بررسی وجود حافظه بلندمدت در چهار ارز دیجیتالی عمده

الموضوعات : دانش مالی تحلیل اوراق بهادار

غلامرضا زمردیان ¹ , بابک محبوبی ²

1 - استادیار و عضو هیات علمی گروه مدیریت بازرگانی دانشکده مدیریت دانشگاه آزاد اسلامی واحد تهران مرکزی، تهران، ایران، (نویسنده مسئول)
2 - کارشناس ارشد علوم اقتصادی

تاريخ الإرسال : 17 السبت , ذو الحجة, 1443 تاريخ التأكيد : 17 السبت , ذو الحجة, 1443 تاريخ الإصدار : 21 الأحد , شوال, 1443

الکلمات المفتاحية: ارز دیجیتال, حافظه بلندمدت, میانگین متحرک خودهمبسته با انب, واریانس ناهمسانی شرطی خودهمبست,

ملخص المقالة :

در سال‌های اخیر، فرایندهای با حافظه بلندمدت، نقش مهمی در تجزیه و تحلیل سری های زمانی ایفا نموده‌اند. وجود حافظه بلندمدت در بازده دارایی‌ها، کاربردهای مهمی در بررسی کارایی بازار، منطق رفتاری سرمایه گذاران، قیمت‌گذاری و انتخاب پرتفوی دارایی دارد. در پژوهش حاضر با استفاده از روش R/S، مدل میانگین متحرک خودهمبسته با انباشتگی جزئی (ARFIMA) و مدل های واریانس شرطی خودهمبسته با انباشتگی جزئی (FIGARCH) و واریانس شرطی خودهمبسته هیپربولیک (HYGARCH) به بررسی وجود حافظه بلندمدت در چهار ارز دیجیتال عمده (بیت‌کوین، اتریوم، ریپل و لایت‌کوین) طی دوره ژانویه 2016 لغایت نوامبر 2019 می‌پردازیم. علی رغم اینکه نتایج روش R/S نشان‌دهنده وجود حافظه بلندمدت در هر چهار ارز مورد بررسی می‌باشند، نتایج مدل و ARFIMA مدل‌های خانواده GARCH حاکی از آن است که دو ارز بیت‌کوین و اتریوم دارای حافظه بلندمدت بوده می باشند و لذا می‌توان با قیمت‌های گذشته، قیمت‌های آتی را پیشبینی نمود و این نشان از رد فرضیه بازارهای کارا و تایید وجود انگیزه های سوداگرانه در خصوص این ارزهای دیجیتال می‌باشد؛ در حالی که بر اساس نتایج این مدل ها ارزهای دیجیتال ریپل و لایت کوین فاقد حافظه بلندمدت می‌باشند. این نتایج در بهینه سازی پرتفوی سرمایه گذاری در ارزهای دیجیتال بسیار کاربردی و حائز اهمیت می باشد.

المصادر:

• اسلامی بیدگلی، غلامرضا و راعی، رضا و کمال زاده، سحر. (1392). محاسبه ارزش در معرض خطر قیمت سبد نفتی اوپک با استفاده از مدل های حافظه بلندمدت گارچ، فصلنامه مطالعات اقتصاد انرژی، سال دهم، شماره 39، صص1-19.


• سیدحسینی، سیدمحمد و ابراهیمی، سیدبابک و باباخانی، مسعود. (1393). مدل سرایت تلاطم همبستگی شرطی ثابت با حافظه بلندمدت شواهدی از بازار سهام تهران و دبی، فصلنامه دانش سرمایه‏گذاری، سال سوم، شماره یازدهم، صص 25- 45.


• شعرائی، سعید و ثنائی اعلم، محسن. (1389). بررسی وجود حافظه بلندمدت در بورس اوراق بهادار تهران و ارزیابی مدل‌هایی که حافظه بلندمدت را در نظر می‌گیرند، مجله پژوهش‌های حسابداری مالی، شماره 4، ص 174.


• شهریاری، حمید و شریعتی، نیما و مسلمی، امیر. (1391). ارائه روشی برای پیش بینی پایدار سری های زمانی با کاربرد در مسائل مالی با استفاده از روشRobust ، فصلنامه علمی پژوهشی دانش مالی تحلیل اوراق بهادار، شماره 15، ص 98.


• شیرین بخش، شمس اله و نادری، اسماعیل و گندلی علیخانی، نادیا. (1391). بررسی حافظه بلندمدت و بکارگیری تجزیه موجک جهت بهبود عملکرد پیش بینی نوسانات بازار سهام، فصلنامه دانش مالی تحلیل اوراق بهادار، شماره شانزدهم، صص 89-103.


• علی‌زاده، شیما و صفرزاده، حسین. (1398). بررسی وجود حافظه بلندمدت در شاخص قیمت ارزهای دیجیتال، فصلنامه مهندسی مالی و مدیریت اوراق بهادار، شماره چهلم، صص 169 الی 183.


• فتاحی، شهرام و سحاب خدامرادی، مرتضی و ایوتوند، میثاق. (1396). بررسی رابطه همبستگی شرطی بین بازارهای مالی ایران با تاکید بر حافظه بلندمدت و عدم تقارن، فصلنامه اقتصاد مالی، سال یازدهم، شماره 40. صص 25-51.


• کاشی، منصور و دنیائی، محمد و احمدی، روح اله. (1393). حافظه بلندمدت و سطح انتقال: کاربردی از آزمون GPH تعدیل شده در بورس اوراق بهادار تهران، فصلنامه مهندسی مالی و مدیریت اوراق بهادار، شماره بیست و چهارم، صص 11-24.


• کمیجانی، اکبر و نادری، اسماعیل. (1391). مقایسه قابلیت های مدل های مبتنی بر حافظه بلندمدت و مدل های شبکه عصبی پویا در پیش بینی بازدهی بورس اوراق بهادار تهران، فصلنامه دانش مالی تحلیل اوراق بهادار، شماره پانزدهم، صص 115-130.


• نیکومرام، هاشم و سعیدی، علی و عبرستانی، مرجان. (1390). بررسی حافظه بلندمدت در بورس اوراق بهادار تهران، فصلنامه مهندسی مالی و مدیریت اوراق بهادار، صص 60-47


• Alizadeh, S., Brandt, M. W., Diebold, F. X., (2002), Range-based estimation of stochastic volatility models, The Journal of Finance, 57(3):1047–1091.


• Andrew, Phillip., Chan, Jennifer., Peiris, Shelton. (2018). On long memory effects in the volatility measure of Cryptocurrencies, Finance Research Letters. No 45, PP 47-59.


• Baillie, R. T., Bollerslev, T., & Mikkelsen, H. O. (1996). Fractionally integrated generalized autoregressive conditional heteroskedasticity, Journal of Econometrics , 3-30.


• Bloomberg (2017a). Japan’s BITPoint to Add Bitcoin Payments to Retail Outlets. https://www.bloomberg.com/news/articles/2017-05-29/japan-s-bitpoint-to-add-bitcoin-payments-to-100-000s-of-outlets.


• Bloomberg (2017b). Some Central Banks Are Exploring the Use of Cryptocurrencies. https://www.bloomberg.com/news/articles/2017-06-28/rise-of-digital-coinshas-central-banks-considering-e-versions.


• Bouri, Elie., Georges, Azzi., Anne Haubo, Dyhrberg. (2016). On the Return-volatility Relationship in the Bitcoin Market Around the Price Crash of 2013, Economics Discussion Papers, No 2016-41.


• Caporale, Guglielmo, Maria., Plastun, Oleksiy., Oliinyk, Viktor. (2018). Bitcoin Fluctuations and the Frequency of Price Overreactions, CESifo Working Paper, No. 7280. Available at SSRN: https://ssrn.com/abstract=3338605


• Chu, J., Nadarajah, S., and Chan, S. (2015). Statistical Analysis of the Exchange Rate of Bitcoin, PloS one, 10:1–27.


• (2017). South Korea Officially Legalizes Bitcoin, Huge Market For Traders.https://cointelegraph.com/news/south-korea-officially-legalizes-bitcoin-huge-market -for -traders.


• Conrad, Christian., Custovic, Anessa., Ghysels, Eric. (2018). Long- and Short-Term Cryptocurrency Volatility Components: A GARCH-MIDAS Analysis, Risk Financial Manag, 2018, 11, 23; doi:10.3390/jrfm11020023


• Cheah, E., & et al. (2018). Long memory interdependency and inefficiency in Bitcoin markets, Economics Letters, pp: 18-25.


• Crato, N., Ray, B. (1996). Model selection and forecasting for long-range dependent processes, Journal of Forecasting, 107–125.


• Davidson, James. (2004). Moment and memory properties of linear conditional heteroskedasticity models, and a new model, Journal of Business & Economic Statistics, Vol. 22, No. 1 (Jan., 2004), pp. 16-29.


• (2014). Ethereum Wiki, https://github.com/ethereum/wiki/wiki/White-Paper/.


• Fama, E. (1970). Efficient capital markets: a review of theory and empirical evidence. J. Finance 25, 383–417.


• Hansen, B. E. (1994). Autoregressive Conditional Density Estimation. International Economic Review, 35:705–730.


• Hencic, A., Gourieroux, C. (2014). Noncausal Autoregressive Model in Application to Bitcoin/USD Exchange Rate, Proceedings of the 7th Financial Risks International Forum, page


• Geweke, J., Porter-Hudak, S. (1983). The Estimation and Application of Long Memory Time Series Models, Journal of Time Series Analysis, 4:221–238.


• Granger, C.W.J., Ding. (1996). Varieties of Long Memory Models, Journal of Econometrics, 73: 61-77.


• Gonzalez, Rivera, G., Lee, T.-H., Mishra, S. (2004). Forecasting volatility: A reality check based on option pricing, utility function, value-at-risk, and predictive likelihood. International Journal of forecasting, 20(4):629–645.


• Graves, T., Gramacy, R., Watkins, N., Franzke, CH. (2017). A Brief History of Long Memory: Hurst, Mandelbrot and the Road to ARFIMA, 1951–1980, Entropy.


• Greene, M. & B. Fielitz. (1977). “Long Term Dependence in Common Stock Returns.” Journal of Financial Economics 5(4), pp: 339-349.


• Jiang, Y., Nie, H., Ruan, Weihua. (2018). Time-varying long-term memory, Journal of Finance Research Letters, pp: 280-284.


• Kyriazis, Nikolaos, A. (2019). A Survey on E_ciency and Profitable Trading Opportunities in Cryptocurrency Markets, Risk Financial Manage, No 12, 67, doi:10.3390/jrfm12020067.


• Lo, A.W. (1991). Long-term Memory in Stock Market Prices, Econometrica, 59, 1279–1313.

 

• Man, K. S. (2003). Long memory time series and short term forecasts, International Journal of Forecasting, 477-491.


• Mandelbrot, B. B. (1971). A fast fractional Gaussian noise generator, Water Resources Research, No 7(3), pp: 543-553.


• McNeil, A. J., Frey, R., Embrechts, P. (2015). Quantitative Risk Management: Concepts, Techniques and Tools: Concepts, Techniques and Tools, Princeton university press.


• Mensi, Walid., Al-Yahyaee, K.H., Kang, S.H. (2018). Structural breaks and double long memory of cryptocurrency prices: A comparative analysis from Bitcoin and Ethereum, Finance Research Letters.


• Mencıa, J., Sentana, E. (2004). Estimation and Testing of Dynamic Models with Generalized Hyperbolic Innovations, CEMFI Working Paper, No. 0411.


• Okur, Mustafa., Catikkas, Ozgur., Kaya, Pinar. (2019). Long Memory in the Volatility of Selected Cryptocurrencies: Bitcoin, Ethereum & Ripple, https://www.researchgate.net/publication/330449777


• Olan, T. H. (2002). Long memory in stock returns: some international evidence. Applied Financial Economics, 2002, 725-729.


• Palma, W. (2007). Long-memory Time Series: Theory and Methods, volume 662. John Wiley & Sons.


• Qu, Z. (2011). A test against spurious long memory, Journal of Business & Economic Statistics, NO 29:423–438.


• Sapuric, S., Kokkinaki, A. (2014). Bitcoin is Volatile! Isn’t That Right?, Business Information Systems Workshops, pages 255–265.


• Vilasuso, J. (2002). Forecasting exchange rate volatility. Economics Letters, NO 149, PP: 59-64 .