Биткоин в 2005 году цена

Строгое определение финтеха, по-видимому, отсутствует, поскольку оно охватывает различные компании и технологии, но более широкое можно утверждать. Что финтех включает в себя те компании, которые разрабатывают новые бизнес-модели, приложения. Продукты или процессы. Основанные на цифровых технологиях. Применяемых в финансах. Совет по финансовой стабильности (FSB) (2017) определяет финтех как “технологическую инновацию в финансовых услугах, которая может привести к появлению новых бизнес-моделей, приложений. Процессов или продуктов с соответствующим существенным эффектом на предоставление финансовых услуг.”

ОЭСР (2018) анализирует вместо этого различные определения из разных источников. Приходя к выводу. Что ни одно из них не является полным. Поскольку “Финтех включает в себя не только применение новых цифровых технологий к финансовым услугам. Но и разработку бизнес-моделей и продуктов. Которые опираются на эти технологии и в более общем плане на цифровую платформу и процессы.”

Услуги, предлагаемые этими компаниями. Действительно разнообразны: одни предоставляют услуги финансового посредничества (финтех-компании). А другие предлагают вспомогательные услуги. Связанные с деятельностью финансового посредничества (Техфин-компании).

Для финтех-фирм технология-это инструмент. Производительный фактор, вход. В то время как для Технофин-фирм это конечный продукт, выход. Последние уже знакомы с различными технологиями и инновациями; следовательно. Они могли бы легко диверсифицировать свое производство. Добавив некоторые цифровые и финансовые услуги к продуктам. Которые они уже предлагают. Они пользуются ситуацией привилегированной конкуренции. Потому что они уже известны на рынке благодаря своим предыдущим нефинансовым услугам и. Таким образом. Могут воспользоваться информацией своих клиентов для расширения своего предложения финансовых услуг.

Фирмы TechFin являются основными конкурентами финтех компаний (Schena et al., 2018). Действительно, финтех. Или финансовая технология. Меняет способ осуществления финансовых операций. Вводя новые способы сбережения. Заимствования и инвестирования. Не имея дела с традиционными банками.

Финтех-платформы. Фирмы и стартапы выросли после мирового финансового кризиса 2008 года в результате потери доверия к традиционному финансовому сектору. Кроме того, цифровые аборигены (или миллениалы. Родившиеся между 1980 и 2000 годами), казалось. Были заинтересованы в этом новом подходе. Предложенном финтех-предпринимателями.

Миллениалы были достаточно взрослыми. Чтобы быть потенциальными клиентами. Которые чувствуют себя гораздо более связанными с этими новыми. Свежими мобильными услугами. Предлагаемыми через мобильные платформы и приложения. А не банкирами. Сила этих новых технологий заключается в их прозрачных и простых в использовании интерфейсах. Которые рассматривались как ответ на кризис доверия к банкам (Чишти и Барберис, 2016).

После того как первый биткоин (Nakamoto, 2008) был отправлен в январе 2009 года. На рынке начали торговаться сотни новых криптовалют. Общим элементом которых является использование публичной бухгалтерской книги (или технологии блокчейн;

Hileman and Rauchs, 2017На самом деле, помимо биткоина, популярность получили и другие криптовалюты, такие как: Ethereum (ETH), Dash. Monero (XMR). Ripple (XRP) и Litecoin (LTC). Ethereum (ETH) был официально запущен в 2015 году и представляет собой децентрализованную вычислительную платформу. Характеризующуюся собственным языком программирования. Dash был представлен в 2014 году. Но его рыночная стоимость росла в 2016 году. Особенность этой цифровой монеты заключается в том, что. В отличие от других криптовалют. Блочные вознаграждения поровну распределяются между участниками сообщества. А процент дохода (равный 10%) хранится в “казне” для финансирования дальнейших улучшений. Маркетинга и сетевых операций.

Monero (XMR). Запущенная в 2014 году. Представляет собой систему. Которая гарантирует анонимную цифровую наличность. Скрывая особенности транзакций монет. Его рыночная стоимость выросла в 2016 году. Ripple (XRP) обладает уникальной особенностью основываться на “глобальной консенсусной книге”. А не на технологии блокчейн. Его протокол принят крупными учреждениями. Такими как банки и предприятия денежного обслуживания.

Лайткоин (LTC) появился впервые в 2011 году и характеризуется большим предложением в 84 миллиона LTC. Его функционирование основано на функционировании биткоина. Но некоторые параметры были изменены (алгоритм майнинга основан на Scrypt. А не на SHA-265 биткоина).

Несмотря на создание этих новых криптовалют. Биткоин остается основной монетой с точки зрения оборота. Главным преимуществом этой новой цифровой валюты. По-видимому. Является низкая стоимость транзакций (даже если это на самом деле миф. Поскольку транзакции BTC превышали 50 долларов за транзакцию в 2017-2018 годах. В то время как частные банки взимают меньше в наши дни) и. Вопреки тому. Что многие думают. Анонимность не была одной из ее главных особенностей. Когда эта сеть была разработана. Человек может попытаться сделать свою личность менее очевидной. Но имеющиеся к настоящему времени доказательства не подтверждают утверждения о том. Что ее можно легко скрыть; это, вероятно. Невозможно. Для этой цели фиатные физические валюты остаются лучшим вариантом.

Hayes (2015, 2017, 2019) анализирует формирование цены биткойна. В частности. Он предполагает криптовалюту как виртуальный товар. Отталкиваясь от различных способов. Которыми индивид мог бы ее получить. Человек может купить биткоины непосредственно на онлайн-рынке. Предоставив в обмен фиатные валюты или другие виды криптовалют. В качестве альтернативы он может принять их в качестве оплаты, и, наконец. Человек может решить “добывать” биткоины. Что заключается в производстве новых единиц. Используя компьютерное оборудование. Предназначенное для этой цели. Этот последний случай связан с потреблением электроэнергии. И рациональный агент не будет вовлечен в процесс добычи. Если предельные издержки этой операции превышают его предельную прибыль.

Соотношение между этими величинами определяет цену. Исходя из себестоимости продукции. То есть теоретической величины. Лежащей в основе рыночной цены. Вокруг которой она должна тяготеть. Abbatemarco et al. (2018) возобновите исследования Хейса. Вводя дополнительные элементы. Пропущенные в предыдущей формулировке. Окончательный результат подтверждает выводы Хейса: модель предельных издержек обеспечивает хороший прокси для рыночной цены биткойна. Но не исключено развитие спекулятивного пузыря.

Мы изучаем эволюцию цены биткойна . Рассматривая модель себестоимости производства , введенную

Хейсом (2015, 2017, 2019). Добавив к его анализу некоторую корректировку . Предложенную Abbatemarco et al. (2018), мы восстанавливаем ряд для гипотетической базовой цены; затем мы изучаем связь между этой ценой и исторической с помощью модели векторной авторегрессии (VAR).

Остальная часть статьи продолжается следующим образом: в разделе Обзор литературы мы раскрываем обзор литературы. Представляя те статьи. Которые исследуют другие факторы формирования цены биткойна. Разрабатывая альтернативные подходы. В разделе Материалы и методы мы используем исследовательский вопрос. Описывая методологию. Лежащую в основе реализованной модели затрат на производство, источники. Доступные для сбора данных. Состав аппаратных образцов и вывод формул.

В разделе Основные результаты мы анализируем и комментируем основные выводы анализа; раздел выводы завершает работу нашими комментариями по основным выводам и их последствиям.

Обзор Литературы

Исследователи обнаруживают ряд экономических детерминант цены Биткоина; похоже, что. Учитывая новые и специфические особенности этой криптовалюты. Ценовые факторы будут меняться с течением времени. По этой причине несколько авторов анализируют различные потенциальные факторы. Которые включают технические аспекты (такие как хешрейт и объем выпуска), рост пользователей, Интернет-компоненты (такие как Google Trends, запросы Википедии и твиты), рыночное предложение и спрос, финансовые индексы (такие как S&P500, Dow Jones, FTSE100, Nikkei225). Цены на золото и нефть. Денежную скорость и обменный курс биткойна. Выраженный в долларах США. Евро и иенах. Среди прочих, Кристофек (2015) фокусируется на различных источниках движения цен. Исследуя их взаимосвязь во времени. Он рассматривает различные категории: Экономические факторы. Как потенциальные фундаментальные влияния. За которыми следуют транзакционные и технические факторы. Как влияющие на интерес к биткоину.

Результаты показывают. Как фундаментальные факторы биткойна. Такие как использование. Денежная масса и уровень цен. Влияют на его цену в долгосрочной перспективе. Что касается технических драйверов. То рост цен побуждает людей становиться майнерами. Но со временем этот эффект затмевает. Поскольку всегда более специализированное оборудование для майнинга увеличивало сложность. Факты показывают. Что цена определяется даже интересом инвесторов. Согласно предыдущим исследованиям (

Kristoufek, 2013; Garcia et al., 2014), эта связь наиболее очевидна в долгосрочной перспективе. Но во время эпизодов взрывных цен этот интерес толкает цены дальше вверх. В то время как во время быстрых спадов он толкает их дальше вниз. Затем он приходит к выводу. Что Биткоин-это уникальный актив со свойствами как спекулятивно-финансового актива. Так и стандартного. И из-за его динамичности и волатильности очевидно ожидать. Что его ценовые драйверы будут меняться с течением времени. Элемент интереса. По-видимому. Особенно актуален при анализе поведения цены биткойна. Что приводит многих исследователей к изучению ее взаимосвязи с интернет-компонентами. Такими как тенденции Google. Запросы Википедии и твиты.

Даже Matta et al. (2015) исследуют. Могут ли информационные поиски и деятельность в социальных сетях предсказать цену биткойна. Сравнивая его историческую цену с данными Google Trends и объемом твитов. Они использовали набор данных. Основанный только на 60 днях. Нополнение к другим работам по этой теме. Они реализуют автоматизированную технику анализа настроений. Которая позволяет автоматически идентифицировать мнения, оценки. Настроения и отношения пользователей по определенной теме.

Они используют инструмент под названием “SentiStrength”. Который основан на словаре. Составленном только из сентиментальных слов. Где каждое из них связано с весом. Представляющим силу сентимента. Его цель состоит в том. Чтобы оценить силу настроений в коротких сообщениях. Которые анализируются отдельно. И результат суммируется в одном значении: положительное. Отрицательное или нейтральное настроение. Исследование выявило значительную связь между ценой биткойна и объемами как твитов. Так и запросов Google.

Garcia et al. (2014) изучают эволюцию цены биткойна на основе взаимодействия различных элементов: исторической цены. Объема устной коммуникации в онлайновых социальных сетях (обмен информацией. Измеряемый твитами и постами в Facebook). Объема поиска информации (поисковые запросы Google и запросы Википедии) и роста базы пользователей.

Результаты выявляют взаимозависимость между ценой биткойна и двумя сигналами. Которые могут сформировать потенциальные ценовые пузыри: первый касается эффекта сарафанного радио. В то время как другой основан на количестве пользователей. Первый цикл обратной связи-это цикл подкрепления: интерес к биткоину растет. Что приводит к увеличению объема поиска и активности в социальных сетях.

Эта новая популярность побуждает пользователей покупать криптовалюту. Что еще больше повышает ее цену. Опять же, этот эффект увеличил бы объем поиска. Второй цикл-это цикл принятия пользователей: после получения информации новые пользователи присоединяются к сети. Увеличивая пользовательскую базу. Спрос растет. Но поскольку предложение не может корректироваться немедленно. А изменяется линейно со временем. Цена биткойна будет расти.

Ciaian et al. (2016) используют другой подход к выявлению факторов. Лежащих в основе формирования цены биткойна. Изучая как цифровые. Так и традиционные.

Авторы указывают на актуальность одновременного анализа этих факторов; в противном случае эконометрические результаты могут быть предвзятыми. Для этого они определяют три категории детерминант: рыночные силы спроса и предложения; показатели привлекательности (просмотры Википедии и количество новых участников и постов в специальном блоге) и глобальное макрофинансовое развитие. Результаты показывают. Что соответствующее влияние на цену определяется первой категорией и имеет тенденцию к увеличению с течением времени. Что касается второй категории. То они утверждают. Что краткосрочные изменения цены после первого периода после введения биткоина вменяются в вину интересу инвесторов. Который измеряется онлайн-поиском информации.

Его влияние со временем ослабевает. Не оказывая никакого влияния в долгосрочной перспективе. И может быть связано с повышенным доверием среди пользователей. Которые становятся более готовыми принять цифровую валюту. С другой стороны. Результаты показывают. Что спекуляции инвесторов также могут повлиять на цену биткойна. Что приведет к более высокой волатильности. Которая может вызвать ценовые пузыри.

В заключение следует отметить. Что исследование не выявило никаких соответствий между ценой биткоина и макроэкономическими и финансовыми факторами.

Kjærland et al. (2018) пытаются определить факторы. Которые оказывают влияние на формирование цены биткойна. Они утверждают. Что хешрейт. Индекс волатильности CBOE (VIX), нефть. Золото и объем транзакций биткоина не влияют на цену биткоина. Исследование показывает, что цена зависит от доходности S&P500, прошлых ценовых показателей. Оптимизма и поисковых запросов Google.

Буойюр и Сельми (2015) изучите связи между ценой биткойна и его потенциальными драйверами. Рассмотрев привлекательность инвесторов (измеряемую поисковыми запросами Google); соотношение биржевой торговли; денежную скорость; предполагаемый объем выпуска; хешрейт; цену золота; и индекс Шанхайского рынка. Последнее значение связано с тем. Что шанхайский рынок рассматривается как крупнейший игрок в биткойн-экономике. Что также может привести к его волатильности. Период оценки-это период с 5 декабря 2010 года по 14 июля 2014 года. И он исследуется с помощью применения метода тестирования границ ARDL и теста причинности VEC Grander. Результаты подчеркивают спекулятивный характер этой криптовалюты, утверждая. Что существует мало шансов на то. Что она станет международно признанной.

Джудичи и Абу-Хашиш (2019) предлагают модель для объяснения динамики цен на биткойн. Основанную на корреляционном сетевом процессе VAR. Который моделирует взаимосвязи между различными ценами крипто-и классических активов. В частности. Они пытаются оценить. Коррелируют ли цены биткоина на разных биржевых рынках друг с другом. Демонстрируя таким образом “эндогенные” колебания цен. Они выбирают восемь биржевых рынков. Репрезентативных для разных географических точек. На которые приходится около 60% от общего дневного объема торгов. Для каждого биржевого рынка они ежедневно собирают данные за период с 18 мая 2016 года по 30 апреля 2018 года. Авторы также пытаются понять. Могут ли колебания цен на биткойн также быть объяснены экзогенными классическими рыночными ценами. Поэтому они используют ежедневные данные (цена закрытия рынка) по некоторым наиболее важным ценам активов: золоту, нефти и SP500, а также по обменным курсам USD/Yuan и USD/Eur. Их основные эмпирические данные показывают. Что цены на биткойн с разных бирж сильно взаимосвязаны. Как на эффективно интегрированном рынке. А цены с более крупных и/или более связанных торговых бирж управляют другими. Результаты также. По-видимому. Подтверждают. Что цены на биткойн. Как правило. Не связаны с классическими рыночными ценами. Что приносит дополнительную поддержку свойству “диверсификационной выгоды” криптоактивов.

Katsiampa (2017) использует Авторегрессионную модель для условного среднего и модель типа GARCH первого порядка для условной дисперсии для анализа волатильности цены биткойна. Исследование собирает ежедневные цены закрытия для индекса Bitcoin Coindesk с 18 июля 2010 года по 1 октября 2016 года (2267 наблюдений); затем доходность рассчитывается путем принятия натурального логарифма отношения двух последовательных цен. Основные выводы свидетельствуют о том. Что оптимальной моделью с точки зрения хорошего соответствия данным является AR-CGARCH. Результат которого наводит на мысль о важности наличия как краткосрочной. Так и долгосрочной составляющей условной дисперсии.

Chevallier et al. (2019) исследуйте колебания цен на биткойн. Комбинируя модели переключения Маркова с диффузией скачка Леви. Чтобы соответствовать эмпирическим характеристикам финансовых и товарных рынков. В деталях они пытаются охватить различные подпериоды кризисов в течение бизнес-цикла. Которые фиксируются скачками. В то время как тренд просто моделируется в рамках гауссовского процесса. Они вводят цепочку Маркова с существованием скачка Леви. Чтобы распутать потенциально нормальные экономические режимы (например. С гауссовским распределением) и возбужденные экономические режимы (например. Кризисные периоды со стохастическими скачками). Объединив эти две функции. Они предлагают модель. Которая фиксирует различные сбои и подъемы в течение бизнес-цикла. Которые фиксируются скачками. В то время как тренд просто моделируется в рамках Гауссовой структуры. Модель Леви с переключением режимов позволяет выявить наличие разрывов для каждого рыночного режима. И эта особенность составляет цель предлагаемой модели.

Материалы и методы

Мы изучаем эволюцию цены биткойна . Рассматривая модель издержек производства, введенную Хейсом (Hayes, 2015, 2017). Добавив к своему анализу некоторую корректировку. Предложенную Abbatemarco et al. (2018), мы восстанавливаем ряд для гипотетической базовой цены и изучаем связь между этой ценой и исторической. Используя модель VAR. В деталях Хейс сравнивает модель ценообразования с исторической рыночной ценой. Чтобы закрепить справедливость своей теории. Полученные результаты показывают. Как цена биткойна в значительной степени описывается предельными издержками производства криптовалюты. И предполагают. Что она не зависит от других экзогенных факторов. Вывод состоит в том. Что в периоды возникновения ценовых пузырей будет происходить конвергенция между рыночной ценой и ценой модели. Чтобы уменьшить расхождение. Abbatemarco et al. (2018) возобновите исследования Хейса. Вводя дополнительные элементы. Пропущенные в предыдущей формулировке. Окончательный результат подтверждает выводы Хейса: модель предельных издержек обеспечивает хороший прокси для рыночной цены биткойна. Но не исключено развитие спекулятивного пузыря. Поскольку эти исследования были опубликованы до того. Как рост цен на биткойн достиг своего пика 19 декабря 2017 года (стоимость составила $19 270). Цель нашей работы состоит в том. Чтобы расширить анализ с учетом более широких временных рамок и проверить. Остаются ли даже в этом случае результаты неизменными. В частности. Мы рассматриваем период с 9 апреля 2014 года по 31 декабря 2018 года. Мы начинаем с некоторых тестов единичного корня. Чтобы проверить. Являются ли ряды стационарными по уровню или должны быть интегрированы. А затем определяем правильное количество лагов. Которые должны быть включены в модель. Затем мы проверяем наличие коинтегрирующей связи. Чтобы проверить. Следует ли нам принять векторную модель коррекции ошибок (VECM) или модель VAR; результаты показывают. Что модель VAR лучше всего подходит для наших данных Таким образом. Мы собираем окончательные результаты анализа и улучшаем их. Корректируя гетероскедастичность в регрессиях.

Функция предельных затрат. Которая оценивает электрические затраты устройств. Используемых в процессе добычи полезных ископаемых. Представлена в виде уравнения (1):

COST$day= Hhashs * EffJhash * CE$kWh * 24hday    (1)

Где:

Hhash/s-это хешрейт (измеряется хешем в секунду);

EFFJ/hash-это энергоэффективность устройств. Участвующих в процессе. И она измеряется Джоулем/хэшем;

CE$/кВтч-это стоимость электроэнергии. Выраженная в долларах США за киловатт/час;

24 — это количество часов в сутках;

Функция предельной прибыли. Которая оценивает вознаграждение за добычу полезных ископаемых. Вместо этого изображается в виде уравнения (2):

PROFITBTCday=BRBTC * [3,600sh * 24hdayBTs]    (2)

Где:

BRBTC-это вознаграждение за блок. Которое относится к новым биткойнам. Распределяемым майнерам. Успешно решившим блок (следовательно. Оно измеряется BTC). И оно задается геометрической прогрессией (уравнение 3):

BRBTC=BR1 * 12n1    (3)

n увеличивается на 1 каждые 210 000 блоков. Вначале он составлял br1 = 50, но с течением времени сократился вдвое: 29 ноября 2012 года и 10 июля 2016 года.

3600-это число секунд в часе.;

24 это опять же количество часов в сутках;

BTs-это время блока. Которое выражается в секундах. Необходимых для генерации блока (около 600 с = 10 мин). И вычисляется как уравнение (4):

BTs= D * 232H    (4)

Где H = хешрейт и D = сложность. Последняя переменная определяет. Насколько трудно сгенерировать новый блок с точки зрения вычислительной мощности при определенном хэшрейте. Это значение. Которое часто меняется. Чтобы обеспечить BTs близко к 10 мин.

В дополнение к уже рассмотренным переменным мы вводим некоторые поправки. Предложенные Abbatemarco et al. (2018), которые считали. Что в формулировках Хейса отсутствуют два элемента.

Они добавляют. С точки зрения затрат, тот. Который требуется для обслуживания и обновления оборудования майнеров (человек. Выраженный в долларах США). А с точки зрения прибыли. Сборы (сборы). Полученные майнерами. Которые размещают транзакции в блоке.

Затраты на техническое обслуживание вычисляются как отношение между ценой взвешенных устройств и их взвешенным сроком службы (5). В то время как сборы. Выраженные в BTC. Измеряются как отношение между ежедневными общими транзакционными сборами и количеством ежедневных транзакций (6).

MAN$ =Weighted Devices Price$Weighted Lifespan    (5)

FEESBTC = Total Transaction Fees (BTC)Daily Transaction Fees    (6)

Новые уравнения становятся:

COST$day= Hhashs * EffJhash * CE$kWh * 24hday+MAN$    (7)

PROFITBTCday=BRBTC * [3,600sh * 24hdayBTs]+FEESBTC    (8)

Более того. Из-за равенства 1 джоуль = 1 ватт*секунда уравнение (7) может быть выражено следующим образом:

COST$/day=  Hhash/s * EffW * shash * CE$kWh * 24h/day+MAN$    (9)

Преобразуя ватт в киловатт/час. Его можно записать в виде:

COST$/day=  Hhash/s * EffW * shash1000 * CE$kWh * 24h/day+MAN$    (10)

COST$/day= Hhash/s * EffkWh * shash * CE$kWh * 24h/day+MAN$    (11)

Согласно экономическим теориям конкурентного рынка. Соотношение между функциями затрат и прибыли должно приводить к цене при условии равновесия (уравнение 12):

P$/BTC= COST$dayPROFITBTCday    (12)

Историческая цена ниже прогнозируемой моделью вытеснила бы майнера с рынка. Так как он работает в убыток. Но в то же время удаление его устройств из сети увеличивает предельную прибыль других (конкуренция снижается). И в конце концов система вернулась бы к равновесию. С другой стороны. Историческая цена выше. Чем предсказанная моделью. Привлекает больше майнеров. Тем самым увеличивая количество устройств. Работающих в сети. И уменьшая предельную прибыль других (конкуренция возрастает). Опять же, система вернется в равновесие (Hayes, 2015).

Мы должны отметить. Что предположение о цене энергии на полушарие не очень реалистично. На самом деле для крупных потребителей цена на энергию по контракту устанавливается по-разному для пиковых и менее загруженных периодов. Существует много различий в ценах на энергию шахт в разных странах и обстоятельствах (см., например. Исландию с ее геотермальной дешевой энергией в качестве примера дешевой энергии; Soltani et al., 2019). Учет большего разнообразия цен на энергоносители, вероятно, добавит более широкий диапазон цен на BTC (de Vries, 2016); из-за трудностей со сбором сопоставимых данных мы приняли упрощенный прокси-показатель стоимости энергии.

В таблице 1 представлены источники. Используемые для сбора и вычисления необходимой информации.

www.frontiersin.org

Таблица 1. Источники.

Мы начинаем анализ с построения аппаратной выборки. Которая эволюционирует в течение выбранного временного окна (2010-2018 гг.). Разделенного на семестры. Связанные с внедрением конкретного устройства (табл. 2).

www.frontiersin.org

Таблица 2. Образец оборудования.

С тех пор как был продан первый биткойн. Произошла эволюция устройств. Используемых майнерами. Первыми были приняты GPU (графический процессор). А позже FPGA (программируемая в полевых условиях решетка ворот). Но в наши дни только ASIC (Прикладная интегральная схема) подходит для целей майнинга.

Для каждой модели устройства мы собираем эффективность. Выраженную в Mhash/J. И долларовую цену в день выпуска.

Технические данные были собраны со страниц Википедии https://en.Bitcoin.it/wiki/Mining__hardware__comparison и https://en.Bitcoin.it/wiki/Non-specialized__hardware__comparison используя кроме того онлайн архив https://archive.org/web/, который позволяет восстанавливать различные веб-страницы на дату их изменения. Позволяя сравнивать их до и после обзоров.

Поскольку только ASIC — устройства были созданы со спецификациями для целей майнинга. Существует однородность среди ПЛИС и особенно среди оборудования GPU. В связи с этим и учитывая сложность восстановления отпускных цен. Мы делаем некоторые упрощенные предположения о них на основе информации. Доступной в интернете. Это означает. Что при одинаковой вычислительной мощности мы предполагаем однородность цен среди устройств. Когда они не были доступны для конкретных моделей.

Учитывая выборку аппаратного обеспечения. Мы строим матрицу распределения весов (таблица А. 3 в дополнительном материале), которая представляет эволюцию устройств. Используемых в течение каждого семестра выбранного временного окна. Которые заменяются после увеличения скорости замещения с течением времени. На самом деле до 2012 года, до того как FPGA пустила корни, она равнялась 0,05; до 2016 года мы устанавливали ее равной 0,1, а в последние 2 года анализа она равнялась 0,15.

Все вычисления производятся на основе этой матрицы; на самом деле. То умножив его на определенный столбец оборудования образец таблицы для получения полугодовой эффективности (таблица А. 4 в дополнительный материал) (Дж/хэш). Взвешенные устройств ценам ($) (таблица А. 5 в дополнительном материале), Взвешенные и продолжительности жизни (таблица А. 6 в дополнительном материале). Что касается этой последней матрицы. То мы сделали дополнительные предположения о продолжительности жизни устройства. Реализовав Abbatemarco et al. (2018) допущения. Таким образом, мы установили срок службы, равный 2880 дням для GPU, 1010 дням для FPGA и 540 дням для ASIC. Но после 2017 года. Из-за предполагаемой фазы роста рынка. Мы сократили эти цифры вдвое (табл. 2).

Чтобы оценить стоимость энергии. Мы следуем предположениям. Предложенным цитируемыми исследователями. И делим мир на две части относительно Европы: восточную и Западную. Каждая из которых имеет фиксированную цену электроэнергии. Равную 0,04 и 0,175 доллара/кВтч соответственно. Эволюция Весов майнинг-пула установлена в 2010 году равной 0,7 для западной части и 0,3 для восточной части и постепенно меняется до достижения в 2018 году 0,2 для Западной и 0,8 для Восточной. Мы получили двухлетнюю стоимость эволюции энергии. Измеренную в $/кВтч. Умножив двухлетние веса на затраты на электроэнергию и суммировав значение для Запада и Востока (таблица А. 7 в дополнительном материале).

На данный момент. Чтобы сгладить значения через интервал времени. Берем различия между biannualMAN$, biannualEFFДж/хэш, и biannualCE$/кВт * ч в момент времени т и Т – 1 и разделить эти значения на количество дней в каждом семестре. Получение DeltaMAN, DeltaEFF, и DeltaCE (таблица А. 8 в дополнительном материале). Начиная первый день анализа с первого значения двухлетних матриц. Мы вычисляем конечные переменные следующим образом:

MAN$(t)= MAN$ (t1)+DeltaMAN    (13)

EFFJhash(t)= EFFJ/hash (t1)+DeltaEFF    (14)

CE$kWh(t)= CE$kWh(t1)+DeltaCE    (15)

Основные Результаты

Применяя уравнения (8). (11) и (12). Получаем модельную цену и сравниваем ее эволюцию с исторической (Рис. 1).

www.frontiersin.org

Рисунок 1. Историческая рыночная цена против подразумеваемой цены модели (июль 2010–декабрь 2018). Источник: авторская разработка.

Эволюция модели (или подразумеваемой) цены показывает всплеск во втором полугодии 2016 года, вероятно, потому. Что 10 июля 2016 года вознаграждение за блок сократилось вдвое с 25 до 12,5, что привело к снижению прибыли и последующему росту цен.

Несмотря на этот эпизод. Историческая цена, похоже. Колеблется вокруг подразумеваемой до начала 2017 года, периода. В котором цена биткойна начала расти экспоненциально. Достигнув своего пика со значением. Равным $19 270 19 декабря 2017 года. В течение 2018 года он снизился. Снова приблизившись к цене модели.

Еще одно расхождение было обнаружено в конце 2013 года. Но оно было меньшего размера и быстро разрешилось.

Учитывая исторические и подразумеваемые ценовые ряды. Мы делаем еще один шаг по сравнению с тем. Что сделали Hayes (2019) и Abbatemarco et al. (2018), включив в анализ временные рамки даже в фазе дивергенции. Поэтому мы рассматриваем период с 9 апреля 2014 года по 31 декабря 2018 года. Мы выбираем это временное окно также для того. Чтобы основывать анализ на твердых данных. Из-за сложности получения достоверной информации об аппаратных средствах. Используемых в процессе майнинга. Мы делаем некоторые упрощенные предположения об их особенностях. Выбирая это временное окно. Мы включаем образец оборудования. Данные которого являются более точными.

Тесты Единичного Корня

Сначала мы попытаемся определить с помощью различных тестов единичного корня. Является ли временной ряд стационарным или нет. Наличие единичного корня указывает на то. Что процесс характеризуется зависящей от времени дисперсией и нарушает условие слабой стационарности. Мы проверяем наличие единичного корня с помощью трех процедур: расширенного теста Дики–Фуллера (Dickey and Fuller, 1979), теста Филлипса–перрона (Phillips and Perron, 1988) и теста Зивота–Эндрюса (Zivot and Andrews, 1992).

Учитывая временной ряд {yt}, как дополненный тест Дики–Фуллера (Dickey and Fuller, 1979), так и тест Филлипса–перрона основаны на общей регрессии (уравнение 16):

Δyt=α+βt+θyt1+δ1Δyt1++δp1Δytp+1+εt    (16)

Где Δyt указывает на изменения во временных рядах. Α-константа, t — временной тренд, p — порядок авторегрессионного процесса. А ε-член ошибки (Boffelli and Urga, 2016).

Для обоих тестов нулевая гипотеза состоит в том. Что временной ряд содержит единичный корень; таким образом. Он не является стационарным (H0:θ = 0). В то время как альтернативная гипотеза утверждает стационарность (H0

Рассматривая только дополненный тест Дикки–Фуллера. Его основная идея заключается в том. Что если ряд {yt} стационарен. То {Δyt} может быть объяснен только информацией. Включенной в его запаздывающие значения (Δyt-1… Δytp+1), а не из тех. Что находятся в yt-1.

Для каждой переменной мы проводим этот тест сначала с постоянным членом. А затем включаем также тренд.

В таблице 3 представлены основные результаты теста.

www.frontiersin.org

Таблица 3. Дополненный тест Дики–Фуллера.

Тест Филлипса–перрона указывает на то. Что процесс. Порождающий yt, может иметь более высокий порядок автокорреляции, чем тот. Который допускается в тестовом уравнении. Этот тест исправляет проблему. И он является надежным в случае неопределенной автокорреляции или гетероскедастичности в члене возмущения уравнения. Результаты испытаний приведены в таблице 4.

www.frontiersin.org

Таблица 4. Тест Филлипса–перрона.

Основное различие между этими тестами состоит в том. Что последний применяет стандартные ошибки Ньюи–Уэста для рассмотрения последовательной корреляции. В то время как расширенный тест Дикки–Фуллера вводит дополнительные лаги первой разницы.

Поскольку предыдущие тесты не допускают возможности структурного разрыва в серии, Zivot и Andrews (1992) предлагают исследовать наличие единичного корня. Включая вероятность неизвестной даты точки разрыва в серии. Они разрабатывают три модели для проверки наличия единичного корня с учетом одноразового структурного разрыва:

а) допускает однократное изменение перехвата ряда:

Δyt=α+βt+θyt1+γDUt+δ1Δyt1+          +δp1ytp+1+εt    (17)

б) допускает однократное изменение наклона трендовой функции:

Δyt=α+βt+θyt1+ϑDTt+δ1Δyt1+           +δp1Δytp+1+εt    (18)

в) сочетает в себе предыдущие модели:

Δyt=α+βt+θyt1+γDUt+ϑDTt+δ1Δyt1+          +δp1Δytp+1+εt    (19)

Где DUt — фиктивная переменная. Относящаяся к среднему сдвигу на заданную дату прорыва, а DTt — переменная сдвига тренда.

Нулевую гипотезу. Которая одинакова для всех трех моделей. Указывается. Что ряд содержит единичный корень (с H0:θ = 0). Тогда как альтернативная гипотеза утверждает. Что серия представляет собой стационарный процесс с одним перерыве возникает в неизвестный момент времени (с H0

Результаты в таблице 5, подтверждают то. Что другие тесты прогнозирования: обе серии объединены порядка 1. Поскольку этот последний тест определяет для ΔlnPrice наличие структурного сдвига на 18 декабря 2017 года и после этой даты цена биткойна достигнет своего высшего значения начинают снижаться позднее. То добавьте к анализу фиктивной переменной. Связанной с этим наблюдением, для того. Чтобы учесть перелом линейного тренда в серии.

www.frontiersin.org

Таблица 5. Тест зивота–Эндрюса.

Определение количества лагов

Предпочтительной длиной лага является та. Которая генерирует наименьшее значение рассматриваемой информационной статистики. Мы следуем интуиции Люткеполя о том. Что “SBIC и HQIC дают последовательные оценки истинного порядка запаздывания. В то время как FPE и AIC переоценивают порядок запаздывания с положительной вероятностью” (Becketti, 2013). Поэтому для нашего анализа мы выбираем 1 ЛАГ (табл. 6).

www.frontiersin.org

Таблица 6. Правильное количество лагов.

Определение количества Коинтегрирующих отношений

Коинтегрирующее отношение-это отношение. Которое описывает долгосрочную связь между уровнями ряда нестационарных переменных. Учитывая K нестационарных переменных. Они могут иметь не более K-1 коинтеграционных отношений. Поскольку у нас есть только две нестационарные переменные (lnPrice и lnModelPrice), мы могли бы получить. Самое большее. Только одно коинтеграционное отношение.

Если ряды показывают коинтеграцию. То модель VAR уже не является наиболее подходящей для анализа. Но лучше реализовать векторную модель коррекции ошибок (VECM). Которую можно записать в виде (20):

Δyt=μ+δt+αβut1+i=1p1ΓiΔyti+εt    (20)

Где детерминированные компоненты μ + δt-это. Соответственно. Линейный и квадратичный тренд в yt, который можно разделить на собственные тренды в yt и тренды коинтеграционного отношения. Это зависит от того. Что в уравнении первой разности: постоянный член является линейным трендом на уровне переменных (yt = κ + λt → Δyt = λ). В то время как линейный тренд вытекает из квадратичного в регрессии по уровням (

yt=κ+λt+ωt2

→ Δyt = λ+2ωt − ω). Следовательно. Μ≡αν + γ и δt = αpt+ τt.

Подставляя в предыдущее выражение. VECM можно выразить в виде уравнения (21):

Δyt=α(βyt1+ν+ρt)+i=1p1ΓiΔyti+γ+τt+εt    (21)

Где первая часть

α(βut1+ν+ρt)

представляет собой коинтеграционные уравнения. В то время как второе

i=1p1ΓiΔyti+γ+τt+εt

относится к переменным в уровнях.

Это представление позволяет указать пять случаев. Которые тестирует Stata:

1) неограниченный тренд: допускает квадратичный тренд на уровне ytt появляется в уравнении) и утверждает. Что коинтеграционные уравнения являются стационарными по тренду. Что означает. Что они стационарны вокруг временных трендов.

2) ограниченный тренд (τ = 0): исключает квадратичные тренды. Но включает линейные тренды (ρt). Как и в предыдущем случае. Это позволяет уравнениям коинтеграции быть стационарными по тренду.

3) неограниченная константа (τ = 0, ρ = 0): позволяет линейным трендам в yt представить линейный тренд (γ). Но коинтеграционные уравнения стационарны вокруг постоянного среднего (ν).

4) ограниченная константа (τ = 0, ρ = 0, γ = 0): исключает любые тенденции в уровнях данных. Но коинтеграционные отношения стационарны вокруг постоянного среднего (ν).

5) отсутствие тренда (τ = 0, ρ = 0, γ = 0, ν = 0): не учитывает ненулевых средних или трендов.

Исходя из этих различных характеристик. Тест Йохансена может обнаружить наличие коинтеграционной связи в анализе. Нулевая гипотеза снова утверждает. Что нет никаких коинтегрирующих отношений против Альтернативы. Что ноль не является истинным. H0 отклоняется. Если статистика трассировки превышает критическое значение 5%.

Мы запускаем тест с каждой спецификацией случая. И результаты согласуются с обнаружением нулевых коинтеграционных уравнений (максимальный ранг равен нулю). Только неограниченный тренд не показывает никакого вывода из теста. Ноольку другие результаты совпадают. Мы считаем rank = 0 правильным решением. Это означает. Что два временных ряда могут быть вписаны в модель VAR.

Модель VAR

Модель VAR позволяет исследовать взаимодействие нескольких эндогенных временных рядов. Взаимно влияющих друг на друга. Мы не только хотим определить. Может ли цена биткойна быть определена той. Которая предлагается моделью себестоимости производства; мы также хотим проверить. Влияет ли цена на цену модели. Это последнее соотношение может иметь место. Если, например. Рост цен приводит к более высокой стоимости оборудования для майнинга. На самом деле повышение цены представляет собой также более высокую награду. Если процесс майнинга будет успешно проведен. С риском подтолкнуть цену оборудования к вершине, что. В свою очередь. Может повысить цену модели.

Чтобы объяснить. Как строится модель VAR. Мы представляем простую одномерную модель AR(p), игнорирующую любые возможные экзогенные переменные. Которые можно записать в виде (22):

yt=μ+ϕ1yt1++ϕpytp+εt    (22)

Или, в сжатой форме (23):

ϕ(L)yt=μ+εt    (23)

где yt зависит от его p предшествующих значений. Константы (μ) и случайного возмущения (εt).

Вектор n совместно эндогенных переменных выражается в виде (24):

yt=[y1,ty2,tyn,t]    (24)

Этот n-элементный вектор может быть перестроен как функция (уравнение 25) от n констант, p предшествующих значений Ytи вектора n случайных возмущений, ϵt:

yt=μ+ϕ1yt1++ϕpytp+ϵt    (25)

Где μ-вектор (уравнение 26) n-констант:

μ=[μ1μ2μp]    (26)

матрица коэффициентов Φi представляет собой уравнение (27):

Φ1=[ϕi,11ϕi,12ϕi,1nϕi,21ϕi,22ϕi,2nϕi,n1ϕi,n2ϕi,nn]    (27)

и ϵt состоит в уравнении (28):

ϵt=[ε1ε2εp]    (28)

С t = 0 и

Eϵtϵs={Σ,  t=s0, ts

элементы ϵt могут быть одновременно соотнесены.

Учитывая эти характеристики, VAR p-го порядка может быть представлен в виде уравнения (29):

Φ(L)ut=μ+ϵt    (29)

Чтобы прояснить это выражение, i-й эндогенный временной ряд может быть извлечен из этих базовых VAR и представлен в виде (30):

yi,t=μi+ϕ1,i1y1,t1++ϕ1,inyn,t1       +ϕ2,i1y1,t2++ϕ2,inyn,t2+       +ϕp,i1y1,tp+++ϕp,inyn,tp+εi,t     (30)

Результат работы модели VAR с учетом фиктивной переменной представлен в таблице 7:

www.frontiersin.org

Таблица 7. Регрессии векторной модели авторегрессии.

Как и ожидалось. Манекен значим в функции dlnPrice. Но не в dlnModelPrice.

Глядя на значимость параметров. Мы можем видеть. Как dlnPrice зависит от его запаздывающего значения. От фиктивного и от постоянного члена, но это. По-видимому. Не связано с запаздывающим значением dlnModelPrice. Регрессия dlnModelPrice, по-видимому. Не объясняется какой-либо переменной. Рассматриваемой в модели. Затем мы проверяем стационарность модели. Полученные результаты подтверждают стабильность модели и отсутствие остаточной автокорреляции (таблица А. 9 в дополнительном материале).

Коррекция Гетероскедастичности

Учитывая путь ряда и суточную частоту данных, переменные. Включенные в модель, вероятно. Являются гетероскедастическими. Эта особенность не ставит под угрозу объективность или согласованность коэффициентов OLS. Но делает недействительными обычные стандартные ошибки. При анализе временных рядов гетероскедастичностью обычно пренебрегают. Так как автокорреляция членов ошибки рассматривается как основная проблема из-за ее способности сделать анализ недействительным.

Поскольку невозможно проверить и исправить гетероскедастичность при выполнении модели VAR. Мы запускаем каждую регрессию VAR отдельно и проверяем наличие гетероскедастичности. Выполняя тест Бреуша-Пагана. Нулевая гипотеза которого утверждает. Что дисперсии ошибок все равны (гомоскедастичность) против альтернативной гипотезы. Что дисперсии ошибок изменяются во времени (гетероскедастичность).

H0: σ12=σ22==σ2     (31)

Нулевая гипотеза отвергается. Если значение вероятности статистики хи-квадрат (Prob

Мы пытаемся исправить эту проблему. Используя гетероскедастичность-устойчивые стандартные ошибки. Результаты представлены в таблице 8.

www.frontiersin.org

Таблица 8. Регрессии с надежными стандартными ошибками.

Эти новые надежные стандартные ошибки отличаются от стандартных ошибок. Оцененных с помощью модели VAR. В то время как коэффициенты остаются неизменными. Первая разница lnPrice зависит даже в этом случае от его запаздывания. Ноличие от VAR. Теперь первая разница lnModelPrice не является независимым от своих предыдущих значений. Эта новая спецификация подтверждает предыдущий вывод о том. Что каждая переменная не зависит от запаздывающего значения другой. Поэтому представляется. Что в рассматриваемом временном окне историческая цена биткойна не связана с ценой. Полученной по формулировке Хейса. И наоборот.

Вспоминая Рисунок 1, кажется. Что историческая цена колебалась вокруг модельной (или подразумеваемой) цены до 2017 года. Когда цена биткойна значительно выросла. В течение последних месяцев 2018 года цены, похоже. Снова сходятся. Следуя по общему пути. В нашем анализе мы фокусируемся на временном окне. В котором биткойн испытывал свою более высокую ценовую волатильность (рис. А. 1 в дополнительном материале) и результаты предполагают. Что он отключен от предсказанного моделью. Эти выводы могут зависеть от особенностей новых криптовалют. Которые еще полностью не изучены.

Предыдущие анализы, проведенные в разные периоды времени Hayes (2019) и Abbatemarco et al. (2018), утверждают. Что цена биткойна может быть оправдана затратами и доходами его блокчейн-сети. Что приводит к противоположному результату от нашего. Мы предполагаем. Что разница может быть основана на анализируемом временном окне. Поскольку мы делаем еще один шаг. Оценивая также месяцы. В течение которых цена Биткойна была поднята на вершину и не следовала стабильному пути. Мы считаем, что существует недостаточно знаний о криптовалютах. Чтобы утверждать. Что цена биткойна основана (или не основана) на прибыли и затратах. Полученных в процессе майнинга. Но эти внутренние характеристики должны быть рассмотрены и проверены также в дальнейшем анализе. Который включает другие возможные факторы цены биткойна. Предложенные в литературе.

Выводы

Основные выводы представленного анализа показывают. Как в рассматриваемом временном интервале исторические цены биткоина не связаны с ценой. Полученной из модели. И наоборот.

Этот результат отличается от результата . Полученного Hayes (2019) и Abbatemarco et al. (2018), которые пришли к выводу. Что цена биткойна может быть объяснена моделью себестоимости производства.

Причиной этих противоположных результатов может быть рассматриваемое временное окно. Фактически, наш анализ включает также те месяцы. Когда цена биткойна резко растет. Достигая пика в $19 270 19 декабря 2017 года. Не следуя сезонному пути (рис. А. 1 в дополнительном материалеЭто оказывает существенное влияние на результаты даже в том случае. Если историческая цена начала снижаться в 2018 году. Снова сходясь к модельной. Глядя на общие временные рамки, кажется. Что увеличение значения исторической цены с начала 2017 года до конца 2018 года является уникальным эпизодом. Который потребовал нескольких месяцев. Чтобы вернуться к более стандартному поведению (Caporale et al., 2019).

Теперь кажется возможным утверждать. Что биткойн нельзя рассматривать как виртуальный товар. А лучше не только. По данным Abbatemarco и соавт. (2018), реализованный подход не исключает возможности пузырь развития и. Учитывая фактические сроки. Это является причиной. Почему это было бы более точно объяснить. Биткоин цена не только с одним из предполагаемых моделью. Но и с другими независимыми переменными. Что в литературе, похоже. Идентифицируют себя как значимого. Поэтому, чтобы избежать вводящих в заблуждение результатов. Внутренние характеристики биткойна должны быть рассмотрены и проверены путем добавления к функциям прибыли и затрат также этих предлагаемых параметров. Которые варьируются от технических аспектов и интернет-компонентов до финансовых индексов. Цен на сырьевые товары и обменного курса. Это может открыть новые горизонты для исследований, которые. Несмотря на традиционные факторы. Должны учитывать также новые факторы. Такие как тенденции Google. Запросы Википедии и твиты. Эти элементы связаны с интернет-компонентом и. По-видимому. Особенно актуальны. Учитывая социальную и цифровую природу биткойна.

Интуиция кристофека (2013), который рассматривает биткойн как уникальный актив. Обладающий свойствами как спекулятивного финансового актива. Так и стандартного. Ценовые драйверы которого будут меняться с течением времени. Учитывая его динамическую природу и волатильность. Кажется подтвержденной.

Объяснительная сила спецификации VAR. Которую мы внедрили для проверки динамики фундаментальных и рыночных цен. Может быть довольно низкой. Что объясняется отсутствующими факторами и волатильностью. Дальнейшие исследования могли бы включать в себя дополнительные тесты по спецификации VAR. А также другие элементы управления/факторы. Чтобы проверить. Является ли, например. VIX еще одним и важным объясняющим фактором. Более сложные анализы должны также исследовать скрытые факторы и/или изменяющиеся во времени связи со стохастическими и скачкообразными компонентами.

Хотя есть выделенные элементы неопределенности, Биткойн, несомненно. Представил рынку новый способ мышления о денежных переводах и обменах. Технология распределенной бухгалтерской книги может стать прорывной инновацией для финансового сектора. Поскольку она может облегчить коммуникацию без необходимости в центральном органе. Более того, распространение частных криптовалют. Которые вступают в конкуренцию с государственными формами денег. Может повлиять на денежно-кредитную политику и финансовую стабильность. Проводимую официальными институтами. По этим причинам центральные банки во всем мире стремятся понять. Возможно ли внедрить эту технологию в свои повседневные операции с целью включения ее в финансовую систему и контроля за ее внедрением. Повышения ее преимуществ и снижения рисков (Gouveia et al., 2017; Bank for International Settlements, 2018).

Заявление О Доступности Данных

Все наборы данных. Сгенерированные для этого исследования. Включены в статью/дополнительный материал.

Авторские Вклады

ФЗ: введение. Обзор литературы, выводы. ЦБ: материалы и методы. Основные результаты и выводы.

Конфликт интересов

Авторы заявляют. Что исследование проводилось в отсутствие каких-либо коммерческих или финансовых отношений. Которые могли бы быть истолкованы как потенциальный конфликт интересов.

Подтверждения

Мы признаем полезные замечания и предложения двух анонимных рецензентов. Которые помогли существенно улучшить статью. Мы также благодарны Алессии Росси. Которая помогла нам в сборе и обработке данных.

Дополнительный Материал

Дополнительные материалы к этой статье можно найти в интернете по адресу: https://www.frontiersin.org/articles/10.3389/frai.2020.00021/full#supplementary-material

Примечания

Рекомендации

Банк международных расчетов (2018). Цифровые валюты центрального банка. Комитет по платежам и рыночной инфраструктуре. Комитет По Рынкам.

Google Scholar

Беккет, С. (2013). Введение в временные ряды с использованием Stata. Колледж-Стейшн, Техас: Stata Press.

Google Scholar

Boffelli, S., and Urga, G. (2016). Финансовая Эконометрика С Использованием Stata. Колледж-Стейшн, Техас: Stata Press, 17-30.

Google Scholar

Капорале Г. М.. Пластун А. и Олийнык В. (2019). Колебания биткойна и частота чрезмерных ценовых реакций, Financ. Марк. Портф. Манаг. 33, 109-131. doi: 10.1007/s11408-019-00332-5

CrossRef Full Text | Google Scholar

Chevallier, J., Goutte, S., Guesmi, K., and Saadi, S. (2019). Исследование динамики цены биткойна, Хэл. Доступно в интернете по адресу: https://halshs.archives-ouvertes.fr/halshs-02175669 (дата обращения 20 февраля 2020 года).

Google Scholar

Chishti, S., and Barberis, J. (2016). The FinTech Book: The Financial Technology Handbook for Investors. Entrepreneurs and Visionaries. Чичестер: Уайли.

Google Scholar

Ciaian, P., Rajcaniova. M., and Kancs. D. A. (2016). Экономика ценообразования биткойна, Аппл. Econ. 48, 1799-1815. doi: 10.1080/00036846.2015.1109038

CrossRef Full Text | Google Scholar

de Vries, A. (2016). Растущая энергетическая проблема биткойна, Joule 2, 801-809. doi: 10.1016/j.joule.2018.04.016

CrossRef Full Text | Google Scholar

Dickey, D. A., and Fuller. W. A. (1979). Распределение оценок для авторегрессионных временных рядов с единичным корнем, J. Am. Stat. Доц. 74, 427-431.

Google Scholar

Engle, R. F.. And Granger. C. W. (1987). Коинтеграция и исправление ошибок: представление. Оценка и тестирование, Econometrica 55, 251-276.

Google Scholar

Совет по финансовой стабильности (ФСБ) (2017). Влияние финтеха на финансовую стабильность. Вопросы надзора и регулирования. Заслуживающие вниманияорганов власти . Доступно в интернете по адресу: http://www.fsb.org/wp-content/uploads/R270617.pdf (дата обращения 20 февраля 2020 года).

Google Scholar

Garcia, D., Tassone, C. J., Mavrodiev, P., and Perony, N. (2014). Цифровые следы пузырей: циклы обратной связи между социально-экономическими сигналами в биткойн-экономике. Дж.Р. Сок. Интерфейс 11, 1-9. doi: 10.1098/rsif.2014.0623

PubMed Abstract | CrossRef Full Text | Google Scholar

Джудичи п. и Абу-гашиш И. (2019). Что определяет биржевые цены биткоина? Сетевой подход var. Financ. Res. Lett. 28, 309-318. doi: 10.1016/j.frl.2018.05.013

CrossRef Full Text | Google Scholar

Gouveia, O. C., Dos Santos, E., de Lis, S. F., Neut, A. и Sebastián, J. (2017). Цифровые валюты Центрального банка: оценка возможностей и последствий внедрения. Рабочий документ BBVA, № 17/04.

Google Scholar

Hayes, A. (2015). Модель себестоимости производства биткоина. Факультет экономики. Новая школа социальных исследований. Рабочий документ № 5.

Google Scholar

Hayes, A. (2017). Формирование стоимости криптовалюты: эмпирический анализ. Ведущий к модели себестоимости производства для оценки биткойна, Телемат. Inform. 34, 1308-1321. doi: 10.1016/j.tele.2016.05.005

CrossRef Full Text | Google Scholar

Hayes, A. (2019). Цена биткойна и его предельные издержки производства: поддержка фундаментальной ценности, Appl. Экон. Lett. 26, 554–560. doi: 10.1080/13504851.2018.1488040

CrossRef Full Text | Google Scholar

Hileman, G., and Rauchs, M. (2017). Глобальное Исследование Бенчмаркинга Криптовалют. Кембриджский центр альтернативных финансов. Кембриджский университет. Школа бизнеса Джаджа.

Google Scholar

Katsiampa, P. (2017). Оценка волатильности биткоина: сравнение моделей GARCH, Econ. Lett. 158, 3-6. doi: 10.1016/j.econlet.2017.06.023

CrossRef Full Text | Google Scholar

Kjærland, F., Khazal, A., Krogstad, E. A., Nordstrøm, F. G. B., and Oust, A. (2018). Анализ ценовой динамики биткоина. Дж. Рисковое Финансовое Управление. 11:63. doi: 10.3390/jrfm11040063

CrossRef Full Text | Google Scholar

Кристофек, Л. (2013). Биткойн встречается с Google Trends и Wikipedia: количественная оценка взаимосвязи между явлениями эпохи Интернета. Sci. Rep. 3:3415. doi: 10.1038/srep03415

PubMed Abstract | CrossRef Full Text | Google Scholar

Кристофек, Л. (2015). Каковы основные движущие силы цены биткоина? данные вейвлет-когерентного анализа. PLoS ONE 10:e0123923. doi: 10.1371/journal.pone.0123923

PubMed Abstract | CrossRef Full Text | Google Scholar

Lütkepohl, H., and Krätzig, M. (2004). Прикладная Эконометрика Временных Рядов . Издательство Кембриджского Университета.

Google Scholar

Matta, M., Marchesi, M., and Lunesu. M. I. (2015). “ прогнозирование распространения биткойна с использованием социальных и веб-поисковых медиа”, в материалах конференции по методам глубокой контент-аналитики для персонализированных и интеллектуальных сервисов. (Дублин).

Google Scholar

Накамото, С. (2008). Биткойн: Одноранговая электронная кассовая система. Доступно в интернете по адресу: https://Bitcoin.org/Bitcoin.pdf (дата обращения 20 февраля 2020 года).

Google Scholar

ОЭСР (2018). Финансовые рынки. Страхование и пенсии. Цифровизация и финансы.

Google Scholar

Phillips, P. C. B., and Perron, P. (1988). Тестирование единичного корня в регрессии временных рядов. Biometrika 75, 335-346. doi: 10.1093/biomet/75.2.335

CrossRef Full Text | Google Scholar

Schena, C., Tanda, A., Arlotta, C., and Potenza, G. (2018). Lo sviluppo del FinTech. CONSOB. Quaderni Fintech.

Google Scholar

Солтани, М.. Кашкооли, Ф. М.. Дехгани-Санидж, А. Р.. Каземия, А. Р.. Бордбар, Н., Фарщи. М. Дж. и др. (2019). Комплексное исследование геотермальных систем отопления и охлаждения. Выдержите. Города Soc. 44, 793-818. doi: 10.1016/j.scs.2018.09.036

CrossRef Full Text | Google Scholar

Вахид, М., Алам, Т. и Гаури. С. П. (2006). Структурные разрывы и единичный корень: данные из пакистанских макроэкономических временных рядов. Доступно в интернете по адресу: https://ssrn.com/abstract=963958 (дата обращения 20 февраля 2020 года).

Google Scholar

Zivot, E., and Andrews, D. (1992). Еще одно свидетельство Великого Краха-шок цен на нефть и гипотеза единичного корня. Джей Бус. Экон. Stat. 10, 251–270. doi: 10.1080/07350015.1992.10509904

CrossRef Full Text | Google Scholar