با استفاده از رگرسیون و استنباط آماری برای ارزیابی تغییرات از بیماری همه گیر

بیت کوین بزرگترین cryptocurrency تا کنون است و از زمان این همه گیر تغییر چشمگیری در رابطه آن با بازارهای مالی گسترده تر رخ داده است. بیت کوین به طور خاص با بازار سهام همگام سازی می کند و تا حدی به دلار آمریکا نیز می پردازد. این مقاله به پیش بینی قیمت بیت کوین متمرکز نشده است و هیچ عقیده ای در مورد چشم انداز آنها ارائه نمی دهد.

در عوض ، این مقاله به بررسی رابطه بیت کوین با عوامل مختلف مالی کلان با استفاده از ابزارهای دقیق آماری و علوم داده می پردازد. این نشان می دهد که چگونه وعده همبستگی کم بین بیت کوین و سایر کلاسهای دارایی دیگر برگزار نمی شود. همچنین نشان می دهد که بیت کوین تنها خواص محدود کننده تورم را نشان داده است. این یافته ها دو استدلال اصلی را برای تخصیص دارایی نهادی بیشتر به بیت کوین تضعیف می کند.

سلب مسئولیت: محتوای این مقاله صرفاً نظر شخصی نویسنده است که فقط برای استفاده اطلاعاتی و سرگرمی در نظر گرفته شده است ، و در نظر گرفته نشده است و نباید تفسیر شود که مشاوره سرمایه گذاری باشد. هرگونه ذکر یک امنیت خاص ، شاخص ، مشتق یا ابزار دیگر نه توصیه ای برای خرید ، فروش یا نگه داشتن آن امنیت ، شاخص ، مشتق یا ابزار دیگر است ، و همچنین نظر در مورد مناسب بودن آن امنیت را تشکیل نمی دهد. فهرست ، مشتق یا ابزار دیگر برای هر منظور خاص.

نمای کلی

اجازه دهید نگاهی به برخی از آمار همبستگی بین قیمت بیت کوین و لیستی از عوامل اصلی مالی کلان بیندازیم:

• دلار آمریکا - به نمایندگی از شاخص دلار DXY ؛
• بازار سهام ایالات متحده - که توسط فهرست S& P 500 ارائه شده است.
• نوسانات بازار سهام ایالات متحده - که توسط شاخص VIX ارائه شده است.
• نرخ بهره واقعی ایالات متحده-ارائه شده توسط 10Y خزانه داری-تورم-محافظت شده از سیستم های محافظت شده (نکات). وت
• انتظارات تورم ایالات متحده - نشان داده شده توسط نرخ مبادله تورم رو به جلو 5yx5y.

بیایید از داده های روزانه از ژانویه 2012 تا فعلی (فوریه 2022) استفاده کنیم ، که تقریباً بیش از ده سال از داده های روزانه است. داده ها از طریق اشتراک از بلومبرگ به دست آمد. سپس من تفاوت قیمت روزانه را در نظر می گیرم ، همانطور که در تجزیه و تحلیل آماری بازار مالی رایج است ، به جز متغیرهای نرخ بهره که در آن نقاط روزانه (BPS) را تغییر می دهم ، همانطور که در صنعت معمول است.

اتفاقاً، این تغییر داده های قیمت همه آنها را ثابت می کند، همانطور که ممکن است از طریق نتایج آزمایش دیکی-فولر مشاهده شود. این به نوبه خود به این معنی است که ما می توانیم تجزیه و تحلیل رگرسیون خطی را روی داده های تبدیل شده انجام دهیم که همانطور که خواهیم دید برای انجام استنتاج آماری مفید است.

متغیرها یا ویژگی های توضیحی تبدیل شده به دست آمده به ترتیب فهرست بالا «dxyd»، «spxd»، «vixd»، «ust10rd» و «infd» هستند."btcd" اختلاف روزانه ثبت شده قیمت بیت کوین است.

چهار نقطه پرت بزرگ در توزیع "btcd" وجود دارد که دو عدد در هر طرف (منفی و مثبت) نشان دهنده حرکات یک روزه بیش از 40٪ است که بیش از شش انحراف استاندارد از میانگین حرکت قیمت روزانه فاصله دارد. همه ما می دانیم که قیمت بیت کوین بی ثبات است، اما این چهار مشاهدات واقعاً کیک را می گیرند!

این چهار نقطه پرت شدید از نمونه حذف شدند و هیستوگرام حاصل از "btcd" در زیر با یک گسترش متقارن خوب به آن نشان داده شده است.

اگر بخواهید به ضرایب همبستگی ایستا بین بیت کوین و این عوامل کلان در داده ها از سال 2012 نگاه کنید (ستون سمت چپ پایین)، اعداد بسیار کم را متوجه خواهید شد. این آمارها همبستگی کم اغلب ذکر شده بین بیت کوین و بازارهای مالی گسترده تر را تأیید می کند. دارایی هایی با همبستگی کم اما چشم انداز قیمتی مطلوب توسط سرمایه گذاران نهادی به دلیل مزایای تنوع آنها مورد توجه قرار می گیرند. اما این ضرایب همبستگی استاتیک برخی تغییرات بسیار مهم را پنهان می کنند.

تغییرات دوران همه گیری

اولین مورد Covid-19 ایالات متحده توسط CDC در 21 ژانویه 2020 تأیید شد. بیایید آن تاریخ را به عنوان نقطه پایانی برای دوره های قبل از همه گیری و همه گیری فعلی در داده ها در نظر بگیریم. بنابراین ما اکنون دو گروه در مجموعه داده داریم: پیش از همه گیری و همه گیری.

اگر بخواهیم آمار همبستگی را برای دوره پس از همه گیری در نظر بگیریم (ستون سمت چپ در زیر)، بلافاصله متوجه می شوید که ضرایب همبستگی به طور قابل توجهی افزایش یافته است، به جز در مورد "ust10rd" یا بازده واقعی اوراق قرضه 10Y ایالات متحده. جهش در همبستگی ها برای "spxd" و "vixd" آشکارتر است، و این دو متغیر بازار سهام خود همبستگی بالایی با یکدیگر دارند. به عنوان مثال، ضریب همبستگی بین "btcd" و "spxd" از 0. 11 + (داده کامل) به 0. 35 + (دوره همه گیر) رسیده است.

بگذارید در تغییرات در روابط بیت کوین (خطی) با شاخص S& P 500 و شاخص DXY بین دو دوره بزرگنمایی کنیم. ببینید که چگونه خطی که روی توطئه های پراکندگی مربوطه پوشانده شده است ، از شیب نزدیک صفر شده است تا روابط قوی تری را نشان دهد ، در مورد سهام و منفی در مورد دلار آمریکا مثبت باشد.

شاخص DXY با قدرت عمومی دلار آمریکا افزایش می یابد ، بنابراین شیب منفی این خط نشان می دهد که یک دلار افزایش دلار آمریکا در دوره همه گیر فعلی با قیمت بیت کوین رابطه منفی دارد و برعکس.

یکی از متریک های مالی مورد استفاده برای نشان دادن رابطه امنیت فردی با بازار سهام وسیع تر ، CAPM Beta است که اساساً چیزی بیش از ضریب رگرسیون خطی نیست وقتی که شما تغییر می دهید در قیمت امنیت فردی (به عنوان متغیر هدف) تغییر می کند. تغییرات در شاخص بورس سهام (به عنوان ویژگی). بتا به ما می گوید که چگونه قیمت یک امنیت فردی تحت تأثیر نوسانات گسترده تر بازار قرار می گیرد.

اگر ما همان تجزیه و تحلیل را برای محاسبه بتا بیت کوین به شاخص S& P 500 انجام دادیم ، اما با استفاده از رگرسیون یک ساله (یا 252 روز معاملاتی) یک بتا نورد را انجام دهیم ، می توانیم مشاهده کنیم که چگونه رابطه این سهام در طی این ده سال متفاوت استیا همینطوربلافاصله بدیهی است که بتا بورس بیت کوین از زمان شروع بیماری همه گیر به طور مداوم بیشتر شده است ، دلالت بر این دارد که بیشتر تحت تأثیر نوسانات بازار سهام و در همان جهت قرار گرفته است. بتا از اوایل سال 2021 تقریباً تقریباً 1 یا بیشتر باقی مانده است و تداوم این رابطه مثبت در دوره قبل از ارزش بی سابقه است.

مقایسه اثرات در دو دوره

چگونه می توانیم ارزیابی کنیم که آیا تغییر همبستگی بین دوره های همه گیر پیش از بردار و فعلی در واقع معنی دار است یا از نظر آماری دقیق است؟از این گذشته ، ما می توانیم ببینیم که بتا نورد بیت کوین حتی در دوره قبل از ثبت نام می تواند به صورت انبوه تغییر کند ، بنابراین چگونه می توانیم ارزیابی کنیم که آیا تغییرات دوران همه گیر کاملاً به دلیل شانس تصادفی نیست؟خوشبختانه برای ما یک روش آماری بسیار تثبیت شده برای انجام این کار وجود دارد!

اگر می خواهید یک روش آماری سختگیرانه برای ارزیابی اینکه آیا دو ضرایب از گروه های مختلف یا دوره ها واقعاً مجزا هستند ، باید مقدار p از تفاوت بین آنها را بفهمید. با ترکیب متغیرهای ساختگی برای نشان دادن تغییر در دوره زمانی نمونه و تعامل آنها با متغیرهای توضیحی مربوطه ، بهتر می توانیم شناسایی کنیم که در صورت وجود چه تأثیراتی در دوره ها متفاوت است.

من همیشه فهمیدم که چگونه این رویکرد با مدل کامل با همه آدمک ها و اصطلاحات تعامل موجود شروع می شود. بنابراین بیایید با یک مدل کامل ساده که فقط یک متغیر توضیحی دارد ، یعنی تغییر روزانه در شاخص بورس سهام ("SPXD") ، به علاوه یک متغیر ساختگی برای نشان دادن دوره همه گیر ("pan_dummy") و یک اصطلاح تعامل بیندوره همه گیر و تغییر بازار سهام ("pan_dummy" * "spxd" = "pan_spxd"):

 BTCD =a + B1 *SPXD +b2 *pan_dummy +B3 *(PAN_SPXD) + خطا

متغیر ساختگی دارای "pan_dummy" == 0 برای داده های پیش از ارزش گذاری ، یعنی آنهایی که قبل از 21 ژانویه 2020 و "pan_dummy" == 1 برای داده های دوران همه گیر است. هنگامی که "pan_dummy" == 0 ، دو اصطلاح دوم در معادله رگرسیون کاهش می یابد (یعنی ضرب با صفر منجر به صفر!) ، و ما را با مدل رگرسیون پایه ساده که فقط دوره قبل از ارزش را پوشش می دهد ، رها می کند:

 BTCD =a + خطای B1 *SPX +

از این رو ، مدل کامل با متغیرهای اصطلاح ساختگی و تعامل دارای مدل پایه قبل از ارزش گذاری است که در آن تعبیه شده است. هر دو ضرایب B2 و B3 سپس تأثیر دوره همه گیر را ضبط می کنند ، و ما می توانیم مقادیر P فردی و مشترک این تغییرات را بدست آوریم زیرا همه آنها را در یک مدل رگرسیون خطی واحد تخمین زده ایم. این به ما اجازه می دهد تا در مورد تغییرات بین گروه های نمونه قبل از برداشت و همه گیر ، استنتاج آماری ایجاد کنیم. این زیبایی آمار است!

ضریب B2 و مقدار p آن ، به ویژه ، به ما می گوید که آیا واقعاً تغییر ساختاری در میانگین متغیر وابسته در دوره همه گیر وجود دارد ، که تغییر قیمت روزانه بیت کوین است. در اصل ، تخمین می زند که آیا تغییر در رهگیری (یا A در معادلات فوق) از دوره پیش از ارزش به دوره همه گیر وجود دارد.

ضریب b3 و مقدار p آن در مقابل به ما می گوید که چگونه بیماری همه گیر ممکن است رابطه بین هدف و متغیر توضیحی را تغییر داده باشد. به عبارت دیگر، زمانی که از دوره پیش از همه گیری به دوران همه گیری می رویم، به ما می گوید که آیا متغیر توضیحی تأثیر بزرگ تر یا کوچک تری بر متغیر وابسته دارد.

تجزیه و تحلیل رگرسیون

ماتریس های همبستگی بالا نشان می دهد که بازده واقعی اوراق قرضه رابطه محدودی با قیمت بیت کوین در هر دو دوره دارد. بنابراین من متغیر "ust10r" را از تحلیل رگرسیون حذف می کنم. علاوه بر این، شاخص VIX همبستگی مثبت بالایی با شاخص S& P 500 دارد، بنابراین من متغیر "vixd" را نیز برای کاهش چند خطی بودن حذف می کنم. من "pan_dummy" و اصطلاحات تعامل بین آن و هر یک از سه متغیر توضیحی - "spxd"، "dxyd" و "infd" را شامل می شود.

قبل از اجرای مدل رگرسیون خطی، اجازه دهید توضیح دهم که چرا با وجود اینکه با مجموعه داده سری زمانی سروکار داریم، چرا مناسب است. مشکل معمول استفاده از رگرسیون خطی در سری های زمانی برای استنتاج آماری این است که مفروضات گاوس-مارکف در مورد برون زایی (یعنی متغیرهای توضیحی مستقل از عبارات خطا هستند)، هیچ همبستگی سریالی خطاها وجود ندارد (یعنی خطاهای مدل به طور مستقل توزیع شده و همبستگی ندارند.، و homoskedasticity (یعنی واریانس شرطی خطاها ثابت است) معمولاً در داده های سری زمانی نقض می شوند.

همانطور که دیدیم، تبدیل داده ای که در بالا ذکر شد، یعنی گرفتن تفاوت قیمت لاگ یا تفاوت نقطه پایه، داده ها را ثابت کرده است. داده های ثابت در یک نمونه بزرگ (و داده های ده ساله با بیش از 2600 مشاهدات به اندازه کافی بزرگ است) نشان می دهد که حداقل ممکن است یک فرض ضعیف برون زایی وجود داشته باشد. این به نوبه خود نشان می دهد که ضرایب رگرسیون خطی (OLS) سازگار خواهد بود.

استنتاج آماری نیز به خطاهای استاندارد بستگی دارد. آماره t (که از آن p-value را بدست می آوریم) نسبت یک ضریب رگرسیون به خطای استاندارد آن است. بنابراین ما همچنین باید همبستگی سریال و ناهمگونی را رد کنیم.

ثابت کردن داده ها اغلب به کاهش همبستگی سریال کمک می کند. به عنوان بخشی از تجزیه و تحلیل، ما باید از آزمون Durbin-Watson برای همبستگی سریال و خطاهای استاندارد ناهمگونی قوی استفاده کنیم. مدل های پیچیده تری وجود دارد که می توان در حضور بالقوه این نقض های گاوس-مارکوف (همبستگی سریال و ناهمسانی) استفاده کرد، اما این دو روش مناسب ترین روشی هستند که امکان استفاده از رگرسیون خطی را در چنین مواردی فراهم می کنند.

خروجی رگرسیون خطی به صورت زیر است:

به آمار آزمون دوربین واتسون تقریباً 2 توجه کنید، که نشان می دهد نمی توانیم فرضیه صفر مبنی بر عدم همبستگی سریالی در خطاها را رد کنیم. این مدل همچنین با خطاهای استاندارد heteroskedastic-robust اجرا شد که ممکن است با نشان دادن sm. OLS(y, sm. add_constant(X)). fit(cov_type='HC3') در کد رگرسیون Statsmodel اجرا شود. خوانندگان علاقه مند می توانند صفحه GitHub من را با پیوند در انتهای مقاله برای کد کامل مطالعه کنند.

اکنون که مشخص کردیم مدل رگرسیون خطی مناسب است، اجازه دهید بررسی کنیم که برآوردها و نتایج رگرسیون به ما چه می گویند. می بینیم که ضرایب "spxd" و "dxyd" هر دو دارای مقادیر p هستند که بسیار بالاتر از آستانه 5٪ هستند، به این معنی که ما نمی توانیم نتیجه بگیریم که مقادیر ضریب واقعی ممکن است صفر باشد. این موضوع بیان شده در ابتدای این مقاله را تأیید می کند که به نظر می رسد بیت کوین روابط ضعیفی با بازارهای مالی گسترده تر، در این مورد بازار سهام ایالات متحده و دلار آمریکا، در دوران پیش از همه گیری دارد.

با این حال، ضریب منفی "infd" از نظر آماری بسیار معنی دار است (با مقدار p کمی بالاتر از 5٪)، به این معنی که افزایش نرخ انتظارات تورمی آینده 5Yx5Y ایالات متحده با کاهش قیمت بیت کوین همراه است. این نسبتاً خلاف شهود است. از این گذشته، همه ما این بحث را شنیده ایم که بیت کوین به عنوان یک محافظ تورم چقدر خوب است! سپس، مقدار ضریب "infd" نسبتاً پایین است و به این معنی است که افزایش 1bps در انتظارات تورمی باعث کاهش تقریبا 0. 06 درصدی بیت کوین می شود. با این وجود، یافته ها نشان می دهد که ویژگی های پوشش تورمی بیت کوین که بسیار مورد ادعا قرار گرفته است، توسط شواهد آماری تأیید نشده است.

ضریب "pan_dummy" از نظر آماری معنی دار نیست، که ما را به این نتیجه می رساند که هیچ مدرکی دال بر تغییر ساختاری در نوسانات قیمت بیت کوین قبل و بعد از دوره همه گیری وجود ندارد. جالبتر در ذهن من ضرایب در شرایط تعامل است.

ضریب مثبت مثبت در اصطلاح تعامل "PAN_SPXD" ، که دارای مقدار P بسیار پایین تر از آستانه 5 ٪ است ، به این معنی است که افزایش مثبت قابل توجهی در رابطه بین قیمت بیت کوین و شاخص S& P 500 پس از شروع همه گیر وجود دارد. بشربه عبارت دیگر ، قیمت بیت کوین از 21 ژانویه 2020 در جهت مثبت با بازار سهام مرتبط شده است. به طور دقیق ، بتا بیت کوین به بازار سهام از 0. 0887 به +0. 9152 افزایش یافته است (توضیح دقیق این ارقام در زیر ارائه شده است).

همچنین ضریب منفی زیادی در اصطلاح تعامل "PAN_DXYD" وجود دارد ، که نشان می دهد افزایش منفی قابل توجهی در رابطه بین قیمت بیت کوین و شاخص دلار DXY پس از 21 ژانویه 2020 وجود دارد. این یافته حاکی از آن است که قیمت بیت کوین با رابطه منفی وارد شده استدلار آمریکا پس از شروع همه گیر. با این حال ، مقدار p ضریب در 13. 5 ٪ بالاتر از آستانه 5 ٪ معمولی است ، هرچند که احتمالاً خیلی بالاتر از آن نیست.

یکی از مشکلات شامل اصطلاحات تعامل بین متغیرهای توضیحی موجود در مدل این است که چند قطبی بودن ، اغلب به طور معناداری افزایش می یابد. اگر در مورد آن فکر می کنید ، اگر متغیرهای جدیدی را از ترکیبی از متغیرهای توضیحی موجود ایجاد می کنید ، به طور طبیعی این متغیرهای جدید با متغیرهای موجود ارتباط دارند. چند قطبی ، انجام استنباط آماری بر روی ضرایب فردی را دشوارتر می کند.

خوشبختانه ، ما همچنین می توانیم تست های F را در مورد اهمیت مشترک متغیرها انجام دهیم. در این حالت ، یک آزمون f در مفصل قابل توجه از اصطلاحات آدمک و/یا تعامل مرتبط با آن ، ارزیابی مفیدی دیگر در مورد اینکه آیا رابطه بین بیت کوین و عوامل کلان در واقع تغییر کرده است ، ارائه می دهد. نتایج آزمون F در زیر نشان می دهد که این تغییر در شیب ضرایب مختلف است که از زمان بیماری همه گیر (مقدار p 0. 00 ٪) قابل توجه است و تغییر رهگیری نیست. Statsmodels برخی از مطالعات موردی مفید از آزمونهای F (یا ANOVA) را در مورد اصطلاحات تعامل در این لینک برای کسانی که علاقه مند به کاوش در این نوع تجزیه و تحلیل هستند ، ارائه می دهد.

سرانجام ، اجازه دهید نگاهی بیندازیم که چگونه R-S-S-of the Regression در کل دوره نمونه از سال 2012 تا زمان فعلی متفاوت است ، با استفاده از رگرسیون یک ساله. مربع R قبل از سال 2020 بسیار پایین است ، در زیر 5 ٪ تقریباً در کل زمان. این به ما اطلاع می دهد که عوامل کلان بورس ، دلار آمریکا و انتظارات تورم در مجموع توضیحات بسیار محدودی درباره واریانس پیش از ارزش در قیمت های بیت کوین ارائه می دهند. این نکته را نشان می دهد که این عوامل کلان در کنار هم فقط تأثیر کمی بر قیمت بیت کوین در دوره پیش از ارزش گذاری داشتند. مربع R به طور مداوم پیش از ثبت بیشتر است ، اگرچه هنوز خیلی زیاد نیست ، و این نشان دهنده افزایش تأثیر عوامل کلان به صورت جمعی است. با این وجود ، مقادیر مربع R نسبتاً کم به ما می گویند که نوسانات قیمت بیت کوین روزانه به شدت تحت تأثیر عوامل کلان به معنای مطلق نیست.

من شامل یک نقشه هیستوگرام و Quantile-Quantile باقیمانده های رگرسیون از مدل کامل زیر برای OLS Aficionados هستم ، اما آنها را به نفع کوتاه بودن بحث نمی کنم. با این حال ، همانطور که گفته شد ، به استفاده از خطاهای استاندارد قوی در رگرسیون برای استنباط آماری توجه داشته باشید.

توضیح و تصویر اضافی

در این بخش بیشتر توضیح خواهم داد که چگونه داشتن یک مدل شامل آدمک ها و اصطلاحات تعامل به ما کمک می کند تا تفاوت های بین گروه ها را بهتر ارزیابی کنیم ، که در این مورد توسط دوره های زمانی متفاوت هستند. برای نشان دادن نکته ، اجازه دهید ما به برآوردهای ضریب از سه مدل رگرسیون جداگانه نگاه کنیم: مدل کامل با اصطلاحات آدمک و تعامل همه گیر ، یک مدل از قبل فقط و یک مدل همه گیر.

خروجی مدل کامل قبلاً در بالا ارائه شده است. خروجی های statsmodels از دو مدل خاص در زیر آمده است:

بگذارید ما روی تخمین های رهگیری و ضریب این سه مدل تمرکز کنیم و آنها را با یکدیگر مقایسه کنیم:

اول ، توجه کنید که چگونه ضرایب ثابت و عدم مداخله مدل کامل همانند مقادیر ثابت و ضریب مدل قبل از ارزش است. این نکته را برجسته می کند که قبلاً مدل کامل مدل پیش از ارزش گذاری اولیه را در آن جاسازی می کند.

دوم ، توجه کنید که چگونه مجموع مدت ثابت مدل کامل و ضریب "pan_dummy" همان اصطلاح ثابت مدل همه گیر است. به عبارت دیگر ، 0. 0036 + (-0. 0012) = 0. 0024. بنابراین ، ضریب ساختگی هرگونه تغییر ساختاری در تغییر قیمت روزانه بیت کوین بین دو دوره را ضبط می کند. در این حالت ، ضریب "پان-راننده" دارای مقدار P (یعنی بالاتر از 5 ٪) به گونه ای است که نمی توانیم نتیجه بگیریم که یک تغییر ساختاری از نظر آماری قابل توجه بوده است.

سوم ، توجه کنید که چگونه مجموع ضرایب مدل کامل در متغیرهای مختلف توضیحی و اصطلاح تعامل مرتبط با ضریب مدل همه گیر فقط است. به عنوان مثال ، در مدل کامل ضریب "SPXD" 0. 0887 و اصطلاح تعامل آن با "pan_dummy" 0. 8265 است. خوب ، 0. 0887 + 0. 8265 = 0. 9152 ، که دقیقاً ضریب "SPXD" در مدل فقط همه گیر است.

بنابراین ما آن را داریم. تمام اعداد دقیقاً همانطور که انتظار داشتیم خط می روند. مدل کامل با استفاده از یک متغیر ساختگی برای نشان دادن گروه بندی های پیش از ارزش و همه گیر و اصطلاحات تعامل مرتبط با متغیرهای توضیحی به ما امکان می دهد تا چگونه قیمت بیت کوین و ارتباط آنها با متغیرهای توضیحی را در دو دوره تغییر دهیم. مهمتر از همه ، این امکان را به ما می دهد تا استنتاج آماری را در مورد این تغییرات انجام دهیم تا نتیجه بگیریم که آیا این تغییرات به دلیل شانس تصادفی به تنهایی یا خیر ، نتیجه می گیریم.

نتیجه

روابط بیت کوین با بازارهای مالی گسترده تر از دوره قبل از ارزشیابی به دوره همه گیر از ژانویه سال 2020 تغییر کرده است. بتا بیت کوین به بازار سهام ایالات متحده ، به ویژه ، به ویژه افزایش یافته و در دوره همه گیر بالا رفته است. به نظر می رسد که رابطه بیت کوین با دلار آمریکا نیز بین دو دوره عمیق تر شده است.

من تجزیه و تحلیل رگرسیون را انجام دادم تا بررسی کنم که آیا این روابط در حال تغییر از نظر آماری معنی دار است یا خیر. برای انجام این کار ، من یک متغیر ساختگی را برای تمایز مشاهدات نمونه بین دوره های پیش از ارزش و همه گیر اضافه کردم. من همچنین اصطلاحات تعامل بین متغیر ساختگی همه گیر و متغیرهای توضیحی کلان مالی مختلف ، یعنی بورس سهام ، دلار آمریکا و انتظارات تورم مبتنی بر بازار را اضافه کردم.

نتایج رگرسیون به ما این امکان را می دهد تا سه نتیجه گیری با ارزش های زیر آستانه پشتیبانی کنیم. اول ، رابطه بیت کوین با شاخص S& P 500 به طور قابل توجهی بیشتر تغییر کرده است ، و اکنون بتا مثبت قابل توجهی به بازار سهام دارد. دوم ، بیت کوین هیچ توانایی تورم را در طول دو دوره نشان نداده است. در مقابل ، این یک رابطه منفی (جزئی) با انتظارات تورم را برانگیخته است.

سوم ، رابطه کلی بیت کوین با سه عامل کلان مالی (یعنی بورس سهام ، دلار آمریکا و انتظارات تورم) از زمان همه گیر تقویت شده و توسط یک آزمون F از اهمیت مشترک تأیید شده است ، اگرچه مربع R در مطلق نسبتاً کم استمقررات. یک یافته آزمایشی دیگر از تجزیه و تحلیل وجود دارد. بتا بیت کوین به شاخص DXY نیز ممکن است عمیق تر شده باشد ، که نشان دهنده رابطه منفی با دلار آمریکا از زمان شروع همه گیر است.

یافته های تأثیر بیشتر عوامل کلان مالی بر نوسانات قیمت روزانه بیت کوین ، به ویژه از بازار سهام ، و عدم وجود توانایی های تورم ، دو مورد از استدلال های گسترده که از سرمایه گذاری بیشتر نهادی در بیت کوین حمایت می کنند ، سؤال می کند. این امر به ویژه هنگامی که نقدینگی و نوسانات زیاد بیت کوین به طور نامطلوب با سایر اوراق بهادار و کالاهایی که ممکن است مزایای متنوع سازی بهتری برای سرمایه گذاران نهادی داشته باشند ، مقایسه می کند.

با این حال ، تجزیه و تحلیل در اینجا درباره بازده احتمالی بیت کوین بحث نمی کند. بنابراین سرمایه گذاران که ممکن است دیدگاه مثبتی از بازده آینده بیت کوین داشته باشند ، هنوز هم ممکن است جذاب باشند. این یک سوال متفاوت برای زمان دیگری است.

.

اگر در خواندن مقاله هایی مانند این ارزش را دیدید ، ممکن است در اینجا مشترک شوید تا مقالات دیگر توسط من و نویسندگان بی شماری دیگر را بخوانید. متشکرم.