），这些指数具有直接可观察的优势，因此似乎更客观地作为此类事件的不确定性度量。在此阶段必须强调的是，波动率指数是一种情绪指标，可以确定市场何时存在过多的乐观或悲观情绪。此外，我们应该指出，BV和USV对所有可能导致不确定性的事件（同时反映经济和地缘政治问题）反应灵敏，而中国的数据（印度和委内瑞拉的VIX数据）在同一研究期间不可用，我们选择使用另一种不确定性代理，这也是行为金融学文献中大量使用的，即谷歌趋势。经济放缓、英国脱欧、美国总统选举结果、印度和委内瑞拉宣布取消货币流通以及金价暴跌也不例外。

由于数据可用，我们分析了从2015年1月1日到2016年12月30日的关系，这反过来又给了我们729个观察值。表1报告了使用的所有数据及其来源。表1：。数据源4。结果讨论初始步骤包括使用OLS回归获得比特币价格演变决定因素的初始信息。这里的想法是有一个基准案例来比较OLS和BQR方法。表2中报告的OLS结果表明，自变量的大多数系数都是无关紧要的。只有VC、ABI和BV的系数才显得显著。条件中值（即LAD）和平均值（即OLS）估计值之间也存在显著差异。当τ=0.5（LAD）时，ABV和USV对比特币价格产生积极而显著的影响，而当考虑OLS结果时，发现影响不显著。同样，尽管当τ=0.5时，VC的系数似乎无关紧要，但当考虑OLS估计时，它似乎是积极和显著的。这可以归因于以下事实：自变量对因变量的平均影响可能低于或高于估计变量定义源因变量BIBITCOIN price indexCoinDesk（www.coinsdesk.com/price）基本、三月经济和金融决定因素比特币区块链的速度(http://www.blockchain.info)ETRExchange交易比率锁链(http://www.blockchain.info)GPGold pricequandl网站投机关注印度比特币趋势(http://trends.google.com)委内瑞拉对比特币的关注谷歌趋势(http://trends.google.com)技术驱动因素哈希速率区块链(http://www.blockchain.in2016Thomson ReutersBVBritish VIXDataStreamUSVU的中文数据流。S

VixDatastreamimpact，甚至无法正确确定全部可能的影响（Cade和Noon2003）；因此，需要执行更精细的方法，尤其是Bayesian分位数回归，该回归能够提供变量与上下尾之间平均依赖关系的准确信息。表2显示了比特币价格与其基本面之间关系的BQRestimates。我们从可能影响比特币价格的各个方面来看比特币，从基础、宏观经济、金融、投机和技术贡献者，到围绕2016年事件的全球不确定性的影响。4.1.  基本面、宏观经济和金融决定因素表2中报告的结果显示，货币供应量（以比特币流通速度（VC）为代表）对处于平衡状态的比特币价格产生负面影响。具体而言，VC系数在-0.14（τ=0.2）和-0.15（τ=0.4）之间波动。这一结果与数量理论一致，该理论证明比特币的价格随着比特币的存量而下降。货币供应量作为标准供应量发挥作用，因此货币供应量的增加会导致价格下降。在现阶段，我们应该提到比特币面临着巨大的挑战，因为它在2140年的限量记录为2100万单位，这意味着货币供应量在这一日期之后不会增加。此外，我们注意到，当市场看涨时，交换交易比率与比特币价格正相关且强相关（上分位数）。特别是，ETR系数在0.30（τ=0.6）和0.39（τ=0.9）之间变化。

比特币在实际交易（购买、服务等）中的使用与其价值的基本方面有着显著的联系。理论上，货币的价格应该与其在交易中的用途呈正相关，因为它提高了持有货币的效用，从而导致初始价格的上涨。此外，在熊市状态下，发现黄金价格和比特币价格之间存在中度负相关（底部分位数；当τ=0.1时，GP系数介于-0.004和当τ=0.2时，GP系数介于-0.001之间）。比特币和黄金的走势并不一致。由于这两种资产在动荡时期被视为对冲和避险资产，我们可以提到，一种导致另一种；但推动比特币价格和黄金价格的因素可能不同。4.2.  推测通过谷歌对两个国家（印度和委内瑞拉）的搜索查询，我们发现，当市场围绕正常和牛市运行时，人们对比特币的日益关注导致价格上涨。印度和委内瑞拉对比特币兴趣的增加对比特币价格有着积极而显著的贡献。准确地说，当τ=0.4时，印度对比特币的关注度增加了10%，比特币价格提高了0.2%，当τ=0.8时，比特币价格提高了约1.4%。通过深入研究委内瑞拉的情况，我们注意到，当τ=0.3时，比特币利率上升10%，BPI增加约1.3%，当τ=0.5时，BPI增加约1.5%。2016年11月8日，印度ZF宣布停止500卢比和1000卢比纸币的流通，此举震惊了印度公民。

由于印度90%以上的交易使用实物货币，因此，货币贬值的影响无疑会改变整个印度人口的生活。自从宣布停止使用比特币以来，印度人希望将他们的黑钱（旧纸币）存入比特币。此外，委内瑞拉ZF决定将该国最大面值的钞票取消货币化，导致玻利瓦尔汇率恶化，导致金融崩溃，委内瑞拉经济因此受到重创。这促使委内瑞拉人购买比特币，希望获得一种替代货币，推高比特币价格。4.3.  技术驱动因素我们的结果表明，哈希率对比特币在熊市（底部分位数；τ=0.1、τ=0.2和τ=0.3）和正常状态（τ=0.4和τ=0.5）的价格有负面影响；从熊市过渡到正常状态后，这种影响会减弱。特别是，当τ=0.1时，哈希率增加10%会使比特币价格上涨约1%，而当τ=0.5时，比特币价格会飙升约0.6%。加入比特币网络的矿工越多，网络哈希率越高。采矿可以被视为是对比特币的投资（Ciian等人，2016）。随着硬件和电力成本需求的不断增长，一个强大的散列率将矿工推到了采矿池。如果这些矿商将比特币用作直接投资的替代品，他们可以转向比特币买家，从而扩大对比特币的需求，从而提高比特币的价格（Kristoufek 2013）。4.4.  2016年事件的调查结果表明，2016年事件在解释比特币价格变化方面发挥了潜在作用。