CC BY
173
Хохлов В.В.,
к.т.н., доцент кафедры «Высшая математика», Севастопольский государственный университет г. Севастополь, Россия E-mail: [email protected] Чайкина Е.В.,
к.э.н., доцент кафедры «Финансы и кредит»,
Севастопольский государственный университет г. Севастополь, Россия E-mail: lena_chaykina@list. ru Посная Е.А.,
к.э.н., доцент кафедры «Финансы и кредит», Севастопольский государственный университет г. Севастополь, Россия E-mail: [email protected]
ЭКОНОМИКО-МАТЕМАТИЧЕСКАЯ МОДЕЛЬ ЗАВИСИМОСТИ КУРСА КРИПТОВАЛЮТЫ ОТ ЭКСПЛОРАТОРНЫХ ФАКТОРОВ
JEL classification: G21, G22
Аннотация
Цель. На основании проведенного исследования разработать экономико-математическую модель, которая отражает зависимость курса криптовалюты от факторов эксплораторного характера; выявить определенную взаимосвязь курса криптовалюты от факторов эксплораторного характера.
Структура/методология/подход. Криптовалюта не является конкретным обязательством. Представляет собой отдельный финансовый актив. Стоимость криптовалюты определяется ожиданиями игроков финансового рынка. Котируется криптовалюта исходя из баланса спроса и предложения, также криптовалюта не привязана к конкретной валюте либо прочему активу, но присутствуют отдельно взятые факторы, влияющие на курс криптовалюты.
Эксплораторный анализ в настоящее время представляет интересное и перспективное направление исследования, экономи-
ческий смысл которого заключается в исследовании влияния внезапно появляющихся факторов на окончательный результат. На фоне развития современных технологий в мире с учетом обесценивания доллара США и ухода инвесторов с фондовых рынков рынок криптовалюты считается одним из самых перспективных и наиболее подверженных влиянию эксплораторных факторов. Курс криптовалюты рассчитывается исходя из ожидания определенного экономического эффекта. В статье рассмотрены основные показатели, влияющие на курс крип-товалюты, на примере биткоина.
Результаты. Итогом исследования является модель экономико-математического плана, которая отражает закономерную зависимость влияния на цену биткоина различных показателей. Основаны расчеты на значениях квартальных итогов, например, уровень спроса и предложения на золото, оценка драгоценных металлов за период с 2014 по 2020 г. включительно.
Практические последствия. Предложенная в исследовании экономико-математическая модель позволяет учитывать степень влияния эксплораторных факторов на сформированный курс криптовалюты.
Оригинальность/значение Разработанная модель позволит наиболее точно прогнозировать курс криптовалюты в современных финансово-экономических условиях, поскольку учитывает эксплораторные факторы.
Ключевые слова: модель, крипторы-нок, криптовалюта, эксплораторные, бит-коин, блокчейн, волатильность, регрессионно-факторная модель.
V. V. Khokhlov, E. V. Chaykina, E.A. Posnaya
MATHEMATICAL AND ECONOMIC
MODEL OF CRYPTOCURRENCY DEPENDENCE ON EXPLORATORY FACTORS
Annotation
Based on the conducted research, develop an economic and mathematical model that reflects the dependence of the cryptocur-rency exchange rate on exploratory factors; to
reveal a certain relationship between the rate of cryptocurrency and factors of an exploratory nature.
Cryptocurrency is not a specific commitment. There is nothing as collateral, that is, it is a separate financial asset. The cost of a cryptocurrency is determined by the expectations of financial market players. Cryptocurrency is quoted based on the balance of supply and demand, and the cryptocurrency is not tied to a specific currency or other asset, but there are separate factors that affect the rate of the cryptocurrency.
Currently, an interesting and promising direction of research is exploratory analysis, the economic meaning of which is to study the influence of suddenly appearing factors on the final result. Against the background of the development of modern technologies in the world, taking into account the depreciation of the US dollar and the departure of investors from the stock markets, the cryptocurrency market is considered one of the most promising and most susceptible to the influence of exploratory factors. The cryptocurrency rate is based on economic expectations, not on the availability of real assets. The article discusses the main indicators affecting the cryptocurrency rate, using the example of bitcoin.
An economic and mathematical model of the dependence of the bitcoin price on a number of the most significant indicators has been built. The calculations take into account quarterly values, such as indicators of supply and demandfor gold, prices for precious metals for the period from 2014 to 2020 inclusive.
The economic and mathematical model proposed in the study makes it possible to take into account the degree of influence of exploratory factors on the formed cryptocurrency rate.
The developed model will make it possible to most accurately predict the cryptocur-rency rate in modern financial and economic conditions, since it takes into account exploratory factors.
Keywords: model, cryptocurrency market, cryptocurrency, exploratory, bitcoin, blockchain, volatility, regression-factor model.
Введение
Многие российские и зарубежные ученые исследовали финансовый рынок в части эффективности, динамики, волатиль-ности. Так, внимание акцентируется на внешних и внутренних факторах в трудах Е.А. Федоровой [1], К.А. Панкратова. Методика эмпирического анализа, применяемая А.С. Меньшиковой, отмечает взаимосвязь между динамикой ВВП и динамикой финансирования на финансовом рынке. Во-латильность рынка исследована Ю.Н. Назаровой [2], А.А. Мацкевичем [3]. Также модели в части систематизации макроэкономических факторов предлагаются в работах Ю.С. Евлаховой. Зарубежные ученые также уделяют внимание моделям финансового рынка, но конкретно на влиянии эксплора-торных факторов авторы акцент не делали. Преимущество применения эксплоратор-ного анализа заключается в выполнении двух функций: первая функция показывает, сколько отдельных факторов измеряется, а вторая - какие факторы измеряют использованные переменные. Но для достоверности анализа необходимо, чтобы данные были абсолютно точными.
На сегодняшний день крипторынок активно развивается. В начале 2017 года из-за быстрого роста капитализации крипто-рынка многие видели в нем признаки финансовой пирамиды, но постепенно мнение стало меняться. «Финансовые институты ввели биткоин-фьючерсы, на крипторынок стали приходить крупные инвесторы, пессимистические прогнозы стали заменяться на более оптимистичные» [4].
Обвал биткоина в марте 2020 года, по мнению аналитиков JP Morgan Chase, стал стресс-тестом для криптовалютного рынка. «Отрасли удалось справиться с ним за считанные месяцы. Сейчас биткоин периодически подвергается коррекции, но у него есть все шансы стать основным конкурентом для фондовых рынков. Многие инвесторы переводят свои сбережения из фондового рынка в валюту. По словам инвестора и основателя Gold Bullion International Дэна Тапейро, доллар ослабнет еще больше, а цифровые активы станут его полноценными конкурентами» [5].
Криптовалютная торговая платформа iTrustCapital провела собственное исследование, чтобы выяснить, в какой актив готовы инвестировать люди разных поколений во время пандемий и эпидемий. «Респонденты в возрасте от 33-х до 44-х лет в два раза чаще остальных называли биткоин и криптовалюты в целом самым защищенным активом. Они склонны инвестировать в современные активы, такие как криптова-люты, акции и облигации, но при этом не исключают золото. Стоит отметить, что 44% опрошенных признались, что считают самым прибыльным инструментом инвестирования золото, которое имеет ценность в любые времена и при любых условиях» [6].
Материалы и методы
Криптовалютой выступает некоторый актив цифрового характера, который невозможно отрегулировать, он применяется как аналог валюты в операциях обмена. Основной характеристикой криптовалюты выступает тот факт, что у нее отсутствует физическая форма, а присутствует она только в цифровом формате в виде баз данных. В настоящее время нет однообразия в подходе к тому, чтобы определить природу виртуальной валюты и их классификации.
Согласно мнению группы ученых, классифицировать криптовалюты можно по выполняемым ими функциям и по уровню ликвидности [7]:
- к первой группе следует отнести те криптовалюты, которые применяются как средство платежа, накопления или сбережения, обмена, как инвестиционный инструмент (Bitcoin, Bitcoin-cash, Ripple и др.) и криптова-люты-токены (STRAT, Waves и др.);
- ко второй группе возможно отнести токены и криптовалюты, которые не получили распространения в качестве средства платежа, накопления (сбережения) и обмена и не применяются как инвестиционный инструментарий (например, TRUMP-COIN др.) [7].
Согласно статистическим данным сервисного агентства Coinmarketcap, наличие реально существующих криптовалют примерно составляет полторы тысячи, а по данным А. Трещева, который является
учредителем Российской ассоциации крип-товалют и блокчейна, их порядка 900.
Привлекательность криптовалют обусловлена следующими факторами:
- эмиссия криптовалюты в платежный оборот представляет децентрализованный процесс, отсутствуют неэмиссионный характер криптоактивов и государственная регистрация;
- присутствует определенный уровень независимости эмиссии от предпочтений политического характера и субъективных суждений. Криптовалюта не является долговыми обязательствами эмитента, не принадлежит центральным банкам, что отличает ее от электронных денег и безналичных расчетов;
- определенное право на владение, присутствие личного ключа на исполнение операций, проведение всех операций с криптовалютой не исполняется контрагентом без ключа, который закрыт владельцем определенного договора; держатель может выбрать самостоятельно, каким образом исполнить процедуру;
- современные методики по оформлению определенного списка информационных блоков, исходя из которых функционируют криптовалюты. Применение методики блокчейн позволяет сделать прозрачным процесс оборота криптовалют, составляющие части которого наблюдаются независимыми субъектами;
- непрерывность функционирования ввиду отсутствия неисправности в функционировании участников;
- использование криптовалюты в качестве средства платежа;
- действующая анонимность платежей (закрытость персональных данных сторон);
- передача цифрового актива происходит без посредников;
- стоимость переводов низкая или перевод осуществляется на бесплатной основе;
- скорость трансакции по сравнению с международной межбанковской системой SWIFT выше;
- относительно криптовалюты не выявляется проблема, которая ограничивает
степень ликвидности при условии отработки всех единиц криптовалюты, поскольку каждая единица валюты может быть поделена на части. «Итоговый объем валюты известен заранее, а создание каждого нового блока сопровождается решением более сложных математических задач, что приводит к искусственному ограничению скорости роста предложения валюты» [8];
- криптовалюты могут быть использованы многими лицами при осуществлении сделок покупки-продажи каких-либо товаров, при оплате работ и услуг, при инвестиционных сделках;
- криптовалюты могут рассматриваться всеми субъектами рынка в качестве источника формирования дохода в части их применения, майнинга, дополнительным привлечением капитала посредством ICO, сделками на фондовой бирже.
При том что криптовалюта имеет ряд положительных сторон, можно отметить и недостатки:
- реальными активами криптовалюта не обеспечивается, операции с криптовалю-той имеют достаточно рискованный характер, также им присуща большая степень во-латильности [7];
- законодательно инвесторы защищены слабо. Использование криптовалюты во многих странах юридически не регулируется нормативно-правовыми документами или запрещено, что связано с отсут-
ствием возможности централизованно регулировать криптовалюту и противодействовать ее использованию в процессе противодействия отмыванию доходов и финансированию терроризма;
- опасность кибератак влечет за собой возможность возникновения отсутствия защиты кода криптографии, данный вид риска сложно предотвратить, поскольку применимы ключевые формы шифров во всей финансовой инфраструктуре;
- возможность не получить доступ к своему активу вследствие того, что ключи потеряны или произошла кража. Данный вид риска можно снизить при применении усложненных паролей и оборудования в целом. Следует отметить, что криптовалюта не может быть применима как обязательство. По факту, она не обеспечивается активами, а стоимость ее определяется рыночными предпочтениями. Курс криптова-люты формируются исключительно балансом спроса и предложения, что демонстрирует независимость от курсов других валют или финансовых активов.
Самая популярная виртуальная и широко распространенная валюта в мире -биткоин. Рыночная капитализация битко-ина на данный момент составляет около 172,6 млрд долларов США [6]. Биткоин, несмотря на его высокую волатильность, считается одним из самых прибыльных инвестиционных инструментов на рынке крип-товалют (рис. 1 и 2).
8 000,00 6 000,00 4 000,00 2 000,00 0,00
¿у
/ с^
0°
&
.»о-
£
/
Рисунок 1 - Цена топ-10 криптовалют по состоянию на 20.06.2020 г. (долл. США) Источник: составлен авторами на основании данных [9]
Maker; 517 357 56^ Compound; 912
686 948
Bitcoin Cash; 4 277 218 886
Ethereum; 25 587
Т | 451839
Bitcoin SV; 3 187
621 202
673 898 154
Monero; 1 137 711 613
□ Bitcoin ■ Bitcoin SV
I Maker I Dash
I Compound □ Bitcoin Cash □ Ethereum I Monero □ Zcash
Рисунок 2 - Топ-10 криптовалют по объему рыночной капитализации по состоянию на 20.06.2020 г. (долл. США) Источник: составлен авторами на основании данных [9]
Для исследования формирования цены биткоина применяется эксплоратор-ный факторный анализ, то есть такая система анализа, согласно которой первоначально не определено, какие именно факторы могут наиболее точно описать взаимосвязи и взаимозависимости.
25,000 -20,000 -15,000 -10,000 -5,000 -0 -
Однако в данном исследовании анализируются не всплески, а тенденции в зависимости курса биткоина от курса доллара.
Построим экономико-математические модели влияния на цену биткоина ряда
Эксплозивность (от фр. explosion -взрыв) - клиническое нарушение, готовность к внезапному, иногда неадекватному проявлению, эффект взрывного характера. Курс биткоина демонстрирует данное свойство, что видно из рисунка 3.
наиболее существенных показателей, указанных в таблице 1. Показатели выбраны с целью выявления взаимосвязи биткоина и золота, цена на которое формируется за счет факторов, указанных в таблице 1.
Таблица 1 - Исходные данные
Показатель 2014
I кв. II кв. III кв. IV кв.
X1 - Итого предложение золото (т) 1104,1 1104,1 1104,1 1104,1
X2 - Итого спрос золото (т) 1093,9 1093,9 1093,9 1093,9
X3 - Цена на золото (London PM fix) (^$/тройск.унция) 1293,1 1293,1 1293,1 1293,1
X4 - Серебро (Ш$/тройск. унция) 19,97 20,87 17,11 15,79
X5 - Платина (US$/тройск. унция) 1418,0 1480,0 1300,0 1206,0
X6 - Палладий (^$/тройск. унция) 778,0 844,0 775,0 811,0
X7 - Нефть Brent (долл./баррель) 107,70 112,40 94,80 57,54
X8 - Евро / доллар € / $ 1,3771 1,3771 1,3771 1,3771
X9 - Английский фунт стерлингов / доллар £ / $ 1,6663 1,6663 1,6663 1,6663
X10 - S&P 500 1872,34 1872,34 1872,34 1872,34
X11 - Краткосрочные обязательства казначейства США (12 мес.) (Treassury Bills), % 0,13 0,13 0,13 0,13
X12 - Учетная ставка ФРС США, % 0,25 0,25 0,25 0,25
Y - Bitcoin, Bitcoin / $ 702,55 702,55 702,55 702,55
Таблица 1 (продолжение)
Показатель 2015 2016
I кв. II кв. III кв. IV кв. I кв. II кв. III кв. IV кв.
X1 1086,2 1044,1 1128,8 1092,1 1182,8 1167,2 1174,3 1086,1
X2 1110,1 958,3 1162,7 1112,2 1284,0 1055,1 1027,7 972,0
X3 1218,5 1192,4 1124,3 1106,5 1182,6 1259,6 1334,8 1221,6
X4 16,60 15,70 14,65 13,82 15,38 18,36 19,35 16,24
X5 1129,0 1078,0 908,0 868,0 976,0 999,0 1034,0 898,0
X6 729,0 677,0 661,0 555,0 569,0 589,0 722,0 670,0
X7 55,10 62,05 47,92 36,56 39,61 50,73 49,41 56,75
X8 1,0731 1,1138 1,1177 1,0861 1,1380 1,1105 1,1241 1,0516
X9 1,4818 1,5709 1,5129 1,4739 1,4362 1,3311 1,2976 1,2338
X10 2067,89 2063,11 1920,03 2043,94 2059,74 2098,86 2168,27 2238,83
X11 0,26 0,28 0,33 0,65 0,59 0,45 0,59 0,85
X12 0,25 0,25 0,25 0,50 0,50 0,50 0,50 0,75
Y 248,54 236,67 257,43 341,04 411,58 515,61 616,76 718,09
Показатель 2017 2018
I кв. II кв. III кв. IV кв. I кв. II кв. III кв. IV кв.
X1 1037,2 1092,1 1185,7 1138,0 1107,1 1079,0 1161,6 1220,8
X2 1107,5 1031,9 988,8 1073,6 998,3 992,8 1013,0 1277,6
X3 1219,5 1256,6 1277,9 1275,4 1329,3 1306,0 1213,2 1226,3
X4 18,06 16,47 16,86 16,74 16,52 16,03 14,31 15,7100
X5 940,0 922,0 920,0 917,0 936,0 851,0 815,0 795,9000
X6 798,0 841,0 935,0 1033,0 970,0 953,0 1094,0 1197,0
X7 53,62 48,94 56,53 66,87 69,35 79,12 82,98 53,3500
X8 1,0652 1,1426 1,1814 1,1998 1,2323 1,1685 1,1609 1,1465
X9 1,2550 1,3027 1,3397 1,3515 1,4018 1,3209 1,3039 1,2708
X10 2362,72 2423,41 2519,36 2673,61 2640,87 2718,37 2913,89 2505,38
X11 1,03 1,24 1,31 1,76 2,09 2,33 2,59 2,59
X12 1,00 1,25 1,25 1,50 1,75 2,00 2,25 2,25
Y 934,49 1864,46 3397,77 9398,57 10672,55 7829,15 6799,21 3865.95
Показатель 2019 2020
I кв. II кв. III кв. IV кв. I кв. II кв. III кв.
XI 1106,6 1217,1 1265,6 1221,4 1142 1028,5 1235,8
Х2 1069,2 1162,7 1111,9 1056,5 1076,2 963,3 883,3
Х3 1 303,8 1 309,4 1 472,5 1 481,0 1 582,8 1 711,1 1 908,6
Х4 15,1100 15,3500 17,0700 17,9200 14,2000 18,5700 23,3500
Х5 855,3000 836,1000 881,7000 969,9000 715,0000 841,0000 892,7000
Х6 1 351,80 1 530,0 1 646,9 1 910,1 2 280,0 1 950,7 2 312,5
Х7 69,1700 64,3800 59,5200 66,6300 25,8400 41,6100 42,0500
Х8 1,1198 1,1132 1,0941 1,1207 1,0720 1,1360 1,1628
Х9 1,3289 1,2626 1,2277 1,3134 1,1538 1,2290 1,2829
Х10 2 832,74 2 940,03 2 974,99 3 228,88 2 583,07 3 098,47 3 361,06
Х11 2,398 1,938 1,768 1,582 0,152 0,160 0,119
Х12 2,50 2,25 2,00 1,75 1,25 0,25 0,25
Y 3 464,01 11030,50 9984,98 7261,37 5251,48 9204,05 18909,43
Результаты
При осуществлении расчетов следует учитывать значения по кварталам параметров спроса и предложения на драгоценные металлы, баррель нефти, привязку к курсам валют, индексы фондового рынка, ставку ФРС (учетная), доходность ценных бумаг за анализируемый в исследовании
промежуток времени [10-12]. Временные ряды показателей достаточны для качественного аналитического исследования. Сначала составим матрицу парных корреляций между переменными (табл. 2). Поскольку эта матрица симметрична, то представлена ее нижняя часть.
Таблица 2 - Корреляционная матрица
Показатель
Х1 1,00
Х2 0,20 1,00
Х3 0,09 -0,43 1,00
Х4 -0,06 -0,09 0,68 1,00
Х5 -0,16 0,17 0,28 0,68 1,00
Х6 0,06 -0,45 0,52 0,04 -0,12 1,00
Х7 -0,23 -0,19 0,52 0,53 0,67 0,47 1,00
Х8 0,06 0,02 0,50 0,55 0,73 0,38 0,84 1,00
Х9 -0,18 0,30 -0,10 0,24 0,83 -0,19 0,54 0,67 1,00
Х10 0,12 -0,48 0,32 -0,28 -0,65 0,80 0,00 -0,14 -0,67 1,00
Х11 0,11 -0,40 0,27 -0,35 -0,68 0,74 0,01 -0,11 -0,63 0,97 1,00
Х12 0,10 -0,42 0,32 -0,28 -0,64 0,77 0,06 -0,07 -0,63 0,98 0,99 1,00
Y 0,10 -0,36 0,44 -0,18 -0,43 0,80 0,19 0,17 -0,35 0,86 0,88 0,87 1,00
Y - цена биткоина - является результирующим показателем, и если исследовать ее функциональную зависимость от других показателей, то на начальном этапе наиболее очевидной является идея использовать линейную регрессию:
у = ХЬ + е, (1)
где у - вектор (матрица-столбец) значений курса биткоина в период с 2014 по
2018 гг.; X - матрица значений предложений (X!) и спроса (Х2) золота, цен на банковские металлы и прочие показатели; Ь -вектор коэффициентов регрессии; е - вектор случайных отклонений.
Однако модель классической линейной регрессии в этом случает не подходит, поскольку регрессоры являются случай-
ными величинами и при этом взаимозависимыми, что показывает корреляционная матрица.
Воспользуемся моделью эксплора-торного факторного анализа для того, чтобы обойти эту проблему [13, 14]. Она имеет вид:
X = ЕЛТ + и; (2)
где X - матрица значений показателей (такая же, как и в (1)); Е - матрица значений эксплораторных факторов; Л - матрица
факторных нагрузок; ...- знак операции транспонирования матрицы; и - матрица случайных отклонений модели эксплора-торного факторного анализа.
Выражение (2) подставим в (1), получим регрессионно-факторную модель:
у = Ее + и. (3)
Выражение (3) представляет собой уравнение регрессии зависимой переменной на независимые эксплораторные факторы, в нем:
е = ЛТЬ; (4)
и = иЬ + е. (5)
В выражении (4) обозначен вектор коэффициентов регрессии на факторы, в (5) -вектор случайных отклонений регрессионно-факторной модели.
Следует отметить, что для решения вопроса совместного рассмотрения показателей, имеющих различные единицы измерения, все они приведены к так называемой стандартной форме, т.е. центрированы и нормированы:
Т =
Т - *
о„
(6)
где - показатель в стандартной форме; - реальное значение показателя; т - среднее значение показателя; (У2 - среднеквад-ратическое отклонение показателя.
Переменная в стандартной форме имеет нулевое математическое ожидание и единичную дисперсию. В этом случае и значения эксплораторных факторов также нормированы и центрированы. Более того, факторы взаимонезависимы и ортогональны, т.е. удовлетворяют условию:
= I, (7)
где I - единичная матрица.
После того как найдены факторные нагрузки и значения факторов, для получения оценки регрессионных коэффициентов уравнения (3), можно воспользоваться обычным методом наименьших квадратов:
С = (ЕТЕ)-1 ЕТу; (8)
а с учетом (7) выражение (8) принимает вид:
е = ЕТу. (9)
Найдем оценку коэффициентов регрессии модели (1). Для этого воспользуемся выражением (4), на сновании которого нужно найти вектор коэффициентов регрессии Ь. Если матрицу Ж подобрать так, чтобы
ЖЛТ = I, (10)
то
Ь = Же. (11)
Умножим (10) на Л(ЛТ Л)— справа, получим:
Ж( ЛТЛ)(ЛТЛ)-1 = Л( ЛТ Л)-1
тогда
Ж = Л( ЛТ Л)-1.
(12)
Подставим (12) в (11), получим оценку коэффициентов регрессии:
Ь = Л( ЛТ Л) - е. (13)
В ходе расчетов, проведенных в математическом прикладном программном пакете Mathcad, было выявлено 4 эксплора-торных фактора для регрессоров.
Окончательные итоги расчетов сведены в таблицу 3.
Таблица 3 - Результаты расчетов
Показатели Н агрузки эксплораторных факторов Коэффициенты регрессии
Б2 Б3 Б4
Х1 -0,120 0,139 -0,026 -0,094 0,073
Х2 0,180 -0,220 -0,288 0,438 0,275
Х3 -0,130 0,616 0,770 -0,113 0,479
Показатели Н агрузки эксплораторных факторов Коэффициенты регрессии
Б2 Б3 Б4
Х4 -0,207 0,219 0,732 0,381 -0,448
Х5 0,119 -0,280 0,699 0,627 -0,848
Х6 0,275 0,111 0,518 -0,765 0,111
Х7 0,508 -0,009 0,772 0,075 0,389
Х8 0,524 0,015 0,762 0,233 0,551
Х9 0,421 -0,439 0,385 0,617 -0,296
Х10 0,102 0,336 0,032 -0,935 0,676
Х11 0,261 0,420 -0,069 -0,865 1,345
Х12 0,251 0,415 -0,007 -0,871 1,252
Коэффициенты регрессии эксплораторных факторов ..................................................................................................
Y 1,097 1,844 -0,048 -3,638
Правильность и выполнимость условий регрессионных уравнений возможно проверить по критерию Фишера, вычисляемому на основании коэффициента детерминации:
N „ о
I (у, - у, )2
Я2 = 1 - ^ •
(N - 1)с2
где N - число наблюдений; у( - восстановленное по уравнению регрессии значение результирующего показателя; у - наблюдаемое значение результирующего показателя; сг2 - дисперсия показателя Y. Сам критерий имеет вид:
^ =
Я N - к -1
1 - Я к
где к - число параметров уравнения регрессии. В уравнении регрессии эксплоратор-ных факторов это число факторов (т), а в обычном уравнении регрессии это число переменных (показателей) п.
Для уравнения регрессии факторов вычисленное значение критерия равно Б = 392,546; а критическое значение: дБ(0,95; т; К-т-1) = 3,112. Вычисленное значение критерия больше критического, следовательно, уравнение адекватно.
Для уравнения регрессии переменных вычисленное значение критерия равно Б = 56,078; а критическое значение: дБ(0,95; п; К-п-1) = 4,000. Вычисленное значение критерия больше критического, следовательно, уравнение адекватно.
Для интерпретации факторного решения в каждой строке матрицы факторных нагрузок выделим наибольшее абсолютное значение (затененные ячейки в таблице 3).
На второй фактор пришлась одна выделенная ячейка, и этот фактор может быть однозначно интерпретирован как наличие золота на рынке - «золотой фактор».
Третий фактор в наибольшей степени нагружает цены на банковские металлы, кроме палладия, а также цену на нефть и пару «евро-доллар». Он может быть интерпретирован, как «ценовой фактор».
Четвертый фактор имеет наибольшие нагрузки со знаком минус на индекс Б&Р500, а также финансовые обязательства и учетную ставку ФРС, т.е. он определяет негативные тенденции в финансовой сфере, поэтому он может быть назван «кризисным фактором». Отметим, что кризисный фактор, по сравнению с другими, в наибольшей степени определяет снижение величины фондового индекса (Б&Р500), снижение ставки ФРС и ценных бумаг с гарантированным уровнем доходности (краткосрочные обязательства Казначейства США) и увеличивает спрос на золото [14].
У первого фактора нет выделенных ячеек, однако величины нагрузок, большие 0,5 у цены на нефть марки «Бренд» и пары «евро-доллар». Эти показатели оказались под доминантой ценового фактора. Но первый фактор может быть назван европейским.
Уравнение регрессии курса биткоина на эксплораторные факторы имеет вид:
Y = 1,097F +1,844F2 - 0,048F - 3,638F + U.
Если рассмотреть коэффициенты регрессии факторов, становится очевидным доминирующее негативное влияние «кризисного фактора» в формировании курса биткоина. Рост «кризисного фактора» ведет к снижению цены на биткоин, при этом на формирование вышеуказанного фактора оказывают существенное влияние следующие показатели: снижение фондового индекса, курс краткосрочных обязательств казначейства США, учетная ставка ФРС, а также рост спроса на золото.
Вторым по значимости фактором влияния на биткоин является «золотой фактор» - чем больше предложение золота, тем выше курс биткоина.
Фактор, определяемый ценой на нефть и курсом евро, стоит на третьем месте. А ценовой фактор оказался на последнем месте в ряду эксплораторных факторов, причем его влияние - негативно и незначительно.
Коэффициенты регрессии переменных позволяют определить чувствительность изменения каждого показателя на курс криптовалюты. Так, увеличение предложения золота на единицу ведет к росту курса биткоина на 0,073 единицы.
В апреле 2020 г. основатель Quantum Economics Мати Гринспен отмечал, что от корреляции биткоина с индексом S&P500 зависит вся финансовая отрасль.
Золото также постепенно наращивает корреляцию с биткоином, при этом оно остается альтернативным финансовым инструментом и сохраняет свою привлекательность для потенциальных инвесторов. Влияние спроса и предложения золота на цену биткоина усиливается. Цена на биткоин при росте предложения (добычи) золота растет и при возникновении факторов, снижающих спрос на золото (отсутствие мировых финансовых потрясений), цена криптовалюты снижается. Влияние роста стоимости других драгоценных металлов, таких как серебро и платина, незначительно, но все равно снижают стоимость биткоина.
(14)
На мировом рынке стоимость битко-ина падает в периоды политической и экономической нестабильности (вместе с активами США) и растет во времена относительного спокойствия и благополучия. Цена биткоина имеет сильную корреляцию с акциями и другими американскими традиционными активами. При жесткой монетарной политике США биткоин не будет привлекательным инструментом хеджирования рисков глобальной нестабильности. Курс биткоина при росте спроса на драгоценные металлы ведет себя аналогично валюте США. Возможно, в будущем «бит-коин сравняется по своим платежным свойствам с долларом США и затмит золото в качестве средства сбережения» [15-17].
Рост интереса инвесторов к биткоину со стороны хеджфондов, управляющих активами, розничных инвесторов и дейтрей-деров будет усиливаться, но это будет связано с биткоином как дополнительный инструментарий для инвестирования. В данном контексте биткоин находится параллельно с прочими финансовыми активами по разным критериям, но имеет более низкий уровень надежности, но выше доходность, особенно с улучшением технологических характеристик криптовалют.
Глава Kraken ожидает улучшения платежных функций первой криптовалюты благодаря решениям второго уровня, вроде Lightning Network. Они предоставят такие же доступные и легкие для понимания возможности, такие как популярные платежные системы PayPal и Venmo, избавив от необходимости перевода монет на блокчейне. «Уже скоро лежащая в основе биткоина технология растворится. Он станет похож на американский доллар: никто не понимает, как он работает, но все им пользуются».
Криптовалюты, в том числе биткоин, нельзя рассматривать как параллельный вариант инвестиционной активности при уменьшающемся уровне доходности существующих инструментов финансового рынка. Однако, по данным аналитического центра международной аудиторско-консал-
тинговой сети FinExpertiza, которая представила результаты исследования наиболее выгодных инвестиционных вложений, бит-коин стал одним из самых прибыльных финансовых инструментов за 2019 год.
Заключение
Представленные в исследовании расчеты демонстрируют возможность более глубокой оценки степени влияния различных показателей на конечный результат по прогнозированию курса криптовалют. Также применение эксплораторного факторного анализа поспособствовало проведению исследований в части прогнозирования курса биткоина на мировом финансовом рынке.
Проведенный в исследовании финансовый анализ по эксплораторному принципу позволил сформировать оптимальную схему факторного анализа, при которой было определено, какая именно система факторов позволила описать матрицу корреляционных связей.
Следует отметить, что именно при построении модели оценки уровня влияния эксплораторных факторов на курс крипто-валюты, особое значение приобретает внедрение анализа по эксплораторному принципу, поскольку курс криптовалюты, цена биткоина - это показатели, значения которых зависимы в большей мере не от постоянных, а от переменных, внезапно появляющихся параметров.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Федорова Е.А., Афанасьев Д.О. Определение степени влияния цен нефти и золота на индекс ММВБ и ее структурных сдвигов с применением модели Markov-switching autoregressive model (ms-arx) // Финансы и кредит. 2013. №17 (545). С. 2-11.
2. Евлахова Ю.С. Макроэкономические факторы влияния на динамику российского рынка акций и инструменты государственного регулирования // ПСЭ. 2013. №1 (45). С.50-55.
3. Мацкевич Александр Александрович Факторы, определяющие эффективность фондового рынка России // Вестник ЧелГУ. 2013. №32 (323). С.48-51.
4. Корнилов Д.А., Зайцев Д.А., Корнилова Е.В. Аналитика рынка криптова-лют. Динамика и прогнозы // ИТпортал, 2017. №3 (15).
5. Cryptocurrency market capitalization will increase 30 times thanks to $5 trillion investment in bitcoin / URL: https://mining-cryptocurrency.ru/kapitalizaciya-kriptorynka-uvelichitsya-v-30-raz/
6. iTrustCapital Survey: Millennials Are More Likely to Choose Bitcoin as the Best Investment During a Coronavirus Pandemic/ URL: https://www.prnewswire.com/news-re-leases/itrustcapital-survey-millennials-are-more-likely-to-choose-bitcoin-as-the-best-in-vestment-during-a-coronavirus-pandemic-301014915.html
7. Эскиндаров М.А., Абрамова М.А., Масленников В.В., Амосова Н.А., Варнав-ский А.В., Дубова С.Е., Звонова Е.А., Кри-воручко С.В., Лопатин В.А., Пищик В.Я., Рудакова О.С., Ручкина Г.Ф., Славин Б.Б., Федотова М.А. Направления развития фин-теха в России: экспертное мнение Финансового университета. Мир новой экономики. 2018;12(2):6-23. https://doi.org/10.26794/ 2220-6469-2018-12-2-6-23.
8. Шайдуллина В.К. Криптовалюта как новое экономико-правовое явление // Вестник университета. - 2018. - № 2. -С. 137-142.
9. Top 100 Cryptocurrencies by Market Capitalization. URL: https://coinmar-ketcap.com/
10. Posnaya E.A., Kaznova M.I., Shapiro I.E., Vorobyova I.G. 2018a. Theory and Practice of Capital Estimation Methods: An Application in Bank Management. European Research Studies Journal, Vol.XXI, SI 2. - P.497-505.
11. Posnaya E.A., Semenyuta O.G., Do-brolezha E.V., Smolander M. 2019. Modern Features for Capital Portfolio Monitoring. International Journal of Economics and Business Administration, Vol. VII, SI 1, 53-60.
12. Палант А.Я., Ефременко И.Н. Криптовалюты: вызовы и угрозы для мировой экономики в сфере противодействия отмыванию доходов и финансирования терроризма // Финансовые исследования, 2019. № 3 (64). С. 38-46.
13. Пискун Е.И., Хохлов В.В. Экономическое развитие регионов российской федерации: факторно-кластерный анализ // Экономика региона, 2019. Т.15. №2. С.363-376.
14. Касьяненко Т.Г., Полоско А.С. Применение корреляционно-регрессионного анализа в оценке бизнеса сравнительным подходом. Российское предпринимательство, 2015. - №16(20). - С. 3611-3622.
15. Melnikova Y.V., Posnaya E.A., Bukach B.A., Shokhnekh A.V., Tarasenko, S.V. Defining Key Determinants of the Strategic Economic Security of the Agro-Industrial Complex in Terms of Stabilizing Political Course. E3S Web of Conferences, 2020.
16. Posnaya E.A., Dobrolezha E.V., Vorobyova I.G., Chubarova G.P. (2018), The Economic Capital Model in Bank's Capital Assessment. Contemporary Studies in Economic and Financial Analysis, Vol. 100, Emerald Publishing Limited. - P. 111-119.
17. Posnaya E.A., Tarasenko S.V., Bukach B.A., Shokhnekh A.V. The Significance of Bank Financial Security in Capital Management. Proceedings of the "New Silk Road: Business Cooperation and Prospective of Economic Development". Advances in Economics, Business and Management Research, Atlantis Press, vol. 131, 2019. Pp. 977-979.Posnaya E.A., Semenyuta O.G., Dobrolezha E.V., Smolander M. Modern Features for Capital Portfolio Monitoring. International Journal of Economics and Business Administration, Vol. VII, Special Issue 1, 2019. -P. 53-60.
18. Posnaya E.A., Vorobyova I.G., Ditsulenko O.I., Kaznova M.I. Strategy and Tactics of Bank Capital Assessment. International Journal of Economics and Business Administration, Vol. VII, Special Issue 2, 2019. -P. 393-399.
БШЫООКАРШС LIST
1. Fedorova E.A., Afanasiev D.O. Determination of the degree of influence of oil and gold prices on the MICEX index and its structural changes using the Markov-switching autoregressive model (ms-arx) // Finance and Credit. 2013. No. 17 (545). Pp. 2-11.
2. Yevlakhova Yu. S. Macroeconomic factors of influence on the dynamics of the
Russian stock market and instruments of state regulation // PSE. 2013. No. 1 (45). Pp.50-55.
3. Matskevich Alexander Alexandro-vich Factors determining the efficiency of the Russian stock market // Vestnik ChelGU. 2013. No. 32 (323). P. 48-51.
4. Kornilov DA., Zajcev D.A., Kornilova E V. Cryptocurrency market analytics. Dynamics and forecasts. ITportal, 2017, No 3 (15).
5. Cryptocurrency market capitalization will increase 30 times thanks to $5 trillion investment in bitcoin/ URL: https://mining-cryp-tocurrency.ru/kapitalizaciya-kriptorynka-uvelichitsya-v-30-raz/
6. iTrustCapital Survey: Millennials Are More Likely to Choose Bitcoin as the Best Investment During a Coronavirus Pandemic/ UR: https://www.prnewswire.com/news-re-leases/itrustcapital-survey-millennials-are-more-likely-to-choose-bitcoin-as-the-best-in-vestment-during-a-coronavirus-pandemic-301014915.html
7. Eskindarov M.A., Abramova M.A., Maslennikov V.V., Amosova N.A., Var-navskii A.V., Dubova S.E., Zvonova E.A., Krivoruchko S.V., Lopatin V.A., Pishchik V.Y., Rudakova O.S., Ruchkina G.F., Slavin B.B., Fedotova M.A. The Directions of FinTech Development in Russia: Expert Opinion of the Financial University. The world of new economy. 2018;12(2):6-23. (In Russ.) https://doi.org/10.26794/2220-6469-2018-12-2-6-23.
8. Shaidullina V.K. Cryptocurrency as a new economic and legal phenomenon. University Bulletin, 2018, No 2, P.137-142.
9. Top 100 Cryptocurrencies by Market Capitalization. URL: https://coinmar-ketcap.com/
10. Posnaya E.A., Kaznova M.I., Shapiro I.E., Vorobyova I.G. 2018a. Theory and Practice of Capital Estimation Methods: An Application in Bank Management. European Research Studies Journal, Vol.XXI, SI 2. - P.497-505.
11. Posnaya E.A., Semenyuta O.G., Dobrolezha E.V., Smolander M. 2019. Modern Features for Capital Portfolio Monitoring. International Journal of Economics and Business Administration, Vol. VII, SI 1, Pp.53-60.
12. Palant A.Y., Efremenko I.N. Crypto-currencies: Challenges and Threats for the World Economy in the Field of Combating Money Laundering and Terrorist Financing // Financial research. 2019. No. 3 (64). P. 38-46.
13. Piskun E.I., Khokhlov V.V. Economic development of the regions of the Russian Federation: factor-cluster analysis. Economy of the region, 2019.Vol. 15. No 2. P. 363-376.
14. Kasyanenko T.G., Polosko A.S. Application of correlation and regression analysis in business valuation using a comparative approach. Russian Entrepreneurship, 2015. No. 16 (20). P. 3611-3622.
15. Melnikova Y.V., Posnaya E.A., Bukach B.A., Shokhnekh A.V., Tarasenko S.V. Defining Key Determinants of the Strategic Economic Security of the Agro-Industrial Complex in Terms of Stabilizing Political Course. E3S Web of Conferences, 2020.
16. Posnaya E.A., Dobrolezha E.V., Vorobyova IG., Chubarova G.P. (2018), The Economic Capital Model in Bank's Capital
Assessment. Contemporary Studies in Economic and Financial Analysis, Vol. 100, Emerald Publishing Limited. - P. 111-119.
17. Posnaya E.A., Tarasenko S.V., Bukach B.A., Shokhnekh A.V. The Significance of Bank Financial Security in Capital Management. Proceedings of the New Silk Road: Business Cooperation and Prospective of Economic Development. Advances in Economics, Business and Management Research, Atlantis Press, vol. 131, 2019. Pp. 977-979.Posnaya E.A., Semenyuta O.G., Dobrolezha E.V., Smolander M. Modern Features for Capital Portfolio Monitoring. International Journal of Economics and Business Administration, Vol. VII, Special Issue 1, 2019. -P. 53-60.
18. Posnaya E.A., Vorobyova I.G., Ditsulenko O.I., Kaznova M.I. Strategy and Tactics of Bank Capital Assessment. International Journal of Economics and Business Administration, Vol. VII, Special Issue 2, 2019. -Pp.393-399.
