La crypto-monnaie est un phénomène récent qui fait l'objet d'une attention
particulière. D'une part, elle repose sur une technologie fondamentalement
nouvelle, dont le potentiel n'est pas entièrement compris. En revanche, du moins sous sa forme actuelle, il remplit des fonctions similaires à d'autres actifs plus traditionnels. Une grande attention académique s'est concentrée sur le développement de modèles théoriques de crypto-monnaies. La littérature théorique sur les crypto-monnaies a suggéré un certain nombre de facteurs potentiellement importants dans l'évaluation des crypto-monnaies. Le premier groupe d'articles construit des modèles soulignant l'effet de réseau de l'adoption de la crypto- monnaie(e.g. Pagnotta et Buraschi 2018 ; Biais et al. 2018 ; Cong, Li et Wang 2019) et met l'accent sur la dynamique des prix induite par l'externalité positive de l'effet de réseau. Le deuxième groupe d'articles se concentre sur le côté production des pièces - le problème des mineurs (par exemple, Cong, He et Li 2018 ; Sockin et Xiong 2019) - et montre que l'évolution des prix des crypto-monnaies est liée au coût marginal de production.Le troisième groupe d'articles relie les mouvements de prix des crypto-monnaies à ceux des classes d'actifs traditionnelles telles que la monnaie fiduciaire (par exemple, Athey et al. 2016 ; Schilling et Uhlig 2019 ; Jermann 2018). Il existe également une littérature croissante sur les régularités empiriques des crypto-monnaies.Borri (2019) montre que les crypto- monnaies individuelles sont exposées aux risques extrêmes du marché des crypto- monnaies. Makarov et Schoar (2020) constatent que les marchés de la crypto-monnaie présentent des périodes d'opportunités d'arbitrage potentielles entre les bourses.Griffin et Shams (2020) étudient la manipulation des prix du Bitcoin. Notre article est la première analyse complète des crypto-monnaies à travers le prisme de la tarification empirique des actifs. Son apport est double.Premièrement, il teste les mécanismes et les prédictions des modèles théoriques existants.Deuxièmement, il établit un ensemble de faits de base sur la tarification des actifs pour cette classe d'actifs, qui fournit une référence commune que les modèles actuels et futurs de crypto-monnaies devraient prendre en considération. Nous commençons par construire un indice des rendements du marché des crypto- monnaies (ou des pièces).Cet indice est le rendement pondéré en valeur de toutes les pièces avec des capitalisations supérieures à 1 million USD (1 707 pièces au total) et couvre la période du 1er janvier 2011 au 31 décembre 2018.Nous décrivons maintenant quelques propriétés statistiques de base de cet indice. Au cours de la période d'échantillonnage, les moyennes des rendements du marché des pièces aux fréquences quotidiennes, hebdomadaires et mensuelles sont de 0,46 %, 3,44 % et 20,44 %, respectivement.Les écarts-types quotidiens, hebdomadaires et mensuels des rendements du marché des pièces sont respectivement de 5,46 %, 16,50 % et 70,80 %.Les rendements du marché des pièces ont une asymétrie et un kurtosis positifs.Nous observons que la moyenne et l'écart type des rendements du marché des pièces sont d'un ordre de grandeur supérieur à ceux des rendements boursiers au cours de la même période.Les ratios de Sharpe aux niveaux quotidien et hebdomadaire sont environ 60 % et 90 % plus élevés, et le ratio de Sharpe au niveau mensuel est comparable à ceux des actions.Les rendements ont une asymétrie positive qui augmente avec les fréquences de quotidien à mensuel.Les rendements connaissent de fortes probabilités de pertes et de gains extrêmes.Par exemple, une perte extrême du rendement négatif quotidien de 20 % sur le marché des pièces se produit avec une probabilité de 0,48 %, tandis qu'un gain extrême de la même taille se produit avec une probabilité de 0,89 %. Nous passons ensuite à l'examen de la relation entre les rendements du marché des pièces et les principaux facteurs spécifiques à la crypto-monnaie proposés dans la littérature théorique.Nous formulons et étudions les facteurs potentiels et les prédicteurs de rendements de crypto-monnaie.Pour chacun de ces facteurs, nous visons à fournir un certain nombre de mesures empiriques possibles, car il n'existe aucun moyen canonique de les définir sur le marché de la crypto-monnaie.Pour chacun de ces facteurs, nous visons à fournir un certain nombre de mesures empiriques possibles, car il n'existe aucun moyen canonique de les définir sur le marché de la crypto-monnaie.Conformément aux modèles de crypto-monnaie basés sur l'effet de réseau, nous constatons que les rendements du marché des pièces sont positivement et significativement exposés à la croissance du réseau de crypto-monnaie. Nous étudions ensuite les implications des modèles de crypto-monnaie basés sur le problème de production des mineurs.Nous construisons des facteurs de production de crypto-monnaie pour représenter le coût du minage et testons la relation entre ces facteurs de production et les prix de la crypto-monnaie.En première approximation, le minage d'une crypto-monnaie nécessite deux entrées : l'électricité et la puissance de l'ordinateur.Nous construisons séparément huit proxys pour les coûts d'électricité et six proxys pour les coûts informatiques.Nous construisons séparément huit proxys pour les coûts d'électricité et six proxys pour les coûts informatiques.Pour l'électricité, nous utilisons des mesures variables dans le temps et spécifiques à l'emplacement du prix, de la consommation et de la production d'électricité aux États-Unis et en Chine (y compris la province du Sichuan, qui abrite la plus grande ferme minière au monde).Pour les proxys des coûts de calcul, nous utilisons les prix de Bitmain Antminer, l'un des équipements miniers Bitcoin courants, comme mesure principale.Nous considérons également des mesures indirectes - les rendements boursiers des entreprises qui sont les principaux fabricants de puces minières.Dans l'ensemble, nous constatons que les rendements du marché des pièces ne sont pas significativement exposés aux facteurs de production de crypto-monnaie. Les modèles théoriques existants des crypto-monnaies ont un certain nombre d'implications pour la prévisibilité des rendements des crypto-monnaies.Certains articles soutiennent que l'évolution des prix des crypto-monnaies devrait suivre une martingale, et que les rendements des crypto-monnaies ne sont donc pas prévisibles (par exemple, Schilling et Uhlig 2019).D'autres articles soutiennent que, dans les modèles d'évaluation dynamiques des crypto-monnaies, les rendements des crypto-monnaies pourraient potentiellement être prédits par l'élan, l'investisseur l'attention et les ratios d'évaluation des crypto-monnaies (par exemple, Cong, Li et Wang 2019 ; Sockin et Xiong 2019).Nous montrons que l'élan et l'attention des investisseurs prédisent fortement les rendements cumulés futurs des crypto- monnaies, mais pas les ratios d'évaluation des crypto-monnaies. Tout d'abord, nous montrons qu'il existe un important phénomène de dynamique des séries chronologiques sur le marché des crypto-monnaies.Tout d'abord, nous montrons qu'il existe un important phénomène de dynamique des séries chronologiques sur le marché des crypto-monnaies.Nous constatons que les rendements actuels du marché des pièces prédisent les rendements futurs cumulés du marché des pièces d'une semaine à huit semaines à l'avance.Par exemple, une augmentation d'un écart type des rendements actuels du marché des pièces de monnaie prédit une augmentation de 3,30 % des rendements hebdomadaires au cours de la semaine prochaine.En regroupant les rendements hebdomadaires par terciles, nous constatons que les terciles supérieurs surperforment les terciles inférieurs sur les horizons d'une à quatre semaines.Par exemple, à l'horizon d'une semaine, le rendement moyen du tercile supérieur est de 8,01 % par semaine avec une statistique t de 4,30, tandis que le rendement moyen du tercile inférieur n'est que de 1,10 % par semaine avec une statistique t de 0,92.Les résultats de la série chronologique de momentum sont valables à la fois dans l'échantillon et hors échantillon.Deuxièmement, nous construisons des procurations pour l'attention des investisseurs avec les recherches Google et montrons qu'une attention élevée des investisseurs prédit des rendements futurs élevés sur des horizons d'une à six semaines.Par exemple, une augmentation d'un écart type de la mesure de l'attention des investisseurs entraîne une augmentation de 3,0 % des rendements futurs du marché des pièces à une semaine.Par exemple, une augmentation d'un écart type de la mesure de l'attention des investisseurs entraîne une augmentation de 3,0 % des rendements futurs du marché des pièces à une semaine.À l'horizon d'une semaine, le rendement moyen du tercile d'attention des investisseurs est de 6,53 % par semaine avec une statistique t de 3,82, tandis que le rendement moyen du tercile inférieur n'est que de 0,43 % par semaine avec une statistique t de 0,42.Un autre indicateur de l'attention des investisseurs que nous construisons est le nombre de publications sur Twitter, et nous obtenons des résultats similaires avec la mesure Twitter.De plus, nous construisons un proxy pour l'attention négative des investisseurs et montrons qu'une attention négative relativement élevée des investisseurs prédit négativement les rendements cumulés futurs du marché des pièces. Les recherches sur le marché des actions (par exemple, Hong, Lim et Stein 2000 ; Hou, Xiong et Peng 2009) montrent qu'il existe une forte interaction entre le dynamique et l'attention des investisseurs.Sockin et Xiong (2019) montrent également que l'attention des investisseurs peut générer une dynamique sur le marché des crypto-monnaies, et dans leur modèle, l'effet dynamique disparaît en contrôlant l'attention des investisseurs.Nous examinons s'il existe une interaction similaire entre l'élan et l'attention des investisseurs sur le marché des crypto- monnaies.Nous constatons que l'attention des investisseurs est élevée pendant et après les périodes de rendements élevés du marché des pièces.Cependant, dans une régression bivariée de la prévisibilité du marché des pièces avec les deux variables, nous montrons que les deux effets ne se subsument pas.Enfin, nous testons si l'ampleur de l'effet momentum est différente pendant les périodes de forte attention des investisseurs et vice versa.
Achetez le Dip ?: Investir dans la Finance Décentralisée et le Trading de Crypto-Monnaies, 2022-2023 - Bull ou Bear ? (Stratégies Intelligentes et Rentables pour les Débutants)
L'analyse technique facile à apprendre: Comment construire et interpréter des graphiques d'analyse technique pour améliorer votre activité de trading en ligne.