Рынок криптовалют: сверхреакция на новости и стадные инстинкты

Целью настоящего исследования является изучение отдельных свойств криптовалютного рынка. Руководствуясь концепцией предполагаемой волатильности, авторы изучили свойство асимметрии реакции рынка на новости. На основе концепции реализованной волатильности проверена гипотеза о стадных инстинктах. Для тестирования свойств рынка использована целая комбинация методов — от анализа статистики поисковых запросов, интерпретируемых как прокси-переменная спроса на информацию со стороны «широкой толпы» и профессиональных участников рынка, до продвинутых моделей условной волатильности с переключением рыночных режимов (Markov-Switching GARCH-моделей) и гетерогенных авторегрессионных моделей реализованной волатильности (HAR-RV-J-моделей). В ходе исследования обнаружены разные типы асимметричной реакции рынка криптовалют на новостной фон. В период восходящего ценового ралли и перегрева рынка инвесторы намеренно избегали плохих новостей, в результате наблюдалась обратная (принятому эффекту рычага) асиммет рия на рынке криптовалют. При нисходящем ралли, напротив, проявлялась избыточная реакция участников рынка на плохие новости. Кроме того, наблюдаемая в период низкой волатильности рынка ассиметричная реакция на новости фактически исчезала по мере роста амплитуды колебаний доходности криптовалют. Поведение краткосрочных инвесторов на разных интервалах исследования также оказалось различным. Если в период поступательного роста рынка мелкие спекулянты скорее следовали собственным торговым стратегиям, то во время ажиотажа они заимствовали практики торговли самых крупных игроков. Отмечено, что с течением времени мелкие инвесторы уже в меньшей степени поддавались на провокации со стороны крупных игроков, что не позволило ралли 2019 года превзойти свой аналог образца 2017-го — как по амплитуде колебаний доходности, так и по его продолжительности.

1. Столбов М. И. К десятилетию рынка криптовалют: текущее состояние и перспективы // Вопросы экономики. 2019. № 5. С. 136–148.

2. Al-Yahyaee K. H., Mensi W., Yoon S.-M. Efficiency, Multifractality, and the Long-Memory Property of the Bitcoin Market: A Comparative Analysis with Stock, Currency, and Gold Markets // Finance Research Letters. 2018. Vol. 27(C). P. 228–234.

3. Andersen T., Bollerslev T., Diebold F. Roughing It Up: Including Jump Components in the Measurement, Modeling, and Forecasting of Return Volatility // Review of Economics and Statistics. 2007. Vol. 89. No 4. P. 701–720.

4. Ardia D., Bluteau K., Boudt K., Catania L., Trottier D.-A. Markov-Switching GARCH Models in R: The MSGARCH Package // Journal of Statistical Software. 2019. Vol. 91. No 4. P. 1–38.

5. Baur D. G., Dimpfl T. Asymmetric Volatility in Cryptocurrencies // Economics Letters. 2018. Vol. 173(C). P. 148–151.

6. Bouri E., Gupta R., Roubaud D. Herding Behaviour in Cryptocurrencies // Finance Research Letters. 2019a. Vol. 29(C). P. 216–221.

7. Bouri E., Shahzad S. J. H., Roubaud D. Cryptocurrencies as Hedges and Safe-Havens for US Equity Sectors // The Quarterly Review of Economics and Finance. 2019b. https://www.sciencedirect.com/science/article/pii/S1062976918302357.

8. Catania L., Sandholdt M. Bitcoin at High Frequency // Journal of Risk and Financial Management. 2019. Vol. 12. No 1. P. 1–20.

9. Cheikh N. B., Zaied Y. B., Chevallier J. Asymmetric Volatility in Cryptocurrency Markets: New Evidence from Smooth Transition GARCH Models // Finance Research Letters. 2019. https://www.sciencedirect.com/science/article/pii/S154461231930162X.

10. Chevapatrakul T., Mascia D. V. Detecting Overreaction in the Bitcoin Market: A Quantile Autoregression Approach // Finance Research Letters. 2019. Vol. 30. P. 371–377.

11. Christie A. The Stochastic Behavior of Common Stock Variances: Value, Leverage and Interest Rate Effects // Journal of Financial Economics. 1982. Vol. 10. No 4. P. 407–432.

12. Corbet S., Lucey B., Yarovaya L. Datestamping the Bitcoin and Ethereum Bubbles // Finance Research Letters. 2018. Vol. 26(C). P. 81–88.

13. Corsi F. A Simple Approximate Long-Memory Model of Realized Volatility // Journal of Financial Econometrics. 2009. Vol. 7. No 2. P. 174–196.

14. Corsi F., Pirino D., Renò R. Threshold Bipower Variation and the Impact of Jumps on Volatility Forecasting // Journal of Econometrics. 2010. Vol. 159. No 2. P. 276–288.

15. Dyhrberg A. H. Bitcoin, Gold and the Dollar — A GARCH Volatility Analysis // Finance Research Letters. 2016. Vol. 16. P. 85–92.

16. Fama E. F. Efficient Capital Markets: A Review of Theory and Empirical Work // The Journal of Finance. 1970. Vol. 25. No 2. P. 383–417.

17. Glosten L. R., Jagannathan R., Runkle D. E. On the Relation Between the Expected Value and the Volatility of the Nominal Excess Return on Stocks // The Journal of Finance. 1993. Vol. 48. No 5. P. 1779–1801.

18. Gurdgiev C., O’Loughlin D. Herding and Anchoring in Cryptocurrency Markets: Investor Reaction to Fear and Uncertainty // Journal of Behavioral and Experimental Finance. 2020. Vol. 25. Art. 100271.

19. Gyamerah S. A. Modelling the Volatility of Bitcoin Returns Using GARCH Models // Quantitate Finance and Economics. 2019. Vol. 3. No 4. P. 739–753.

20. Jiang Y., Nie H., Ruan W. Time-Varying Long-Term Memory in Bitcoin Market // Finance Research Letters. 2018. Vol. 25(C). P. 280–284.

21. Kallinterakis V., Wang Y. Do Investors Herd in Cryptocurrencies — and Why? // Research in International Business and Finance. 2019. Vol. 50(C). P. 240–245.

22. Kristoufek L. BitCoin Meets Google Trends and Wikipedia: Quantifying the Relationship Вetween Phenomena of the Internet Era // Scientific Reports. 2013. Vol. 3. No 3415.

23. Muller U. A., Dacorogna M. M., Dave R. D., Olsen R. B., Pictet O. V., von Weizsacker J. E. Volatilities of Different Time Resolutions — Analysing the Dynamics of Market Components // Journal of Empirical Finance. 1997. Vol. 4. No 2–3. P. 213–239.

24. Nelson D. B. Conditional Heteroskedasticity in Asset Returns: A New Approach // Econometrica. 1991. Vol. 59. No 2. P. 347–370.

25. Sensoy A. The Inefficiency of Bitcoin Revisited: A High-Frequency Analysis with Alternative Currencies // Finance Research Letters. 2019. Vol. 28(C). P. 68–73.

26. Takaishi T., Adachi T. Taylor Effect in Bitcoin Time Series // Economics Letters. 2018. Vol. 172(C). P. 5–7.

27. Urquhart A. The Inefficiency of Bitcoin // Economics Letters. 2016. Vol. 148(C). P. 80–82.

28. Vidal-Tomás D., Ibañez A. Semi-Strong Efficiency of Bitcoin // Finance Research Letters. 2018. Vol. 27(C). P. 259–265.

29. Zakoian J.-M. Threshold Heteroskedastic Models // Journal of Economic Dynamics and Con trol. 1994. Vol. 18. No 5. P. 931–955.