بررسی نقدشوندگی و کارایی اطلاعاتی در بازار ارزهای رمزپایه

محورهای موضوعی : دانش سرمایه‌گذاری

محمد صالحی فر ¹

1 - دانشجوی دکتری مدیریت مالی، دانشکده مدیریت و اقتصاد، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران.

تاریخ دریافت : 1397/09/20 تاریخ پذیرش : 1397/12/11 تاریخ انتشار : 1400/07/01

کلید واژه: پیش بینی پذیری بازده, نقدشوندگی, کارایی اطلاعاتی, رمزارز,

چکیده مقاله :

در این مقاله به بررسی رفتار بازده، نقدشوندگی و کارایی اطلاعاتی در بازار ارزهای رمزپایه پرداخته ایم. رمزارزها یکی از انواع ارزهای مجازی هستند که درطراحی آنها از فناوری رمزنگاری استفاده شده و معمولاً به صورت غیرمتمرکز اداره می‌شوند. نمونه پژوهش شامل 13رمزارز میباشد که طی 3سال مورد دادوستد قرار گرفته اند. بااستفاده از آزمون ریشه واحد دیکی-فولر، آزمونهای پارامتریک خودهمبستگی الجانگ،باکس وبارتلت،آزمون خودهمبستگی و خودهمبستگی جزئی فاما-فرنچ، آزمون ناپارامتریک ران وهِرست به بررسی نامانایی و میزان استقلال مشاهدات در سری زمانی بازده رمزارزها، حافظه بلندمدت و پدیده مومنتوم در بازار معاملات رمزارزها پرداخته ایم. یافته های پژوهش نشان میدهند که در بازارهای دارای درجات نقدشوندگی بالا، بازدهی رمزارزها رفتاری غیرقابل پیش‌بینی داشته و نقدشوندگی در بازار رمزارزها ارتباط مستقیمی با کارایی اطلاعاتی دارد.درمجموع میتوان گفت هرچه بازارهای معاملاتی رمزارزها ازنقدشوندگی بالاتری برخوردارباشند، سری زمانی بازده رمزارزها به سمت تصادفی بودن حرکت کرده،پیش بینی پذیری بازده دراین بازارها کاهش یافته وفرضیه کارایی بازار تقویت میگردد.

چکیده انگلیسی:

In this paper, we evaluate the behavior of return, liquidity, and information efficiency in cryptocurrencis market. Cryptocurrencis are a kind of virtual currencies which cryptography technology is a basic element in their designing. They are often managed in an undistributed manner. The sample consists of 13 cryptocurrencies which were traded during 3 years (11/1/2015 until 11/1/2018) consistently. We apply Dickey-Fuller test, Ljung-Box autocorrelation parametric test, Fama-French autocorrelation test, Run and Hurst non-parametric tests to explore momentum and long-run memory in cryptocurrencis market. Findings show that cryptocurrencis return has an unpredictable behavior in markets which are more liquid. Indeed, liquidity has a direct relationship with information efficiency in cryptocurrencis market. Totally, the more liquid cryptocurrencis markets are, the less return predictability will be happened and cryptocurrencis return time series will move to a random walk. Therefore, the efficient market hypothesis will be improved.

منابع و مأخذ:

• جلایی، سیدعبدالمجید؛ میر، هدیه؛ رحیمی پور، اکبر، بررسی تاثیر عبور نرخ ارز بر بازدهی سهام در بورس اوراق بهادار تهران، 1395، فصلنامـه علمی-پژوهشی دانش سرمایه­گـذاری، 5 (19)، 191-212.


• خوشبخت، سعید و عباسی، حجت، پیشنهاد مدل رگولاتوری رمزارز درکشور باتوجه به رویکردهای رگولاتوری جهانی، ۱۳۹۶، هفتمین همایش ملی بانکداری الکترونیک ونظام­های پرداخت، تهران، پژوهشکده پولی و بانکی.


• سلیمانی­پور، محمد مهدی؛ سلطانی‌نژاد، حامد؛ پورمطهر، مهدی، بررسی فقهی پول مجازی، ۱۳۹6، دوفصلنامه علمی-پژوهشی تحقیقات مالی اسلامی، 6(2), 167-192.


• صیادمعروف، محمدرسول؛ طوفان­زاده مژدهی، علی؛ رشیدی، حسن، واحد پول دیجیتالی بیت کوین و نقش آن در تجارت الکترونیک، ۱۳۹۴، دومین کنفرانس بین المللی پژوهش در علوم و تکنولوژی، ترکیه.


• مصلح شیرازی، علی نقی؛ موسوی حقیقی، محمد هاشم؛ پشوتنی­زاده، هومن، شبیه‏ سازی الگوی تغییرات نرخ ارز و قیمت طلا بر عملکرد بورس اوراق بهادار تهران با رویکرد پویایی‏ شناسی سیستمی، 1397، فصلنامـه علمی-پژوهشی دانش سرمایه­گـذاری، 7 (25)، 17-38.


• Amihud, Y. (2002) Illiquidity and stock returns: cross-section and time-series effects, Journal of Financial Markets, 5, 31-56


• Amihud, Y. and H. Mendelson (1986) Asset pricing and the bid-ask spread, Journal of Financial Economics, 17, 223-249.


• Ammous, S. (2018) Can cryptocurrencies fulfil the functions of money?, The Quarterly Review of Economics and Finance, https://doi.org/10.1016/j.qref.2018.05.010.


• Baeck, C. and M. Elbeck (2015) Bitcoins as an investment or speculative vehicle? A first look, Applied Economics Letters, 22, 30-34


• Bartels, R. (1982) The rank version of von Neumann’s ratio test for randomness, Journal of American Statistical Association, 77 (377), 40-46.


• Dyhrberg, A.H. (2015) Bitcoin, gold and the dollar – A GARCH volatility analysis, Finance Research Letters, http://dx.doi.org/10.1016/j.frl.2015.10.008.


• Grinberg, R. (2012) Bitcoin: an alternative digital currency, Hastings Science and Technology.


• Ljung, G.M. and G.E.P. Box (1978) On a measure of the lack of fit in time series models, Biometrika, 65(2), 297-303.


• Nakamoto, S. (2008) Bitcoin: A Peer-to-Peer Electronic Cash System, original paper.


• Peterson, T. (2018) Metcalfe’s law as a model for Bitcoin’s value, Economics Letters, 165(2), 70-72.


• Selgin, G. (2015) Synthetic commodity money, Journal of Financial Stability, 17, 92-99.


• Troster, , Tiwari, A.K., Shahbaz,M., and Macedo, D.N. (2018) Bitcoin Returns and Risk: A General GARCH and GAS Analysis, Finance Research Letters (2018), doi: https://doi.org/10.1016/j.frl.2018.09.014


• Urquhart, A. (2016) The inefficiency of Bitcoin, Economics Letters, 148, 80-82.


• Van Vliet, B. (2018) An Alternative Model of Metcalfe’s Law for Valuing Bitcoin, Economics Letters, forthcoming.


• Wei W.C., (2018) Liquidity and market efficiency in cryptocurrencies. Economics Letters, https://doi.org/10.1016/j.econlet.2018.04.003