CC BY
186
pISSN 2071-4688 eISSN 2311-8709
ЦЕНООБРАЗОВАНИЕ НА РЫНКЕ КРИПТОАКТИВОВ И ВЗАИМОСВЯЗЬ С ФОНДОВЫМИ ИНДЕКСАМИ
Алексей Юрьевич МИХАЙЛОВ
Финансовая система
кандидат экономических наук, заведующий лабораторией «Томсон Рейтер» департамента финансовых рынков
и банков, Финансовый университет при Правительстве РФ, Москва, Российская Федерация
ayumihajlov@fa.ru
orcid.org/0000-0003-2478-0307
SPIN-код: 6398-3330
История статьи:
Получена 26.01.2018 Получена в доработанном виде 09.02.2018 Одобрена 26.02.2018 Доступна онлайн 27.03.2018
УДК 336.018
C72, D61, E42
Ключевые слова: биткойн, теория оценки, переток волатильности, доходность фондовых рынков, Google-запросы
Аннотация
Предмет. Особенности ценообразования на рынке криптоактивов и взаимосвязь с ценами на активы на фондовых рынках
Цели. Изучение факторов влияния на динамику цены биткойна: существует ли корреляция с финансовыми индексами, такими как S&P 500, за счет наличия эффекта перетока волатильности (spillover effect), характерного для финансовых рынков. Методология. Используется традиционный частотный подход в квантильной регрессии на основе Байесовского метода.
Результаты. Волатильность цены биткойна имеет заметную корреляцию с волатильностью финансовых индексов, таких как S&P 500 за счет наличия эффекта перетока волатильности (spillover effect), характерного для финансовых рынков. Но четкой взаимосвязи между поисковыми запросами в системе Google и динамикой цены биткойна не обнаружено. Цены на биткойн движутся прежде всего под влиянием интереса инвесторов к криптовалюте как альтернативному инструменту сбережения.
Выводы и значимость. Практическая значимость работы заключается в структуризации существующих знаний о факторах влияния на цену биткойна. Приведенные методики позволили определить наиболее влиятельные факторы, объясняющие динамику биткойна в 2017 г. В частности, выделены основные группы детерминант. Изменение цены было обусловлено увеличением полезности биткойна как инструмента для проведения расчетов, чему способствовали утрата доверия к национальным валютам, неопределенность относительно выхода Великобритании из ЕС и провал многих начинаний Д. Трампа.
© Издательский дом ФИНАНСЫ и КРЕДИТ, 2018
Для цитирования: Михайлов А.Ю. Ценообразование на рынке криптоактивов и взаимосвязь с фондовыми индексами // Финансы и кредит. — 2018. — Т. 24, №3. — С. 641 — 651. https://doi.org/10.24891/fc.24.3.641
Последние годы были насыщены событиями, которые способствовали росту рынка криптоактивов и динамики роста курса биткойна. Сомнения по поводу дальнейшего повышения ключевой ставки ФРС США и замедление темпов глобального экономического роста создали риски в мировой экономике. В 2017 г. политические вопросы во многом определяли интерес к альтернативным инвестиционным инструментам, таким как биткойн: выход Великобритании из ЕС, выборы в странах зоны евро, проблемы в экономической политике Д. Трампа.
Это привело к тенденции ухода от стандартных экономических и финансовых структур.
В научной литературе ведутся широкие дискуссии на протяжении последних лет по поводу факторов влияния на цену криптоактивов [1 — 3]. При этом обычно игнорировался тот факт, что влияние независимых переменных может изменяться на протяжении времени.
Пока традиционный частотный подход в квантильной регрессии широко используется,
немного исследований было проведено на основе Байесовского метода (BOR) [4]. Использование метода BOR имеет три пункта новизны.
Во-первых, его использование позволит найти полный список факторов влияния на цену биткойна.
Во-вторых, это даст возможность подтвердить работоспособность идеи о том, что метод квантильной регрессии BOR более эффективен, чем простой метод регрессии наименьших квадратов [5].
В-третьих, данное исследование может доказать устойчивость динамики биткойна к асимметрии, гетероскедастичность и неопределенность ошибок [6, 7].
Проведенный анализ позволил нам определить наиболее влиятельные факторы, объясняющие динамику биткойна (ВТС) в 2017 г. В частности, мы выделяем основные группы детерминант.
Изменение цены было обусловлено увеличением полезности биткойна как инструмента для проведения расчетов, чему способствовала утрата доверия к национальным валютам и неопределенность относительно выхода Великобритании из ЕС и провал многих начинаний Д. Трампа.
В целом можно выделить следующие группы факторов:
1) фундаментальные;
2) макроэкономические;
3) финансовые;
4) поведенческие;
5) инфраструктурные.
Некоторые ученые [8 — 10] указали на потенциальную роль глобального
макроэкономического и финансового развития и цены традиционных финансовых активов, которые влияют на эволюцию цены криптоактивов (валютный курс, объем торгов на биржах и цены на золото).
Следует подчеркнуть, что воздействие макроэкономических и финансовых показателей на цену биткойна может работать по нескольким каналам. Можно указать, что благоприятные макроэкономические и финансовые условия способны улучшить использование криптоактивов в сфере торговли и бирж и таким образом стимулировать спрос [11].
Кроме того, падение цен на золото может способствовать вложениям в криптоактивы. В последнее время различные исследования утверждают, что биткойн стал инструментом хеджирования против политической неопределенности [12, 13]. Он отрицательно коррелирует с ценами акций, что способствует его возможностям для хеджирования: биткойн может быть включен в портфель, чтобы смягчить воздействие резких колебаний [14].
Исследования показали, что до 2014 г. как позитивные, так и негативные новости способствовали изменению биткойна в цене. Это означает, что на динамику биткойна влияют новости, которые доминируют в СМИ в определенное время [15, 16].
Кроме того, есть и новые индивидуальные факторы влияния, такие как «хэшрейт». Это показатель вычислительной мощности сети биткойн. При майнинге криптоактивов происходят интенсивные математические операции, которые приводят к увеличению хэшрейта и, соответственно, к повышению требований стоимости оборудования для майнинга (рис. 1).
Хэшрейт биткойна на несколько порядков превышает хэшрейт второго по капитализации актива Этереума (ЕТН). По состоянию на сентябрь 2017 г. хэшрейт ЕТН был примерно равен хэшрейту биткойна по состоянию на май 2013 г. То есть с точки зрения эволюции системы ЕТН отстает от ВТС более, чем на четыре года по мощности.
Применение квантильной регрессии заметно во многих научных сферах от экологии до экономики и финансов. Это интересный инструмент, так как он обеспечивает набор регрессионных кривых, которые отличаются
различными квантилями распределения зависимой переменной.
Метод подходит, чтобы определить, как располагаются временные ряды для всех частей распределения вероятностей. Однако некоторые специфические черты, такие как асимметрия, толстые хвосты, выбросы, разрывы и гетероскедастичность также присущи этому методу [17].
Общее количество биткойнов в обращении определяется по известному алгоритму, пока оно не достигнет 21 млн биткойнов.
Поисковые запросы в системе Google могут быть ценным инструментом для прогнозирования динамики цены биткойна на рынке [18], поскольку миллионы пользователей ежедневно взаимодействуют с поисковыми системами, которые являются ценными источниками данных о различных аспектах мира. Частота поисковых запросов конкретного ключевого слова несопоставимы с индексом настроений пользователей, но она может предоставлять информацию, которая может быть использована для понимания сложного процесса.
Оборачиваемость биткойна рассчитывается, как отношение объема сделок к средней рыночной капитализации биткойна в долларах США за 90 дней (рис. 2).
Кроме того, создание новых биткойнов определяется в основном трудностью генерации, которую отражает хэшрейт. Таким образом, предложенная модель для прогнозирования динамики цены биткойна состоит из следующих переменных:
1) зависимая переменная. Индекс цены биткойна — BPI1;
2) оборачиваемость биткойн — VC2;
3) объемы биржевой торговли — VB3;
1 Источник — Bitcoin (USD) Price. URL: http://www.coindesk.com/price
2 Источник — Blockchain.info. URL: http://www.blockchain.info
3 Там же.
4) цена на золото — GP4;
5) запросы «bitcoin» на Google — AG5;
6) хэшрейт — HR6;
7) запросы «brexit» на Google — BR7.
Если использовать метод наименьших квадратов, то получается, что большинство коэффициентов независимых переменных несущественны: лишь только коэффициенты VC и BR можно считать значимыми.
Оборачиваемость биткойнов (VC) оказывает негативное влияние на цену биткойна. В частности, VC колеблется между -0,14 (т=0,2) и -0,15 (т=0,4). Этот результат согласуется с количественной теорией: цена падает с увеличением запаса биткойнов. Мы должны упомянуть, что биткойн ожидает существенная проблема ввиду ограниченного количества — 21 млн единиц, подразумевая, что денежная масса не увеличится после этой даты. Кроме того, отметим, что объемы биржевой торговли сильно коррелируют с ценой биткойна, когда рынок является бычьим.
Кроме того, есть слабая негативная корреляция между ценой золота и динамикой биткойна, когда рынки падают (коэффициент GP колеблется от -0,004 при т=0,1 и -0,001 при т=0,2 ). Получается, криптоактивы и золото не эволюционируют в одном и том же направлении. Хотя эти активы рассматриваются как инструменты хеджирования в неспокойные времена, мы можем отметить, что факторы, влияющие на их цены, различаются.
Используя поисковые запросы Google, мы наблюдаем, что все большее внимание биткойн ведет к росту цен, когда рынок растет. Если интерес растет на 10%, цена биткойна изменяется на 0,2 — 1,4%.
4 Источник — Thomson Reuters. URL: http://www.thomsonreuters.com
5 Источник — Google. URL: http://trends.google.com
6 Источник — Blockchain.info. URL: http://www.blockchain.info
7 Источник — Thomson Reuters. URL: http://www.thomsonreuters.com
Увеличение хэшрейта на 10% повышает цену биткойна примерно на 1%. Чем больше майнеров присоединяются к сети, тем выше становится скорость хеширования. Майнинг может быть воспринят как своего рода инвестиции в биткойн [19]. Майнеры обычно не используют биткойн в качестве альтернативы прямым инвестициям, они могут стать покупателями биткойна и тем самым увеличить спрос и цену.
Несмотря на популярность и постепенное признание биткойна во всем мире, большинство людей до сих пор не понимает, что это такое на самом деле. Статус биткойна как альтернативной валюты, финансового инструмента или товара все еще является предметом текущего обсуждения. Поэтому мы были вынуждены вернуться к вопросу об определяющих факторах цены биткойна.
В настоящее время правовой статус биткойна во многих странах мира становится известен, и многие крупные компании принимают биткойны в качестве законного источника оплаты. По мере увеличения спроса и сокращения предложения цена биткойна растет. Мы также считаем, что биткойн и динамика золота скорее всего будут умеренно взаимозависимы на падающем рынке, поскольку оба актива считаются безопасным убежищем.
На конец 2017 г. около 10 000 предприятий в мире упоминаются на карте биткойн8, что говорит о заметном распространение биткойна в качестве платежного средства.
С юридической точки зрения биткойн сложно назвать безопасным убежищем, с финансовой точки зрения биткойн — это ликвидный актив, даже во времена нестабильности на рынке. В настоящее время рынок биткойна и криптоактивов уже не слишком узкий и достаточно зрелый, чтобы интегрироваться в глобальные финансовые рынки.
В данной части работы мы изучаем динамику реализованной волатильности цены биткойна (ВТС) и сопоставление с волатильностью
8 По данным Coinmap. URL: https://coinmap.Org/#/world/50.8 0593473/-50.53710938/3
индексов S&P 500, индекса VIX, индекса рынка на технологии блокчейн.
Понимание волатильности биткойна является актуальным для национальных правительств, инвесторов и регуляторов. При понимании динамики цены и волатильности этой криптовалюты можно создать правила для официального использования в различных странах по всему миру.
Понимание этих аспектов биткойна может снизить риски использования и инвестиционной деятельности. Таким образом, инвесторы могли бы рассмотреть возможность хеджирования рисков с помощью биткойна, учитывая взаимосвязи BTC с индексами S&P 500 и VIX.
После некоторых исследований, проведенных ранее, мы решили изучить взаимосвязь между реализованной волатильностью биткойна и глобальным развитием технологии блокчейн.
Важно отметить, что причинно-следственная связь может быть двунаправленной. Применяя различные тесты для поиска корреляций между динамикой биткойна и индекса S&P 500, мы не выявили четкой взаимосвязи между ними.
Аналогичным образом мы находим, что цена биткойна во многом зависима от резких скачков Google-трендов (на 10% и выше).
А также мы обнаружили сильную двунаправленную взаимосвязь между волатильностью цен биткойна и динамикой индекса волатильности VIX.
Научная литература о волатильности цены биткойна сосредоточена только на взаимосвязях с определенными финансовыми переменными.
Кроме того, есть несколько статей о том, как онлайн запросы слова «биткойн» в Google, Wikipedia или Twitter влияет на его цену [5, 9, 18].
В настоящее время наблюдается устойчивый рост количества научно-исследовательских работ в отношении криптовалют. В последние годы большинство трудов посвящено
формированию цен на биткойн, а в меньшей степени — волатильности его цены.
В значительной степени цена биткойна определяется взаимодействием спроса и предложения. Обнаружены фундаментальные факторы влияния на цену биткойна, такие как: использование в торговле, денежная масса и волатильность цены. Цены на биткойн меняет прежде всего интерес инвестора к криптовалюте. Также удалось сделать вывод о том, что существует сильная корреляция между уровнем цен биткойна и количеством запросов в Wikipedia и Google.
Таким образом, мы хотим рассмотреть финансовые переменные, которые влияют на цену биткойна и ее динамику. Кроме того, мы заинтересованы в оценке эффекта популярности технологии блокчейн на цену этой криптовалюты. Корреляция между временными рядами BTC и индекса S&P 500 слабая.
В нашем случае тенденции Google дают еженедельные данные по популярности терминов «биткойн» и «блокчейн» c 6 мая 2012 г. до 26 октября 2017 г.
Тест Гренджера показывает, что, с одной стороны, взаимосвязь между динамикой биткойна и фондовыми рынками означает, что негативные изменения на финансовых рынках заставляют инвесторов обращаться к новым активам. Это находит отражение в волатильности цены биткойна. С другой стороны, эти результаты также говорят о том, что резкие движения цены биткойна могут напугать инвесторов и заставить их вкладывать средства в хорошо изученные финансовые активы.
Кроме того, это означает, что индекс VIX может быть полезным инструментом для прогнозирования периодов высокой волатильности цен биткойна и криптоактивов. А волатильность криптоактивов может быть
полезным инструментом для прогнозирования периодов волатильности на фондовом рынке США.
Мы видим, что колебания цены биткойна может вызывать любопытство инвесторов и компаний для внедрения технологии блокчейн. В то же время не наблюдается четкой взаимосвязи между поисковыми запросами в Google и направлением динамики биткойна. Вероятно, есть и другие варианты выбора ключевых слов в поиске для цены биткойна (рис. 3 и 4).
В нашем исследовании мы не обнаружили статистически значимой причинно-следственной связи при анализе временных рядов динамики биткойна и индекса S&P 500.
Эти результаты свидетельствуют о том, что цена биткойна не зависит от цен на активы на фондовых рынках, что соответствует результатам более раннего исследования [1].
При этом тест Грейнджера обнаруживает статистически значимую причинно-следственную связь при анализе динамики объемов сделок с биткойном и с индексом S&P 500.
Также существует негативная взаимосвязь между объемом сделок с биткойном и динамикой индекса VIX.
Изменение цен биткойна может спровоцировать любопытство инвесторов к криптовалютам и к технологии блокчейн, что влияет на количество поисковых запросов, связанных со словами «биткойн» и «блокчейн».
Информация, представленная в данной работе, может быть полезна в первую очередь инвесторам и регуляторам рынка. Кроме того, инвесторы могли бы использовать цену биткойна в качестве производной от волатильности рынка.
Рисунок 1
Хэшрейт системы биткойн с 2015 — 2017 гг., трлн хэшей в секунду Figure 1
Bitcoin Hashrate in 2015—2017, trillion H/s (Hash per second)
9 000 000
Nov'15 Jan '16 Mar 1 & May'16 Jul '1S Sep '16 Nov'16 Jan'l7 Mar'17 May'17 Jul "17 Sep'17
Источник: Woobull Charts. URL: http://charts.woobull.com/ Source: Woobull Charts. URL: http://charts.woobull.com/
Рисунок 2
Скорость обращения биткойна Figure 2
The bitcoin circulation velocity
Источник: Woobull Charts. URL: http://charts.woobull.com/bitcoin-velocity/ Source: Woobull Charts. URL: http://charts.woobull.com/bitcoin-velocity/
Рисунок 3
Индекс Google по поисковому запросу «bitcoin» Figure 3
Google index for bitcoin search query
Источник: Google Trends Source: Google Trends
Рисунок 4
Индекс Google по поисковому запросу «биткойн» Figure 4
Google index for биткойн search query
Источник: Google Trends Source: Google Trends
Список литературы
1. Михайлов А.Ю. Теория оценки стоимости криптоактивов // Финансовая аналитика: проблемы и решения. 2017. Т. 10. № 6. С. 691-700. URL: https://doi.org/10.24891/fa.10.6.691
2. Briere M., Oosterlinck K., Szafarz A. Virtual Currency, Tangible Return: Portfolio Diversification with Bitcoins. CEB Working Papers, 2017, no. 13/031.
URL: https://www.researchgate.net/profile/Ariane_Szafarz/publication/272304443_Virtual_Curren
cy_Tangible_Return_Portfolio_Diversification_with_Bitcoins/links/598b75f5458515c333a3371a/
Virtual-Currency-Tangible-Return-Portfolio-Diversification-with-Bitcoins.pdf
3. Popper N. Digital Gold: The Untold Story of Bitcoin. London, Penguin, 2015, 432 p.
4. Baur D.G., Lucey B.M. Is Gold a Hedge or a Safe Haven? An Analysis of Stocks, Bonds and Gold. Financial Review, 2010, vol. 45, pp. 217 — 229.
5. Becker J., Breuker D., Heide T. et al. Can We Afford Integrity by Proof-of-Work? Scenarios Inspired by the Bitcoin Currency.
URL: https://pdfs.semanticscholar.org/58ef/3f3e12443581761f159a90f27f28952f9879.pdf? _ga=2.193334509.1726232354.1519728314-2060490400.1519728314
6. Brandvold M., Molnar P., Vagstad K., Valstad O.C.A. Price Discovery on Bitcoin Exchanges. Journal of International Financial Markets, Institutions and Money, 2015, vol. 36, pp. 18 — 35.
7. Dwyer G.P. The Economics of Bitcoin and Similar Private Digital Currencies. Journal of Financial Stability, 2015, vol. 17, pp. 81—91.
8. Valstad O.C.A., Vagstad K. A Bit Risky? A Comparison between Bitcoin and Other Assets Using an Intraday Value-at-Risk Approach.
URL: https://brage.bibsys.no/xmlui/bitstream/handle/11250/266806/742882_FULLTEXT01.pdf? sequence=2&isAllowed=y
9. Eisl A., Gasser S.M., Weinmayer K. Caveat Emptor: Does Bitcoin Improve Portfolio Diversification? SSRN Electronic Journal, 2015.
10. Yermack D. Is Bitcoin a real currency? An economic appraisal. Bitcoin, Innovation, Financial Instruments, and Big Data, 2015, pp. 31—43.
11. Dyhrberg A.H. Hedging Capabilities of Bitcoin. Is It the Virtual Gold? Finance Research Letters, 2016, vol. 16, pp. 139 — 144.
12. Engle R.F. Dynamic Conditional Correlation — A Simple Class of Multivariate GARCH Models. Journal of Business and Economic Statistics, 2002, vol. 20, no. 3, pp. 339 — 350.
13. Hafner C.M., Reznikova O. On the Estimation of Dynamic Conditional Correlation Models. Computational Statistics & Data Analysis, 2012, vol. 56, iss. 11, pp. 3533 — 3545.
14. Ratner M., Chiu-Chieh C. Hedging Stock Sector Risk with Credit Default Swaps. International Review of Financial Analysis, 2013, vol. 30, pp. 18 — 25.
15. Rogojanu A., Badea L. The Issue of Competing Currencies. Case study—Bitcoin. Theoretical and Applied Economics, 2014, vol. 1, pp. 103 — 114.
16. Gandal N., Halaburda H. Competition in the Cryptocurrency Market.
URL: https://www.bankofcanada.ca/wp-content/uploads/2014/08/wp2014-33.pdf
17. Selgin G. Synthetic Commodity Money. Journal of Financial Stability, 2015, vol. 17, pp. 92 — 99.
18. Shubik M. Simecs, Ithaca Hours, Berkshares, Bitcoins and Walmarts.
URL: http://www.lse.ac.uk/fmg/assets/documents/papers/special-papers/SP233.pdf
19. Parhizgari A.M., Cho J.H. East Asian Financial Contagion under DCC-GARCH. International Journal of Banking and Finance, 2008, vol. 6, iss. 1, pp. 17 — 30.
Информация о конфликте интересов
Я, автор данной статьи, со всей ответственностью заявляю о частичном и полном отсутствии фактического или потенциального конфликта интересов с какой бы то ни было третьей стороной, который может возникнуть вследствие публикации данной статьи. Настоящее заявление относится к проведению научной работы, сбору и обработке данных, написанию и подготовке статьи, принятию решения о публикации рукописи.
pISSN 2071-4688 eISSN 2311-8709
CRYPTOASSETS PRICING AND EQUITY INDICES CORRELATION Aleksei Yu. MIKHAILOV
Theory of Finance
Financial University under Government of Russian Federation, Moscow, Russian Federation
ayumihajlov@fa.ru
orcid.org/0000-0003-2478-0307
Article history:
Received 26 January 2018 Received in revised form 9 February 2018 Accepted 26 February 2018 Available online 27 March 2018
JEL classification: C72, D61, E42
Keywords: Bitcoin, estimation theory, volatility flow, equity markets returns, Google-query
Abstract
Importance The paper investigates the features of cryptoasset pricing and correlation with asset prices in stock markets.
Objectives The paper aims to study the factors influencing the price dynamics of Bitcoin. The article is to study if there is any correlation with financial indices such as the S&P 500. Methods The study uses the traditional frequency-domain approach in quantile regression based on the Bayesian method.
Results Bitcoin price volatility has a noticeable correlation with the volatility of financial indices, such as S&P 500 due to the spillover effect of the financial markets. But there is no clear relationship found between Google search queries and the Bitcoin price dynamics. Bitcoin prices move primarily under the influence of investors' interest in cryptocurrency as an alternative saving tool.
Conclusions and Relevance The practical significance of the work is to structure the existing knowledge about the factors influencing the price of Bitcoin. The given methods have allowed to define the most influential factors explaining dynamics of Bitcoin in 2017.
© Publishing house FINANCE and CREDIT, 2018
Please cite this article as: Mikhailov A.Yu. Cryptoassets Pricing and Equity Indices Correlation. Finance and Credit, 2018, vol. 24, iss. 3, pp. 641-651. https://doi.org/10.24891/fc.24.3.641
References
1. Mikhailov A.Yu. [A theory of cryptoasset valuation]. Finansovaya Analitika: Problemy i Resheniya = Financial Analytics: Science and Experience, 2017, vol. 10, iss. 6, pp. 691 — 700. URL: https://doi.org/10.24891/fa.10.6.691
2. Brière M., Oosterlinck K., Szafarz A. (2013). Virtual Currency, Tangible Return: Portfolio Diversification with Bitcoins. CEB Working Paper, 2017, no. 13/031.
URL: https://doi.org/10.2139/ssrn.2324780
3. Popper N. Digital Gold: The Untold Story of Bitcoin. London, Penguin Publ., 2015, 432 p.
4. Baur D.G., Lucey B.M. Is Gold a Hedge or a Safe Haven? An Analysis of Stocks, Bonds and Gold. Financial Review, 2010, no. 45, pp. 217 — 229. URL: https://doi.org/10.1111/j.1540-6288.2010.00244.x
5. Becker J., Breuker D., Heide T. et al. Can We Afford Integrity by Proof-of-Work? Scenarios Inspired by the Bitcoin Currency.
URL: https://pdfs.semanticscholar.org/58ef/3f3e12443581761f159a90f27f28952f9879.pdf? _ga=2.193334509.1726232354.1519728314-2060490400.1519728314
6. Brandvold M., Molnar P., Vagstad K. et al. Price Discovery on Bitcoin Exchanges. Journal of International Financial Markets, Institutions and Money, 2015, no. 36, pp. 18 — 35.
URL: https://doi.org/10.1016/j.intfin.2015.02.010
7. Dwyer G.P. The Economics of Bitcoin and Similar Private Digital Currencies. Journal of Financial Stability, 2015, no. 17, pp. 81-91. URL: https://doi.org/10.10Wj.jfs.2014.ll.006
8. Valstad O.C.A., Vagstad K. A Bit Risky? A Comparison between Bitcoin and Other Assets Using an Intraday Value-at-Risk Approach, 2015.
URL: https://brage.bibsys.no/xmlui/bitstream/handle/11250/266806/742882_FULLTEXT01.pdf? sequence=2&isAllowed=y
9. Eisl A., Gasser S.M., Weinmayer K. Caveat Emptor: Does Bitcoin Improve Portfolio Diversification? SSRN Electronic Journal, 2015. URL: https://doi.org/10.2139/ssrn.2408997
10. Yermack D. Is Bitcoin a Real Currency? An Economic Appraisal. Bitcoin, Innovation, Financial Instruments, and Big Data, 2015, pp. 31—43.
URL: https://doi.org/10.1016/B978-0-12-802117-0.00002-3
11. Dyhrberg A.H. Hedging Capabilities of Bitcoin. Is It the Virtual Gold? Finance Research Letters, 2016, no. 16, pp. 139 — 144. URL: https://doi.org/10.1016/j.frl.2015.10.025
12. Engle R.F. Dynamic Conditional Correlation — A Simple Class of Multivariate GARCH Models. Journal of Business and Economic Statistics, 2002, vol. 20, iss. 3, pp. 339 — 350.
URL: http://archive.nyu.edu/bitstream/2451/26482/2/02-38.pdf
13. Hafner C.M., Reznikova O. On the Estimation of Dynamic Conditional Correlation Models. Computational Statistics & Data Analysis, 2012, vol. 56, iss. 11, pp. 3533 — 3545.
URL: https://doi.org/10.1016/j.csda.2010.09.022
14. Ratner M., Chiu-Chieh C. Hedging Stock Sector Risk with Credit Default Swaps. International Review of Financial Analysis, 2013, no. 30, pp. 18 — 25.
URL: https://doi.org/10.1016/j.irfa.2013.05.001
15. Rogojanu A., Badea L. The Issue of Competing Currencies. Case Study — Bitcoin. Theoretical and Applied Economics, 2014, no. 1, pp. 103 — 114. URL: http://store.ectap.ro/articole/946.pdf
16. Gandal N., Halaburda H. Competition in the Cryptocurrency Market. Bank of Canada Working Paper, 2014, no. 2014-33.
URL: https://www.bankofcanada.ca/wp-content/uploads/2014/08/wp2014-33.pdf
17. Selgin G. Synthetic Commodity Money. Journal of Financial Stability, 2015, no. 17, pp. 92 — 99. URL: https://doi.org/10.1016/j.jfs.2014.07.002
18. Shubik M. Simecs, Ithaca Hours, Berkshares, Bitcoins and Walmarts. LSE Financial Markets Group Special Paper Series, 2014, no. 233.
URL: http://www.lse.ac.uk/fmg/assets/documents/papers/special-papers/SP233.pdf
19. Parhizgari A.M., Cho J.H. East Asian Financial Contagion under DCC-GARCH. International Journal of Banking and Finance, 2008, vol. 6, iss. 1, pp. 17 — 30.
Conflict-of-interest notification
I, the author of this article, bindingly and explicitly declare of the partial and total lack of actual or potential conflict of interest with any other third party whatsoever, which may arise as a result of the publication of this article. This statement relates to the study, data collection and interpretation, writing and preparation of the article, and the decision to submit the manuscript for publication.
