Развитие рынка криптовалют: метод Херста

Целью данной работы является изучение ценообразования на рынке криптовалют и возможностей их применения Банком России при осуществлении своей монетарной политики. Задачи исследования: выявление цикличности динамики цен, изучение степени сформированности рынка и потенциальных рисков, имеющих долгосрочную положительную связь с финансовой стабильностью рынка криптовалют. Автор использует методы Херста с коэффициентом неликвидности Амихуда, чтобы изучить степень стойкости четырех криптовалют (BitCoin, LiteCoin, Ripple и Dash) и их эволюцию в течение последних пяти лет. В результате исследования автор выяснил, что рынок криптовалют вышел на новую стадию развития, что означает снижение возможности получения сверхнормальных доходов при инвестировании в наиболее ликвидные криптовалюты в будущем. Однако остаются возможности для получения спекулятивного дохода при покупке новых высокорискованных инструментов. Сделан вывод, что неликвидные криптовалюты проявляют сильную обратную антиперсистентность в виде низкого коэффициента Херста. Для получения аномальной прибыли на крипторынке может быть использована трендовая инвестиционная стратегия. Банк России мог бы частично применять цифровую валюту при осуществлении денежно-кредитной политики, что позволило бы смягчить деловой цикл и контролировать уровень инфляции. В случае принятия закона «О цифровых финансовых активах» и легализации криптовалют в России после экономического кризиса, вызванного пандемией Covid-19, Банк России мог бы действовать как кредитор последней инстанции, предлагая кредиты в криптовалюте.

биткойн, лайткойн, даш, риппл, денежно-кредитная политика, ликвидность, волатильность, доходность, метод Херста, кредиты в криптовалюте

1. Henry C. S., Huynh K. P., Nicholls G. Bitcoin awareness and usage in Canada. Journal of Digital Banking. 2018;2(4):311–337.

2. Böhme R., Christin N., Edelman B., Moore T. Bitcoin: Economics, technology, and governance. Journal of Economic Perspectives. 2015;29(2):213–238. DOI: 10.1257/jep.29.2.213

3. Antonopoulos A. M. Mastering Bitcoin: Unlocking digital cryptocurrencies. Sebastopol, CA: O’Reilly Media, Inc.; 2014.

4. Kroll J. A., Davey I. C., Felten E. W. The economics of Bitcoin mining, or Bitcoin in the presence of adversaries. In: 12 th Workshop on the economics of information security — WEIS2013 (Washington, DC, June 11–12, 2013). Washington, DC: Georgetown University; 2013. URL: https://www.econinfosec.org/archive/weis2013/papers/KrollDaveyFeltenWEIS2013.pdf

5. Javarone M. A., Wright C. S. From Bitcoin to Bitcoin cash: A network analysis. In: CryBlock’18: Proc. 1 st Workshop on cryptocurrencies and Blockchains for distributed systems (Munich, June 15, 2018). New York: Association for Computing Machinery; 2018:77–81. DOI: 10.1145/3211933.3211947

6. Swan M. Blockchain: Blueprint for a new economy. Sebastopol, CA: O’Reilly Media, Inc.; 2015.

7. Kristoufek L. What are the main drivers of the Bitcoin price? Evidence from wavelet coherence analysis. PLoS ONE. 2015;10(4). DOI: 10.1371/journal.pone.0123923

8. Ciaian P., Rajcaniova M, Kancs D. The economics of BitCoin price formation. Applied Economics. 2016;48(19):1799–1815. DOI: 10.1080/00036846.2015.1109038

9. ElBahrawy A., Alessandretti L., Kandler A., Pastor-Satorras R., Baronchelli A. Evolutionary dynamics of the cryptocurrency market. Royal Society Open Science. 2017;4(11). DOI: 10.1098/rsos.170623

10. Guo T., Antulov-Fantulin N. Predicting short-term Bitcoin price fluctuations from buy and sell orders. 2018. URL: https://www.researchgate.net/publication/323141771_Predicting_short-term_Bitcoin_price_fluctuations_from_buy_and_sell_orders

11. Evans D. Economic aspects of Bitcoin and other decentralized public-ledger currency platforms. CoaseSandor Institute for Law & Economics Working Paper. 2014;(685). URL: https://chicagounbound.uchicago.edu/cgi/viewcontent.cgi?referer=&httpsredir=1&article=2349&context=law_and_economics

12. Krause M. Bitcoin: Implications for the developing world. CMC Senior Theses Paper. 2016;(1261). URL: https://pdfs.semanticscholar.org/95b1/b3059752517e0da4ff82b1777707b8bb4f67.pdf

13. Reid F., Harrigan M. An analysis of anonymity in the Bitcoin system. In: Altshuler Y., Elovici Y. et al., eds. Security and privacy in social networks. New York: Springer-Verlag; 2013:197–223.

14. Tasca P., Hayes A., Liu S. The evolution of the Bitcoin economy: Extracting and analyzing the network of payment relationships. Journal of Risk Finance. 2018;19(2):94–126. DOI: 10.1108/JRF-03–2017–0059

15. Foley S., Karlsen J., Putnin T. J. Sex, drugs, and Bitcoin: How much illegal activity is financed through cryptocurrencies? Review of Financial Studies. 2019;32(5):1798–1853. DOI: 10.1093/rfs/hhz015

16. Lischke M., Fabian B. Analyzing the Bitcoin network: The first four years. Future Internet. 2016;8(1). DOI: 10.3390/fi8010007

17. Androulaki E., Karame G. O., Roeschlin M., Scherer T., Capkun S. Evaluating user privacy in Bitcoin. In: Sadeghi A. R., ed. International conference on financial cryptography and data security — FC2013 (Okinawa, Apr. 1–5, 2013). Berlin, Heidelberg: Springer-Verlag; 2013:34–51. URL: https://eprint.iacr.org/2012/596.pdf

18. Nyangarika А., Mikhaylov А., Richter U. Influence oil price towards economic indicators in Russia. International Journal of Energy Economics and Policy. 2019;9(1):123–129. DOI: 10.32479/ijeep.6807

19. Nyangarika А., Mikhaylov А., Richter U. Oil price factors: Forecasting on the base of modified autoregressive integrated moving average model. International Journal of Energy Economics and Policy. 2019;9(1):149–159. DOI: 10.32479/ijeep.6812

20. Mikhaylov A. Volatility spillover effect between stock and exchange rate in oil exporting countries. International Journal of Energy Economics and Policy. 2018;8(3):321–326. URL: http://zbw.eu/econisarchiv/bitstream/handle/11159/2130/1028136102.pdf?sequence=1&isAllowed=y

21. Koshy P., Koshy D., McDaniel P. An analysis of anonymity in Bitcoin using P2P network traffic. In: Christin N., Safavi-Naini R., eds. International conference on financial cryptography and data security FC2014 (Christ Church, Barbados, Mar. 3–7, 2014). Berlin, Heidelberg: Springer-Verlag; 2014:469–485. URL: https://www.freehaven.net/anonbib/cache/bitcoin-p2p-anon.pdf

22. Biryukov A., Khovratovich D., Pustogarov I. Deanonymisation of clients in Bitcoin P2P network. In: Proc. 2014 ACM SIGSAC conference on computer and communications security. New York: Association for Computing Machinery; 2014:15–29. DOI: 10.1145/2660267.2660379

23. Decker C., Wattenhofer R. Bitcoin transaction malleability and MtGox. In: Kutyłowski M., Vaidya J., eds. 19 th European symposium on research in computer security — ESORICS2014 (Wroclaw, Sept. 7–11, 2014). Cham: Springer-Verlag; 2014:313–326. DOI: 10.1007/978–3–319–11212–1_18

24. Nick J. D. Data-driven de-anonymization in Bitcoin. Master’s thesis. 2015. URL: https://jonasnick.github.io/papers/thesis.pdf

25. Puri V. Decrypting Bitcoin prices and adoption rates using Google search. CMC Senior Theses Paper. 2016;(1418). URL: https://scholarship.claremont.edu/cgi/viewcontent.cgi?article=2379&context=cmc_theses

26. Neudecker T., Hartenstein H. Could network information facilitate address clustering in Bitcoin? In: Brenner M., Rohloff K. et al., eds. International conference on financial cryptography and data security FC2017 (Sliema, Malta, Apr. 3–7, 2017). Cham: Springer-Verlag; 2017:155–169. URL: https://fc17.ifca.ai/bitcoin/papers/bitcoin17-final11.pdf

27. Doll A., Chagani S., Kranch M., Murti, V. btctrackr: Finding and displaying clusters in Bitcoin. 2014. URL: https://www.cs.princeton.edu/~arvindn/teaching/spring-2014-privacy-technologies/btctrackr.pdf

28. Remy C., Rym B., Matthieu L. Tracking Bitcoin users activity using community detection on a network of weak signals. In: Cherifi C., Cherifi H. et al., eds. 6th International conference on complex networks and their applications — COMPLEX NETWORKS2017 (Lyon, Nov. 29. Dec. 01, 2017). Cham: SpringerVerlag; 2017:166–177. DOI: 10.1007/978–3–319–72150–7_14

29. Manning C. D., Raghavan P., Schütze H. Introduction to information retrieval. New York: Cambridge University Press; 2008.

30. Tinbergen J. Shaping the world economy: Suggestions for an international economic policy. New York: The Twentieth Century Fund; 1962.

31. Goldberger A. S. The interpretation and estimation of Cobb-Douglas functions. Econometrica. 1968;36(3/4):464–472. DOI: 10.2307/1909517

32. Bergstrand J. H. The gravity equation in international trade: Some microeconomic foundations and empirical evidence. The Review of Economics and Statistics. 1985;67(3):474–481. DOI: 10.2307/1925976

33. Lewer J. J., Van den Berg H. A gravity model of immigration. Economics Letters. 2008;99(1):164–167. DOI: 10.1016/j.econlet.2007.06.019

34. Carrère C. Revisiting the effects of regional trade agreements on trade flows with proper specification of the gravity model. European Economic Review. 2006;50(2):223–247. DOI: 10.1016/j.euroecorev.2004.06.001

35. Silva J. S., Tenreyro S. The log of gravity. The Review of Economics and Statistics. 2006;88(4):641–658. DOI: 10.1162/rest.88.4.641

36. Hasti T., Tibshirani R., Friedman J. The elements of statistical learning: Data mining, inference, and prediction. 1 st ed. New York: Springer-Verlag; 2001.