گله در ایالات و شرایط مختلف: شواهدی از بازار رمزنگاری

در این مقاله ، ما یک تحلیل عمیق از ماهیت گله در بازار cryptocurrency ارائه می دهیم. ما برای نشان دادن تجزیه و تحلیل از 200 داده اول سکه رمزنگاری شده بر اساس سرمایه گذاری در بازار در تاریخ 1 ژانویه 2020 استفاده می کنیم. ما ماهیت و شدت گله سرمایه گذاران رمزنگاری را از نظر شرایط مختلف (با استفاده از داده های فرکانس روزانه ، هفتگی و ماهانه) و ایالات مختلف (حالت های بالا در مقابل پایین EPU و کشورهای بالا در مقابل VIX پایین) نشان می دهیم. ما همچنین میزان تأثیر گله را در بازده بازار روز بعد در بازار cryptocurrency نشان می دهیم.

روی نسخه خطی کار می کنید؟

از رایج ترین اشتباهات خودداری کنید و نسخه خطی خود را برای ویراستاران ژورنال آماده کنید.

معرفی

رفتار سرمایه گذاری منطقی یکی از اساسی ترین گزاره ها در نظریه مالی استاندارد است. با این حال ، درک رفتار سرمایه گذاری ناقص است که تعداد کمی از تعصبات رفتاری که ریشه در ذهن سرمایه گذاران در تنظیمات بازار واقعی دارد ، کاملاً از توجه نادیده گرفته می شود. در سالهای اخیر ، محققان امور مالی به طور فزاینده ای روی موضوعات مختلف رفتاری متمرکز شده اند و رفتار گله یکی از آنهاست. در حالی که بورس سهام نشانگر یک تنظیم رایج برای آزمایش بسیاری از تأثیرات فرضیه فعالیتهای سرمایه گذاری مغرضانه رفتاری است ، تحقیقات کمی در زمینه بازار رمزنگاری انجام شده است. این تحقیق تجزیه و تحلیل مفصلی از ماهیت گله دار و انحراف آن در حالتهای مختلف و داده های فرکانس در بازار cryptocurrency ارائه می دهد.

کریستی و هوانگ (1995) ابتدا از یک انحراف استاندارد مقطعی (CSSD) به عنوان متغیر اصلی که می تواند رفتار گله را توضیح دهد ، استفاده می کنند. بعداً مطالعات بی شماری در مورد این مسئله رفتاری در بازارهای مختلف مالی گزارش شده است (به چو و همکاران 1999 ؛ هوانگ و سالمون 2004 ؛ چیانگ و ژنگ 2010) مراجعه کنید. در مقاله اخیر ، ویدال-تومس و همکاران.(2019) اثری از گرایش گله در بازار رمزنگاری را گزارش می دهد. آنها فاش می کنند که سکه های کوچک رمزنگاری با سکه های بزرگ گله می کنند. از این رو ، سرمایه گذاران رمزنگاری انتخاب خود را در مورد حرکت ارزهای رمزپایه پیشرو انجام می دهند. به گفته آنها ، بیت کوین تنها مسئول این روند بازار نیست ، زیرا بقیه بازار با این سکه رمزنگاری گله نمی کند. تحقیقات فعلی توسط سیلوا و همکاران انجام شده است.(2019) که نشان دهنده حضور گله در بازار cryptocurrency است. Stavroyiais و Babalos (2019) همچنین با استفاده از مدل رگرسیون پارامتر متغیر زمان ، شواهد گله ای را در بازار رمزنگاری نشان می دهند.

در این مقاله ، ما یک مطالعه عمیق در مورد تمایل گله دار بازار سکه رمزنگاری در حالت های مختلف و داده های فرکانس ارائه می دهیم. این مقاله اساساً با تحقیقات قبلی متفاوت است به این معنا که ما رفتار گله دار را با شرایط مختلف بازده (کوتاه ، متوسط و طولانی) و افق های زمانی مختلف (EPU بالا ، EPU پایین ، VIX بالا ، دوره های VIX کم) تجزیه و تحلیل می کنیم. نتایج نشان می دهد که ماهیت و مقیاس گله دار در کوتاه مدت با ماهیت و مقیاس گله دار در طولانی و متوسط نیست. به همین ترتیب ، هدر رفتن در EPU بالا (عدم اطمینان سیاست اقتصادی) و VIX (شاخص نوسانات CBOE) مانند کشورهای پایین EPU و VIX نیست. میزان سطح گله سرمایه گذاران در پنجه های مختلف پراکندگی بازگشت یکسان نیست. در این مقاله ، ما همچنین تأثیر گله را در بازده بازار سکه روز بعد در شرایط مختلف بازار نشان می دهیم.

طی چند سال گذشته ، محققان عمدتاً روی بیت کوین متمرکز شده اند و از رویکردهای متنوعی برای تجزیه و تحلیل الگوی سرمایه گذاری ، عملکرد و پیش بینی آن استفاده کرده اند (به Urquhart 2016 ؛ Chaim and Laurini ، 2018 ؛ Grobys et al. ، 2020) و غیره جدا ازاینها ، تعداد زیادی از مقالات وجود دارد که در چند ارز رمزنگاری عمده مانند Ethereum ، Litecoin و غیره منتشر شده است (همچنین به Caporale و همکاران 2018 ؛ یی و همکاران 2018 مراجعه کنید). با این حال ، تعداد کمی از مقالات وجود دارد که به طور کلی به بازار رمزنگاری می پردازند. از آنجا که تعداد شرکت کنندگان در بازار به دلیل ویژگی های کم هزینه و آسان معامله در بازار رمزنگاری در حال افزایش است ، تحقیقات بیشتری در مورد این بازار برای کشف ماهیت و رفتار سرمایه گذاران سکه رمزنگاری ضروری است. از کیفیت ذاتی یک انسان ، سرمایه گذاران بر اساس تصمیمات همسالان خود سرمایه گذاری می کنند. جای تعجب آور نیست که قیمت سکه ممکن است از اصول اساسی آنها منحرف شود.

گله زمانی مشاهده می شود که سرمایه گذاران به جای استفاده از قضاوت خود ، از سایر شرکت کنندگان در بازار تقلید می کنند. این رفتار ممکن است گاهی اوقات به صورت جداگانه منطقی باشد ، به این معنی که ممکن است سرمایه گذاران فکر کنند که اطلاعات کمتری نسبت به گروهی از سرمایه گذاران دیگر دارند (اوری و زمسکی 1998). برعکس ، رفتار گله ممکن است با تقلید از تصمیم اشتباه همسالان خود ، سرمایه گذاران بیش از حد یا اوراق بهادار خود را نادیده بگیرند. در بازار سکه رمزنگاری ، رفتار گله ممکن است به هر دو شکل وجود داشته باشد ، اما تفکیک این رفتار در این مرحله دشوار است. آثار تجربی در مورد گله ها عمدتاً به دو رشته اصلی تقسیم می شوند. اولین موضع استفاده از داده های خاص سرمایه گذار برای بررسی گله های مربوط به سرمایه گذاران نهادی است که در آن شواهدی از همبستگی بین فعالیت های سرمایه گذاری وجود دارد (به Wermers 1999 مراجعه کنید). مورد دوم این است که محققان از داده های کل بازار برای یافتن همبستگی بازارها برای الگوی تصمیم گیری مشترک یا مشابه سرمایه گذاران فردی استفاده می کنند (کریستی و هوانگ 1995 ؛ گالاریوتیس و همکاران 2015).

ما در این مقاله به چندین سؤال تجربی مربوط به گله های بازار رمزنگاری می پردازیم: آیا رفتار گله در بازار رمزنگاری قابل توجه است؟اگر چنین است ، آیا از نظر بازده مختلف (کوتاه ، طولانی و متوسط) قابل توجه است؟آیا تفاوت در شدت گله نسبت به حالتهای مختلف وجود دارد؟ما همچنین سعی می کنیم این سؤال را حل کنیم که آیا گله در بازده بازار سکه روز بعد در شرایط مختلف بازار وجود دارد یا خیر. تحقیقات دقیق درباره رفتار گله در بازار رمزنگاری به دلایل مختلف مهم است. اول ، این یک توضیح رفتاری در مورد دلایل نوسانات بالا و حرکت شدید بازار مشاهده شده در قیمت سکه رمزنگاری در دوره های خاص و همچنین پیامدهای قیمت گذاری دارایی آن ارائه می دهد. دوم ، از آنجا که حباب ها و تصادفات یک پدیده رایج در این بازار است ، گله دار چیزی است که ممکن است این شرایط شدید را تشدید کند. سوم ، تاکنون بیشتر تحقیقات مرتبط با رمزنگاری متمرکز بر مباحث مربوط به سرریز نوسانات سکه های بزرگ رمزنگاری شده است (به Zięba و همکاران 2019 ؛ یی و همکاران 2018) ، کارآیی بازار (مراجعه کنید به Vidal-Tomás و همکاران. 2019 ؛ Bariviera 2017) ، و غیره ؛با این حال ، جنبه رفتاری این بازار کاملاً نادیده گرفته می شود.

در این مطالعه ، ما ضریب بازگشت نشانگر Squire منفی و قابل توجه را در نتایج فرکانس روزانه می یابیم که نشانگر وجود رفتار گله در کوتاه مدت در بازار رمزنگاری است ، اگرچه این تمایل در میانه و بلند مدت کاهش می یابد. دلیل این امر ممکن است این باشد که سرمایه گذاران در کوتاه مدت از حرکت رمزنگاری های اصلی پیروی کنند ، اما بعداً آنها آن قیمت را به طور مستقل مطابق با شایستگی آن رمزنگاری خاص تنظیم می کنند. ما همچنین می یابیم که در دوره های عدم اطمینان بیشتر (در دوره های بحران مالی) گلها نسبت به دوره های عدم اطمینان عادی یا پایین تر مشهود است. ما مشاهده می کنیم که گله های قابل توجهی در شرایط شدید بالا و پایین بازار در مورد و فرکانس ماهانه وجود دارد. ما همچنین می دانیم که رگرسیون فرکانس ماهانه اثری از گله ها را در رگرسیون بازار بالا و پایین نشان می دهد. بقیه مقاله به شرح زیر است: بخش 2 بررسی ادبیات را ارائه می دهد. بخش 3 داده ها و روش ها است. بخش 4 نتایج تجربی را ارائه می دهد. بخش 5 نتیجه می گیرد

بررسی ادبیات

در این بخش ، این مقاله دو جنبه ادبیات را مورد بحث قرار می دهد. رشته اول با رفتار گله ای مرتبط است که یکی از موضوعات گسترده و شدید در ادبیات مالی رفتاری است و جریان دوم ادبیات به طور کلی مربوط به بازار رمزنگاری است. ما همچنین این ادبیات مربوط به گله را به کلاسهای مختلف دارایی تقسیم می کنیم. گروه اول ادبیات مربوط به ماهیت گله بازار سهام است. سپس ، ما در مورد مقالات گله دار مربوط به کلاسهای دارایی دیگر بحث می کنیم. چیانگ و ژنگ (2010) رفتار گله دار را در چند بازار سهام مشاهده می کنند. آنها از داده های 18 کشور از 25 مه 1988 تا 24 آوریل 2009 استفاده می کنند و نشان می دهند که بازارهای آسیایی و پیشرفته اثری از پدیده گله دارند ، اما هیچ مدرکی در مورد گله در بازار آمریکای لاتین وجود ندارد. آنها همچنین نشان می دهند که بحران مالی باعث تمایل به گله در کشور مبدا و بعداً در کشورهای همسایه گسترش می یابد. چونگ و همکاران به روش مشابه.(2017) دلایل تمایل گله در بازار چین را کشف کنید. آنها یک پدیده گله دار قابل توجه در هر دو بازارهای بالا و پایین پیدا می کنند. آنها تأثیر حدس و گمان ، محدودیت های دولت ، در دسترس بودن اطلاعات و خطر سیستماتیک بر رفتار گله بازار سهام چین را نشان می دهند. آنها نشان می دهند که رفتار گله برای سهام با نوسانات خاص خاص و خاص نیست. درعوض ، برای سهام با ریسک سیستماتیک بالا شیوع بیشتری دارد. چیانگ و همکاران.(2010) همچنین اثر گله ای قابل توجه در بازار سهم شانگهای و شنژن را پیدا می کند ، اما در بازارهای سهام B- شواهد گله ای دریافت نمی کند. آنها از رگرسیون کمی برای تشخیص تمایل گله ای این سرمایه گذاران سهام چینی استفاده می کنند.

دانگ و لین (2016) رفتار گله را از طریق داده های کل بازار برای سهام که در آن با اطلاعات متنوع خود روی ماهیت شرکت کنندگان تصادفی تمرکز می کنند ، تجزیه و تحلیل می کنند. آنها سعی می کنند تست های مربوط به گله اساسی و غیر بودجه را ارتقا دهند. نتایج تجربی آنها در داخل و بین گروه گله در بین داوران و معامله گران نویز نشان می دهد. چیانگ و همکاران.(2013) در مورد الگوی گله در بازار سهام منطقه حوضه اقیانوس آرام تحقیق کنید. آنها نشان می دهند که گله دار متغیر است و در بازارهای خرس و گاو نر مشهود است. Mobarek و همکاران.(2014) رفتار گله را در بازار سهام توسعه یافته اروپا بررسی می کند ، و آنها نشان می دهند که گله در زمان عادی مشهود نیست بلکه در وضعیت شدید بازار قابل توجه است. Kudryavtsev (2019) رفتار گله کوتاه در بازده بازار را بررسی می کند. او از داده های شاخص از S& P 500 استفاده می کند و از دو اقدامات مختلف گله دار بر اساس مقطع انحراف روزانه استفاده می کند. او می یابد که سطح گله ها میزان وارونگی را کنترل می کند ، که به دنبال بازده منفی و مثبت بازار است. Sarwar (2012) روابط مقایسه ای شاخص VIX را با بازده شاخص سهام در کشورهای BRIC (برزیل ، روسیه ، هند و چین) و ایالات متحده بازرسی می کند. وی ادعا می کند که یک رابطه منفی و قابل توجه معاصر بین VIX و بازگشت بازار ایالات متحده ، چین و برزیل وجود دارد. وی همچنین می یابد که یک رابطه منفی قوی در بین تغییرات در شاخص VIX و بازگشت شاخص بازار ایالات متحده وجود دارد و رابطه در دوره های VIX بی ثبات بالاتر شدت می یابد. کرمر و ناتز (2013) شواهدی مبنی بر گله گله های نهادی نشان می دهند. آنها از پایگاه داده بازار سهام آلمان برای نشان دادن رفتار روزانه سرمایه گذاران نهادی استفاده می کنند. آنها تأکید می کنند که گلها در بزرگترین و بسیار مایع سهام مشهود است. Bekiros و همکاران.(2017) تأثیر گله بر نوسانات تحت عدم اطمینان را بررسی کنید. یافته های آنها ادعا می کند که در شرایط شدید بازار ، گلها شدیدتر از شرایط عادی است. آنها همچنین نشان می دهند که گله شدید در ابتدای دوره بحران مشاهده می شود اما در پایان می میرد.

هوانگ و سالمون (2004) از روشی جدید حمایت می کنند که مبتنی بر پراکندگی مقطعی مربوط به حساسیت عامل دارایی ها است. این رویکرد می تواند تصور کند که آیا تمایل به گله به هر بخش وجود دارد یا خیر. آنها از بازارهای سهام ایالات متحده و کره جنوبی برای استفاده از این رویکرد استفاده می کنند. آنها نشان می دهند که ماکروفکتورها نمی توانند بر رفتار گله تأثیر بگذارند. در عوض ، بدون در نظر گرفتن شرایط بازار به طور مستقل حرکت می کند. دمیر و همکاران.(2010) شواهد گله ای عاقلانه بخش را در بازار سهام تایوانی تشخیص دهید. آنها پیامدهای مربوط به رفتار گله را توضیح می دهند و سعی می کنند منبع این پدیده گله دار را کشف کنند. لی (2017) رفتار گله را با استفاده از یک اندازه گیری جدید بر اساس همبستگی مقطعی بررسی می کند و سیگنال محکمی از گلها را در طول حرکت قیمت منفی در اواسط تا بزرگ دریافت می کند اما هیچ اثری از گله در هنگام حرکت مثبت نیست. او از بازده هفتگی سهام NYSE در بازه زمانی ژوئیه 1963 تا دسامبر 2014 استفاده می کند. Vo et al.(2017) از داده های فرکانس روزانه ، هفتگی و ماهانه برای نشان دادن شواهد گله در بازار سهام ویتنام استفاده کنید. آنها از رویکرد CSSD پیشنهاد شده توسط کریستی و هوانگ (1995) و CSAD که توسط چانگ و همکاران تهیه شده است استفاده می کنند.(2000) برای نشان دادن رفتار گله ای قوی در این بازار. آنها استدلال می كنند كه گلها در بازار كاهش و نه در بازار ویتنام شدید است و روزهای پایین حجم معاملات دارای شواهد گله دار قوی تری نسبت به روزهای حجم بالا است. آنها همچنین نشان می دهند که گله در روزهای قبل از بحران و نه روزهای پس از بحران ، مهمتر است. لیتیمی و همکاران.(2016) نشان می دهد که نوسانات شدید بازار و حباب ها ناشی از تمایل گله سرمایه گذاران در بازار ایالات متحده در سطح بخش است. آنها از تست علیت Granger استفاده می کنند تا نشان دهند که گلها منبع اصلی حباب در چند بخش است. گونگ و دای (2017) توضیح می دهند که چگونه نرخ بهره و نرخ ارز گله ای را در بازار سهام چین ترغیب می کند. آنها همچنین نشان می دهند که در کوینتیل نوسانات ایدیوسیکاتیک ، شدت گله تقریباً دو برابر از کمترین کوینتیت نوسانات ایدیوسنکراتیک است. این نتیجه مطابق با مسئله سهام قرعه کشی است که در آن سرمایه گذاران انفرادی از سهام بازده مثبت مثبت بیش از حد قیمت گذاری می کنند.

در این بخش ، در مورد ادبیات مربوط به گله در سایر مناطق دارایی بحث می کنیم. Clement and TSE (2005) در مورد ویژگی های تحلیلگر مالی و رفتار گله دار در پیش بینی S بر اساس پیش بینی I/B/E/S از درآمد سالانه از سال 1989 تا 1998 تحقیق می کنند. اندازه شرکت کارگزاری ، فراوانی پیش بینی ، صحت تجزیه و تحلیل قبلی و غیره. جیانگ و وراردو (2018) ارتباط بین پدیده های گله دار را در زمینه صنعت صندوق متقابل تجزیه و تحلیل می کنند. آنها نشان می دهند که بین رفتار گله و مهارت در صنعت صندوق های متقابل رابطه منفی قابل توجهی وجود دارد. آنها نشان می دهند که وجوه درگیر در گلها نسبت به همسالان خود در هر سال 2 درصد کمتری دارد. جیانگ و وراردو (2018) بر این مسئله تمرکز می کنند که چگونه تغییر مهارت ممکن است باعث ایجاد تفاوت در رفتار گله دار شود. آنها بیشتر به رفتار نامطلوب در رفتار درون آهن و عملکرد آینده مهارت مدیریتی می پردازند. بهادر و همکاران.(2019) رفتار گله مربوط به بودجه مبادله ای با استفاده از مبادله را بررسی کنید. آنها نشان می دهند که در روزهای خرس در طول معاملات روزانه و در دوره های بحران ، رفتار گله مشهودتر است. Voukelatos و Verousis (2019) سعی می کنند گله های بازار ایالات متحده را با اطلاعات مورد استفاده گزینه ارتباط برقرار کنند. آنها ادعا می کنند که به طور کلی ، بازار ایالات متحده هیچ تمایل گله ای ندارد ، اما گله های قابل توجهی در دوره هایی با اطلاعات مربوط به گزینه وجود دارد ، که می تواند دیدگاه منفی از چشم انداز آینده آن بازار را نشان دهد. آنها همچنین نشان می دهند که تصمیمات سرمایه گذار تمایل دارد در طی دوره های شاخص نوسانات ضمنی به سمت اجماع بازار حرکت کند. اوری و زمسکی (1998) رابطه بین قیمت دارایی و رفتار گله را نشان می دهند و بررسی می کنند که آیا رضایت گله به یک داوری برای استفاده سودآوری از فرایند یادگیری بازار استفاده می کند. بازخورد مثبت و گله سرمایه گذاران فردی و نهادی تأثیر آن را بر قیمت و تجارت نشان می دهد که توسط Nofsinger و Sias (1999) نشان داده شده است. آنها همچنین نشان می دهند که گله نهادی با بازگشت تاخیر ارتباط مثبت دارد. آنها همچنین نشان می دهند که گله های نهادی منطقی است ، اما هیچ مدرکی مبنی بر وارونگی بازگشت در طی دو سال پس از دوره گله وجود ندارد. کای و همکاران.(2019) بررسی می کند که در مورد اوراق قرضه شرکت ، گله نهادی نهادی بسیار قوی تر از آنچه مستند است ، و فروش گلها بالاتر و شدیدتر از خرید گله است.

آنها استدلال می کنند که در بازار اوراق بهادار شرکت سرمایه گذاران نهادی تأثیر چشمگیری نشان می دهند و شواهد در حال رشد وجود دارد که نشان می دهد گله و تأثیر قیمت مربوط به آن در بازار اوراق بهادار شرکت های ایالات متحده

جدا از ادبیات مربوط به گله ، چند ادبیات مربوط به رمزنگاری وجود دارد که برای پرداختن به آنها مورد نیاز است. ناکاموتو (2008) برای اولین بار بیت کوین را به عنوان یک رمزنگاری با متحد کردن بسیاری از ایده های فعلی از جامعه Cypherpunk معرفی می کند. پس از آن ، تقریباً 1700 سکه رمزنگاری مختلف به عنوان رمزنگاری ثبت شده است و روز به روز تأثیر این بازار قوی تر می شود. لیو و همکاران.(2020) سه عامل خطر مشترک را در بازار رمزنگاری ، که با بازده بازار ، سرمایه بازار و حرکت همراه است ، تشخیص دهید. آنها از هر دو سری زمانی و تجزیه و تحلیل مقطعی برای نشان دادن تأثیر آن عوامل در بازگشت رمزنگاری استفاده می کنند. Zięba و همکاران.(2019) وابستگی های متقابل بین برگه های ورود به سیستم سکه های رمزنگاری شده در بازار رمزنگاری را بررسی کنید. آنها خصوصیات توپولوژیکی ویژه بازار cryptocurrency را کشف می کنند. در یک تحقیق اخیر ، فیلیپاس و همکاران.(2020) تأثیر سیگنال های آموزنده عوامل اگزوژن بر میزان رفتار گله در بازار رمزنگاری را تجزیه و تحلیل کنید. این تحقیق یک رویکرد منحصر به فرد را ارائه می دهد که می تواند سیگنال های استخراج شده را درون زایی ایجاد کند. آنها عدم تقارن قابل توجهی در مورد بزرگی گله ، که از عوامل اگزوژن ناشی می شود ، می یابند.

Grobys and Sapkota (2019) تأثیر حرکت در بازار cryptocurrency را بررسی می کنند. با استفاده از 143 داده قیمت Cryptocurrency از سال 2014 تا 2018 ، آنها نشان می دهند که cryptocurrency دارای یک اثر حرکت ناچیز است و حرکت مقطعی تمایل به تولید بازپرداخت منفی دارد که عمدتا ناچیز هستند. چنگ و دای (2020) نشان می دهند که قیمت بیت کوین و حجم ورود سرمایه مربوط به جفت های ارز ، با سود تبدیل ارز بالا ، برای حمل بازده به میزان قابل توجهی پاسخ مثبت می دهد. Katsiampa و همکاران.(2019) نشان می دهد که حجم cryptocurrency تحت تأثیر جریان تقاضای اطلاعات گذشته است. آنها از مدل VAR و آزمون علیت گرنجر برای نشان دادن رابطه استفاده می کنند.

ین و چنگ (2020) رابطه بین عدم اطمینان سیاست اقتصادی (EPU) با نوسانات رمزنگاری را بررسی می کنند. آنها دریافتند که رابطه بین عدم اطمینان سیاست اقتصادی (EPU) و نوآوری رمزنگاری منفی و قابل توجه است. آنها ادعا می کنند که ممنوعیت تجارت رمزنگاری توسط دولت چین نمی تواند تأثیر قابل توجهی در قدرت پیش بینی EPU چینی بر نوسانات بازگشت cryptocurrency داشته باشد. گروبیس و همکاران.(2020) نشان می دهد که یک تکنیک متوسط متحرک ساده می تواند بازده مثبت در بازار cryptocurrency ایجاد کند. آنها نشان می دهند که بازده اضافی 8. 76 ٪ را می توان از بازار رمزنگاری به استثنای بیت کوین بدست آورد. Chaim and Laurini (2018) نوسانات و پرش های برگشتی را در داده های بیت کوین بررسی می کنند. آنها نشان می دهند که یک نوسان گسترده ناگهانی قیمت ممکن است برای نوسانات بی قید و شرط بالا در بازار رمزنگاری پاسخگو باشد.

داده ها و روش شناسی

در این مقاله ، قیمت cryptocurrency و داده های سرمایه گذاری در بازار 200 ارز برتر ارز از https://coinmarketcap.com/ بارگیری می شود. شاخص عدم قطعیت سیاست اقتصادی (EPU) و شاخص نوسانات گزینه Chicago Board (CBOE) (VIX) از EPU (https://www.policyunctionty.com/us_monthly.html) و صفحه وب یاهو (https: //) بارگیری می شود. به ترتیب Finance. yahoo.com/quote/٪5evix/). ما 200 ارز رمزنگاری را بر اساس سرمایه گذاری در بازار اول ژانویه 2020 رتبه بندی می کنیم. ما با دنبال کردن یی و همکاران ، 200 ارز رمزنگاری را در نظر می گیریم.(2018). بسیاری از محققان از 5-10 رمزنگاری برتر استفاده می کنند زیرا این سکه های اصلی اکثر سرمایه گذاری در بازار را دارند (به جی و همکاران 2019 ؛ بور و همکاران 2019 مراجعه کنید). با این حال ، این تحقیق مربوط به رفتار گله ای است که ما دوست داریم نشان دهیم که سکه های کوچک از سکه های بزرگ پیروی می کنند و چگونه بازار کلی به عنوان یک گروه حرکت می کند. بنابراین ، مهم است که هر دو سکه بزرگ و کوچک را در این نوع تحقیقات در نظر بگیریم. از این رو ، ما 200 سکه رمزنگاری را در سال 2020 در نظر می گیریم ، ارزش بازار 200 ارز برتر ارز به بیش از 200 میلیارد دلار می رسد (به تاوارس و همکاران 2021 مراجعه کنید). برای تقسیم حالات بالا و پایین EPU و VIX ، ما از مقادیر متوسط این شاخص ها استفاده می کنیم._{برای تشخیص تمایل گله در یک بازار مالی ، عمدتا دو رویکرد وجود دارد که تاکنون مورد استفاده قرار گرفته است. یکی رویکرد خرد و دیگری کلان Approach است. در این مقاله ، ما عمدتاً روی رویکرد کلان تشخیص رفتار گله در بازار رمزنگاری تمرکز می کنیم. اول ، کریستی و هوانگ (1995) انحراف Squire مقطعی را به عنوان متغیری معرفی می کنند که نشان دهنده سطح گله در هر بازار مالی است. پس از آن ، چانگ و همکاران.(2000) اظهار داشت كه در نظریه قیمت گذاری دارایی عقلانی ، رابطه بین پراکندگی بازده و نوسانات بازار یک عملکرد خطی در شرایط عادی است. این بدان معناست که افزایش ارزش بازده مطلق بازار باعث پراکندگی بازده سرمایه گذاران می شود. با این حال ، آنها مشاهده کردند که اگر سرمایه گذاران دوست دارند در طی نوسانات قیمت بزرگتر تصمیم بگیرند ، این رابطه خطی غیرخطی شود. برای گرفتن این حرکت قیمت غیرخطی ، آنها معرفی می کنند (r}m ، t

) 2 در معادله رگرسیون آنها. از این رو ، وجود ضرایب قابل توجه منفی نشان دهنده اثری از رفتار گله در بازار رمزنگاری است (جداول 1 ، 2).