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.