Содержание

Крипто-кран Free Monero Faucet — пустая трата времени / Обзор и Отзывы

Крипто-краны – популярный вид заработка в интернете. По моему глубокому убеждению, тратить на них время не стоит. Ибо заработок мизерный, а времени на них уходит много. Но я не стану убеждать любителей кранов бросить ими заниматься. Каждому своё. Что касается проекта Free Monero Faucet, то это натуральный лохотрон. Проект лишь внешне выглядит как кран. Но обо всём по порядку.

E-mail адреса проекта

Внимание! мошенники очень часто меняют адреса своих лохотронов. Поэтому название, адрес сайта или email может быть другим! Если Вы не нашли в списке нужный адрес, но лохотрон очень похож на описанный, пожалуйста свяжитесь с нами или напишите об этом в комментариях!

Информация о проекте

Сайт англоязычный, но перевести не сложно.

Мошенники используют популярную криптовалюту Monero (XMR). На главной странице написано, что собирать токены можно каждые 15 минут. Выплаты автоматические и без комиссии, но зависят от состояния сети. Что сразу смутило, так это то, что день получки у них – воскресенье. Почему так? Почему не каждый день? Почему не с момента накопления минимальной суммы?

Реферальная программа: 50% от заработка реферала.

Каких-то дополнительных полезных данных нет, если не считать ссылку на видео, в котором рассказывается, что такое Монеро.

Впрочем, стоит обратить внимание на то, что аферисты оставили в самом низу ссылки на другие свои аналогичные лохотроны:

  • juicybtc.net — Bitcoin (BTC)
  • cryptoarea.net — Ethereum (ETH)
  • cryptounity.net — Bitcoin Cash (BCH)
  • faucetlite.net — Litecoin (LTC)
  • faucetdash.com — Dash (DASH)

Работают они по той же схеме.

Регистрация на проекте простая. Нужно указать кошелёк Monero и всё. В личном кабинете можно увидеть, что минимальная сумма составляет 0,13500000 XMR, что эквивалентно 1638 рублям на день написания этого обзора. Это слишком большая сумма! Администрация разорится, если будет платить.

Отдельно мошенники предлагают заработать, пополнив баланс на минимальную сумму 0,13500000 XMR и получая ежедневные проценты. Годовая ставка составляет 18,4%. Сомнительное предложение.

Также есть бонусы. Кликая на них, можно заработать токены от 30000 до 25000. Щедренько, а значит это пустые обещания.

Ссылки ведут на разные сайты. Есть обычные интернет-магазины, есть порно-ресурсы, а есть откровенные лохотроны. Такие как HYIP-проекты и т.д.

Теперь вернёмся к сбору монет. Как вы помните, на главной странице написано, что сбор осуществляется каждые 15 минут. На самом деле таймер с каждым кликом увеличивался. Явный признак лохотрона.

Контакты проекта

Кроме электронной почты, нет.

Домен cryptoxmr.net был зарегистрирован 7 декабря 2019 года. Имя собственника скрыто.

Разоблачение проекта

Даже не надейтесь. Кран Free Monero Faucet не платит. В интернете в англоязычном сегменте множество негативных отзывов об этом ресурсе. Ничего удивительного в этом нет. Подобные краны лопаются с завидной регулярностью. Как они работают? Сперва администрация заманивает пользователей на свой ресурс и даже какое-то время выплачивает сущие копейки. А потом выплаты останавливаются, но за счёт заработанной в первые дни репутации жулики приманивают на проект других людей.

Зарабатывают шарлатаны, продавая трафик рекламодателям. А вы лишь будете тратить своё драгоценное время на этот лохотрон в надежде что-то получить.

Не исключено, что в какой-то из дней администрация снова решит бросить пару копеек своим исполнителям, чтобы оживить работу своего ресурса. Но собирать токены на этом псевдо-кране в надежде на лучшее — так себе занятие.

Возможные потери на проекте

Денег мошенники не просят, но время, которое вы на них потратите, вернуть не получится.

Вывод о проекте

Кран Free Monero Faucet – лохотрон. На обман указывает несколько моментов. Во-первых, минимальная сумма на вывод слишком большая. Во-вторых, выплаты производятся раз в неделю. В-третьих, в интернете полно негативных отзывов. В-четвёртых, таймер обратного отсчёта постоянно увеличивает время между моментами, когда можно собирать токены. В-пятых, выплаты обещаны слишком щедрые, а значит никто платить не собирается.

Что такое Monero (XMR) — как устроена одна из самых анонимных криптовалют

Какие технологии анонимизации используются в Monero?

Кольцевые подписи (Ring signatures)

В криптографии «кольцевая подпись» позволяет участнику списка подписантов анонимно подписать сообщение, не раскрывая личность.

Кольцевые подписи в Monero включают в транзакцию примеси (mixins, decoys) в виде входов/выходов чужих транзакций, совершенных ранее. Они помогают запутывать следы: нельзя точно определить, где в транзакции «примеси», а где настоящие средства.

Долгое время функция добавления примесей к транзакциям была недоступной, а затем предлагалась к использованию опционально. Пользователи игнорировали ее. Это позволило исследователям деанонимизировать около 64% всех транзакций, сделанных до сентября 2017 года.

Кольцевые конфиденциальные транзакции (Ring CT)

Технология Confidential Transactions скрывает время, сумму платежа и участвующие адреса.

Кольцевые конфиденциальные транзакции реализовали в Monero в январе 2017 года. С сентября 2017 эта функция стала обязательной для всех переводов. К транзакции автоматически добавляются минимум 10 примесей.

Stealth-адреса (stealth address)

Транзакции в сети Monero выполняются посредством уникальных одноразовых «stealth-адресов», которые создают кошельки отправителей. На этот адрес отправляются монеты.

Адреса скрывают связь между адресом отправителя, адресом получателя и любыми другими транзакциями/адресами.

Получатель не потеряет анонимность, если будет принимать множество платежей на один адрес, так как входящие платежи будут идти через разные stealth-адреса.

Будущее внедрение протокола Kovri I2P в Monero

Протокол написан на языке C++ на базе I2P. Он позволит передавать весь трафик пользователя Monero (IP и другие метаданные) через узлы анонимных добровольцев, по аналогии с Tor.

Пользователь раскрывает свой IP-адрес при совершении транзакции. Несмотря на то, что он не записывается в блокчейн, сканирование сети в реальном времени позволит зафиксировать IP.

САМЫЕ ЖИРНЫЕ КРАНЫ КРИПТОВАЛЮТ 2019 ГОДА

Стишки-депрессяшки:*,
у меня нет попы
у меня нет тить
я должна работать
чтобы как то жить
©
в камасутре много
интересных поз
жаль у нас с женою
остеохондроз
©
надо же приснится
всякая херня
прямо на работе
среди бела дня
©
ночью не уложишь
утром не поднять
всё ещё ребёнок
маша в сорок пять
©
я себя сегодня
хорошо веду
но наверно поздно
раз уже в аду
©
нос посередине
уши по бокам
что ещё то надо
этим мужикам
©
не влезаю в платье
испытала стресс
прикупила тортик
тортик сука влез
©
улыбнулось солнце
минус сорок три
тихо опадают
с веток снегири
©
улетают утки
в теплые края
а одна не может
жирная как я
©
рухнули надежды
просраны мечты
виноваты оба
ты и снова ты
©
на гоа медузы
белые пески
а на мне рейтузы
тёплые носки
©
я почистил карму
выхожу в астрал
но пришлось вернуться
кот опять насрал
©
ты готовишь вкусно
рыбу борщ азу
но какого хрена
всё в одном тазу
©
только похудеешь
а проклятый нюх
обнаружит запах
свежих печенюх
©
ты как май прекрасна
как дитя светла
но меня смущают
ступа и метла.

Вставка T-MaxP X-Line CNMG | SANDVIK

10 шт.

27 дней или более

сталь / из нержавеющей стали / из нержавеющей стали / из чугуна / из цветного металла / термостойкий сплав, титановый сплав среднего размера 0,8 GC15
10 шт.

27 дней или более

Сталь / Нержавеющая сталь / Чугун / Материал высокой твердости Среднее шлифование 0.8 GC30
10 шт.

11 дней или более

сталь / из нержавеющей стали / из нержавеющей стали / из чугуна / из цветного металла / термостойкий сплав, титановый сплав отделка 0,4 ​​ GC15
10 шт.

11 дней или более

Сталь / нержавеющая сталь / чугун / материал высокой твердости Отделка 0.4 GC30 569-1079
10 шт.

27 дней или более

сталь / из нержавеющей стали / из нержавеющей стали / из чугуна / из цветного металла / термостойкий сплав, титановый сплав среднего размера 0,4 ​​ GC15
10 шт.

11 дней или более

Сталь / Нержавеющая сталь / Чугун / Материал высокой твердости Среднее шлифование 0.4 GC30
10 шт.

11 дней или более

сталь / из нержавеющей стали / из нержавеющей стали / из чугуна / из цветного металла / термостойкий сплав, титановый сплав финиширование 0,8 GC15
10 шт.

11 дней или более

Сталь / нержавеющая сталь / чугун / материал высокой твердости Отделка 0.8 GC30
10 шт.

11 дней или более

сталь / из нержавеющей стали / из нержавеющей стали / из чугуна / из цветного металла / термостойкий сплав, титановый сплав среднего размера 0,8 GC15 610-9675
10 кусок (ы)

11 дней или более

Сталь / Нержавеющая сталь / Чугун / Материал высокой твердости Среднее шлифование 0.8 GC30 609-5755
10 шт.

11 дней или более

сталь / из нержавеющей стали / из нержавеющей стали / из чугуна / из цветного металла / термостойкий сплав, титановый сплав среда до глубокого шлифования 0,8 GC15
10 кусок (ы)

12 дней или более

Сталь / Нержавеющая сталь / Чугун / Материал высокой твердости Шлифовка от средней до глубокой 0. 8 GC30
10 шт.

27 дней или более

Сталь / из нержавеющей стали / из нержавеющей стали / из чугуна / из цветного металла / термостойкий сплав, титановый сплав среднего размера 1.2 GC15
10 шт.

27 дней или более

Сталь / Нержавеющая сталь / Чугун / Материал высокой твердости Среднее шлифование 1.2 GC30
10 шт.

27 дней или более

Сталь / из нержавеющей стали / из нержавеющей стали / из чугуна / из цветного металла / термостойкий сплав, титановый сплав среда до глубокого шлифования 1.2 GC15
10 шт. (Ы)

27 дней или более

Сталь / нержавеющая сталь / чугун / материал высокой твердости Среднее и глубокое шлифование 1.2 GC30
10 шт.

27 дней или более

сталь / из нержавеющей стали / из нержавеющей стали / из чугуна / из цветного металла / термостойкий сплав, титановый сплав среда до глубокого шлифования 1.6 GC15
10 шт. (Ы)

27 дней или более

Сталь / Нержавеющая сталь / Чугун / Цветной металл / Жаропрочный сплав, титановый сплав Среднее и глубокое шлифование 1.2 GC15
10 шт.

27 дней или более

Сталь / Нержавеющая сталь / Чугун / Материал высокой твердости Шлифовка от средней до глубокой 1. 2 GC30

Monero Community Anthem (!259) · Запросы на слияние Гитлаб

Введение

Привет, команда Monero!
Мы являемся предприятием Edutainment, усердно работающим для крипто-экосистемы.
Cryptic Entertainments является домом для режиссеров, редакторов, музыкантов, микс-инженеров, кинематографистов, иллюстраторов, продюсеров и других гиков, крутых неудачников, которых объединяет наша единственная настоящая любовь — Crypto.

Стремление к производству произведений искусства высочайшего качества, таких как фильмы, музыкальные клипы, веб-сериалы и короткометражные фильмы. Платформа компании предполагает новаторское, инновационное искусство, целью которого является развлечение и обучение мировой аудитории.

Ищем грант на видео для гимна бренда Monero. Мы уже выпустили аудио гимна бренда Monero

.

Идея Cryptic?

Я считаю, что искусство — это самый мощный инструмент для революции во всем мире.В мире есть множество примеров, подтверждающих это. Я считаю, что внедрение криптовалюты и блокчейна в массовое искусство — это путь вперед. В Cryptic я собрал команду, которая понимает крипто, верит в крипто и любит крипто. Мы сочиняем песни, в которых отдаем все свое сердце и пытаемся привлечь массы к самой большой революции в истории человечества, подпитываемой технологиями. После того, как я стал соучредителем Finstreet и представил его сообществу из 4 миллионов человек, я работаю над шифрованием, чтобы выбрать образовательно-развлекательный маршрут, чтобы информировать людей о криптовалюте и блокчейне.Наша единственная цель — познакомить людей с криптографией и блокчейном посредством искусства.

Музыка, в частности, имеет яркую историю, когда дело доходит до перемен в мире. Это универсальный язык, который не знает границ. В 2009 году сомалийско-канадский артист написал песню для Сомали о борьбе своей страны и надеждах ее народа. Год спустя песня была переписана и исполнена более чем 50 артистами для распространения информации и сбора средств для Гаити после разрушительного землетрясения 2010 года.В том же году он также стал гимном ФИФА Coca-Cola.
Одна песня накопила такую ​​​​огромную историю чуть более чем за год―
K’naan’s Wavin’ Flag была не просто песней — это был опыт, которым поделились миллионы, это было послание надежды, которое объединило народы.

Как предприниматель, душа музыканта всегда была ниже меня, и я чувствую, что это нужно использовать для распространения информации о величайшей революции, происходящей в истории человечества.

Я рассматриваю Музыку как мощные ворота, через которые массы узнают об этой революции, которая стремится стать безграничной и неразрешимой.

Я провел последние четыре года, избавляя людей от сомнений относительно криптомира. Я считаю, что, создавая привлекательную для масс музыку и искусство, мы можем удовлетворить сомнения или любое непонимание в умах широкой публики.

Прошлая и текущая работа Monero

Мы уже сделали гимн Monero. Пожалуйста, перейдите по ссылкам, чтобы послушать Monero Anthem:
https://open.spotify.com/track/3C5HdGjCirqtAaEqBUPv76?si=ab9a51d860374dcd

https://музыка.apple.com/us/album/the-monero-xmr-anthem-feat-joshua-mallik-litesh-gumber/1587217608?i=1587217610

https://www.jiosaavn.com/song/the-monero-xmr-anthem-feat.-joshua-mallik—litesh-gumber/AzghUxF7VlY

https://www. youtube.com/watch?v=bE-WPYKUNsM

Текст песни Monero Anthem:

_untrackable, неотслеживаемая монета для всех королей
взаимозаменяемый, доступный, больше, чем приносит биткойн
анонимно, это держит нас в безопасности
из многих вещей
монеро, монеро, будет чертовски качаться

о, все это время я был сосредоточен на таком количестве монет
Я не знал, что делать, так много всего происходило
есть дожи и ады и рябь, несколько точек
монеро, монеро, будет жарко

о, мы были так слепы
эта недооцененная монета настолько безопасна, стоит ли нам покупать?
о, кто-нибудь, скажите мне
почему мы были так слепы
конфиденциальная монета настолько безопасна, что ее нужно купить
позвольте мне сказать вам, почему

конфиденциальных транзакций
мы должны принять некоторые меры
нужно держаться за все позиции
есть многоузловая диффузия
стелс это лучшее это почти волшебство
есть монеро? нет. это трагично
атомные свопы появились на всех наших драгоценных гаджетах

где киты? они не могут найти
Белая книга, теперь не имеет значения
нет испорченных монет, вы думаете, как
просто используйте бинанс они разрешат
в даркнете как-то используется
где след? не может быть найден
конфиденциальность на высшем уровне
это монета, без которой вы не можете жить

о, мы были так слепы
эта недооцененная монета настолько безопасна, стоит ли нам покупать?
о, кто-нибудь, скажите мне
почему мы были так слепы
конфиденциальная монета настолько безопасна, что ее нужно купить
позвольте мне сказать вам, почему_

Предложение

Мы хотим создать видео для уже выпущенного аудио гимна бренда Monero.Видео будет создано в качестве 4k. Вы можете обратиться к примеру нашей работы из следующего полигона:

https://www. youtube.com/watch?v=lh3dyN8-RBs&t=1s

Для видеосъемки мы используем следующие камеры:

  • Камера — Sony Fx3 с объективом 24 мм/35 мм/85 мм
  • Прочее оборудование: — Кардан — Кран Zhiyun 2
  • Студийные светильники Simpex
  • Система редактирования — Macbook Pro 16 дюймов
  • Рабочий стол Vfx — процессор i9 / 32 ГБ оперативной памяти 3200 МГц / графическая карта Amd 8 ГБ

Для аудио мы используем следующее:

  • Микрофоны: Neumann U87
  • Предусилители: Neve
  • Аудиоинтерфейс: RME

Процесс подачи гимна сообщества

Аудио

  • Этап 1 — Текст
  • Этап 2 — Мелодия (Композиция)
  • Этап 3 — Производство
  • Этап 4 — Запись живых инструментов (если есть)
  • Этап 5 — Запись вокала (в студии)
  • Стадия 6 — Смешивание
  • Этап 7 — Мастеринг

Видео

  • Этап 1 — Сценарий
  • Этап 2 — Настройка локации (освещение, костюмы, грим и реквизит)
  • Этап 3 — Стрельба (съемка исполнителей)
  • Этап 4 — визуальные эффекты и графика
  • Этап 5 — Редактирование
  • Этап 6 — цифровой промежуточный уровень

Участников

Аудио:

Автор текстов, композитор, музыкальный продюсер, инструменталисты (если есть), 1–2 ведущих вокалиста, 2–4 бэк-вокалиста, инженер звукозаписи, инженер по микшированию, инженер по мастерингу

Видео:

Режиссер, оператор, редактор, 2-3 исполнителя, 1-2 исполнителя, цифровой посредник

Планы на будущее

После видео о Monero мы хотим создать документальный фильм о Monero. Он будет охватывать весь путь проекта, а также влияние, которое он оказал на мир. Мы уже снимаем документальный фильм о кампании #indiawantscrypto. Вы можете проверить трейлер по следующей ссылке:

ВЫПЛАТА

Ищем 20 XMR за видео.

Лицензии

По предложению сообщества мы будем выпускать гимн сообщества с лицензией Creative Commons.

XMR Apollo Tyre, Размер шин: 1000*20, 32500 рупий / пара Pradeep Tire Trading Co.

XMR Apollo Tyre, Размер шин: 1000*20, 32500 рупий / пара Pradeep Tire Trading Co. | ID: 22442202491

Спецификация продукта

Размер шины 1000 * 20 1000 * 20
Страна происхождения Сделано в Индии
Минимальный Заказ Количество 2 Пара

Описание продукта

Лучшая в своем классе ребристая шина Подходит для тяжелых региональных и смешанных перевозок Эксплуатация

Заинтересованы в этом товаре?Уточнить цену у продавца

Связаться с продавцом

Изображение продукта


О компании

Год основания2019

Юридический статус фирмы Физическое лицо — Собственник

Характер деятельностиОптовый торговец

Количество сотрудниковДо 10 человек

Годовой оборотRs. 1–2 крор

IndiaMART Участник с ноября 2015 г.

GST27BLVPG9390Q1ZS

Вернуться к началу

1

Есть потребность?
Лучшая цена

1

Есть потребность?
Получить лучшую цену

Измерение скорости вращения на основе наблюдения в пространстве состояний в рамках метода демодуляции слежения с использованием угловых датчиков xMR

Целью этой книги является представление принципов, конструкций приборов и областей применения доступных магнитных преобразователей. Чтобы выполнить эту задачу, автор начинает с фундаментальной главы, в которой основное внимание уделяется феноменологическому магнетизму, единицам измерения и характеристикам датчиков. В продолжение книги каждому семейству магнитных датчиков посвящена отдельная глава: индукционные, феррозондовые, магниторезисторы, датчики Холла, магнитооптические, резонансные, СКВИДы и другие принципы. Он заканчивается тремя главами о приложениях, тестировании, калибровке и магнитных датчиках для немагнитных переменных.
Различные авторы внесли свой вклад в некоторые из глав.Несмотря на это, содержание, изложение, мнение и обозначения последовательны и единообразны на протяжении всей книги. Более того, каждую главу можно читать отдельно, не теряя при этом своего содержания.
Авторы сосредоточились на устройствах, которые разрабатываются или находятся в стадии прототипирования коммерческими или государственными учреждениями. Цели книги также заключаются в том, чтобы получить представление о свойствах конструкции датчика для конкретного приложения и понять ограничения и/или пригодность конкретного датчика. Поэтому каждая глава сопровождается обширным перечнем научных и технических материалов, которые служат хорошей справочной информацией для тех, кто заинтересован в дальнейшем чтении.Существует ряд книг, посвященных магнитным материалам и их применению. Однако часто приводится только принципиальная точка зрения. «Магнитные датчики и магнитометры» — это всеобъемлющая книга о практике применения магнитных преобразователей и их основах, в которую внесено множество вкладов различных экспертов в этой области. Действительно, многие специалисты и исследователи в какой-то момент нуждаются (или будут нуждаться) в магнитном датчике или преобразователе, и поэтому книга такого рода является очень хорошим справочником для создания и разработки наиболее подходящего решения для конкретного приложения.В ней также приводятся советы по проектированию для подключения магнитных датчиков к электронным устройствам, таким как согласование шума усилителя и т. д. Книга также может быть интересна преподавателям, студентам и исследователям в университетах, разработчикам контрольно-измерительных приборов и приложений, а также пользователям и т. п.
Уместно перечислить и прокомментировать различные главы, чтобы читатель знал, что в них можно найти:

• Основы (Хаузер и Рипка, 25 ссылок): типы и свойства магнитных материалов и спецификация датчика.• Induction Sensors (Ripka, 29 ссылок) описывает воздушные катушки и их ограничения, катушки с ферромагнитными сердечниками, согласование шума усилителя и другие основанные на индукции методы, такие как вращающиеся, движущиеся, вытягивающие и вибрирующие катушки.
• Феррозондовые датчики (от Ripka, 159 ссылок) представляет принцип работы датчика с различной геометрией датчика. Несколько аспектов этого широко используемого типа датчика обсуждаются более подробно: размагничивание, материалы сердечника, аналоговый магнитометр второй гармоники, неселективное обнаружение, короткозамкнутый или токовый выход, устойчивость к шуму и смещению.Также описаны различные дизайнерские приложения.
• Магниторезисторы (Хаузер и Тондра, 32 ссылки) иллюстрируют датчики и применение эффекта анизотропного магнитосопротивления, используемого в тонких пленках, и явление гигантского магнитосопротивления.
• Магнитные датчики на эффекте Холла (Попович и др., 51 ссылка) описывает основные датчики и тонкопленочные элементы Холла. Кроме того, представлены интегрированные и многоосевые датчики Холла.
• Магнитооптические датчики (Дидосян и Хаузер, 33 ссылки) с эффектами Фарадея и Керра и описанием магнитооптического преобразователя тока.• Резонансные магнитометры (примдал с 52 ссылками) описывает прецессию протонов и эффекты варианта Оверхаузера, а также магнитометры с оптической накачкой.
• SQUID (Fagaly с 38 ссылками) иллюстрирует датчики и операции в отношении шума и подавления, входных цепей, охлаждения и градиентометрии.
• «Другие принципы» (Рипка и Краус, 39 ссылок) описывает, среди прочего, магнитоимпедансные, магнитоупругие и магнитострикционные датчики и биологические приложения.
• Применение магнитных датчиков (от Ripka и Acuna, 72 ссылки) в навигационных, автомобильных, военных, испытательных и планетарных магнитных полях.• Testing and Calibration Instruments (Sasada et al., 38 ссылок) описывает применение магнитных катушек и экранов.
• Магнитные датчики для немагнитных переменных (Рипка и др., 40 ссылок) — интересная глава о том, как использовать магнитные свойства для измерения других физических эффектов, таких как положение, близость, сила, давление, крутящий момент, ток и т. д.

• Приложение. Производители магнитных датчиков, магнитометров и калибровочного оборудования. Это дает довольно полный список производителей в этой области.В целом, я рекомендую эту книгу профессионалам, работающим в области магнетизма, магнитного приборостроения и смежных областях. Он очень актуален и содержит обширный и ценный объем справочного материала.
Хосе М. Г. Мерайо

Высокочастотные многомасштабные отношения между основными криптовалютами: последствия для управления портфелем

Financ Innov. 2021; 7 (1): 75.

, 1 , 2 , 3 , 4 и 5 и 5

Waid Mensi

1 Департамент экономики и финансов, колледж экономики и политологии , Университет Султана Кабуса, Маскат, Оман

Мобин Ур Рехман

2 Институт науки и технологий Шахида Зульфикара Али Бхутто (SZABIST), Исламабад, Пакистан

Мухаммад Шафиулла

8 90 Экономического факультета Ноттингемского университета Малайзия, Джалан Брога, 43500 Семених, Селангор Малайзия

Хамис Хамед Аль-Яхьяи

4 Университет Маската, Аль-Губра Норт, Маскат, Оман

Ахмет Сенсой

8 Университет бизнеса, административный факультет 60 Билкент 90 Анкара, Турция

1 Факультет экономики и финансов, Колледж экономики и политических наук, Университет Султана Кабуса, Маскат, Оман

2 Институт науки и технологии им. Шахида Зульфикара Али Бхутто (SZABIST), Исламабад, Пакистан

3 Школа экономики Ноттингемского университета Малайзии, Джалан Брога, 43500 Семених, Селангор Малайзия

5

Университет Маскат , Al Ghubrah North, Маскат, Оман

5 Факультет делового администрирования, Билкентский университет, 06800 Анкара, Турция

Автор, ответственный за переписку.

Поступила в редакцию 8 октября 2020 г .; Принято 24 августа 2021 г.

Открытый доступ Эта статья находится под лицензией Creative Commons Attribution 4.0 International License, которая разрешает использование, совместное использование, адаптацию, распространение и воспроизведение на любом носителе или в любом формате при условии, что вы укажете оригинал. автор(ы) и источник, предоставьте ссылку на лицензию Creative Commons и укажите, были ли внесены изменения. Изображения или другие сторонние материалы в этой статье включены в лицензию Creative Commons на статью, если иное не указано в кредитной строке материала. Если материал не включен в лицензию Creative Commons статьи, а ваше предполагаемое использование не разрешено законом или выходит за рамки разрешенного использования, вам необходимо получить разрешение непосредственно от правообладателя. Чтобы просмотреть копию этой лицензии, посетите http://creativecommons.org/licenses/by/4.0/.

Заявление о доступности данных

Наборы данных, использованные и проанализированные в ходе текущего исследования, можно получить у соответствующего автора по разумному запросу.

Abstract

В этой статье исследуются высокочастотные многомасштабные отношения и нелинейные многомасштабные причинно-следственные связи между биткойнами, Ethereum, Monero, Dash, Ripple и Litecoin. Мы применяем нелинейную причинно-следственную связь по Грейнджеру и вейвлет-корреляцию с скользящим окном (RWCC) к данным за 15 минут. Эмпирические результаты RWCC указывают в основном на положительные сопутствующие движения и долговременную память между криптовалютами, особенно между Биткойном, Эфириумом и Монеро. Нелинейные тесты причинно-следственной связи по Грейнджеру выявляют двойную причинно-следственную связь между большинством криптовалютных пар.Мы продвигаем доказательства для улучшения оценки рисков портфеля и стратегий хеджирования.

Ключевые слова: Криптовалюта, Высокочастотный анализ, Нелинейная многомасштабная причинность, Корреляция вейвлетов с скользящим окном что касается анализа заражения, вторичных эффектов волатильности, предсказуемости, пузырей и крахов (например,г., Ван и др. 2017; Саадауи и др. 2017; Рехман и Апергис 2019; Бури и др. 2019). 1 В последнее время финансовая литература все чаще заимствовала методы оценки из физики, т.е. вейвлет-преобразование данных в разные временные масштабы — для анализа многомасштабной взаимосвязи и направленной причинно-следственной связи по Грейнджеру между активами и/или рынками 2 (Mensi et al. 2019). Этот анализ имеет важные последствия для преимуществ диверсификации, стратегий хеджирования и оценки рисков портфеля.

Криптовалюты продемонстрировали впечатляющий рост с момента их создания в 2008 году, а диапазон различных валют недавно превысил 3000. Эти цифровые деньги (финансовые технологии) снижают транзакционные издержки, обеспечивают более качественные услуги и повышают удовлетворенность клиентов (Kou et al. 2021a). ). Их появление в таком количестве подтверждает их важность для участников рынка, правительств, фирм и экономистов. Интересно, что растущая интеграция и взаимозависимость между международными рынками снижает возможности диверсификации.Кроме того, криптовалюты считались жизнеспособной альтернативой традиционным активам, особенно после глобального финансового кризиса (GFC) 2008 года (Corbet et al. 2019; Rehman and Vo 2020). Таким образом, лучшее понимание многомасштабных взаимодействий между основными криптовалютами может открыть новые возможности для инвесторов.

В литературе для анализа взаимосвязей между рынками можно использовать различные эконометрические методы (тест на причинно-следственную связь, коинтеграцию, двумерные модели GARCH, структурную векторную авторегрессию (SVAR), индекс перелива, функции связки и метод квантильной регрессии, среди прочего).Однако эти методы не позволяют исследовать отношения как в частотно-временной области. Философия нашего исследования заключается в том, чтобы учитывать развивающиеся отношения между криптовалютными рынками не только во времени, но и в зависимости от частоты, чтобы учитывать неоднородность рынка (трейдеры и спекулянты заинтересованы в краткосрочных инвестициях (высокая частота), а институциональные инвесторы обеспокоены долгосрочными. инвестиции (низкие частоты).

Это исследование вносит свой вклад в появляющуюся эмпирическую литературу по трем важным направлениям.Во-первых, он использует высокочастотные данные для изучения многомасштабных взаимодействий между основными криптовалютами — биткойном, эфириумом, лайткойном, тире, рипплом и монеро — с точки зрения рыночной капитализации и их значительного объема торгов за последние несколько лет (Bouri et al. 2020a). ). Относительно большая выборка, использованная в этом исследовании, дополняет литературу о совместном движении и взаимосвязи криптовалют, предоставляя более богатый и обширный эмпирический анализ. Это контрастирует со многими более ранними исследованиями, которые ограничивают свой анализ несколькими криптовалютами — см., например.г., Корбет и др. (2018a), Филипп и др. (2018), Aslanidis et al. (2019) и Куреши и соавт. (2020). Использование высокочастотных данных дает дополнительную полезную информацию о том, как рынки криптовалют движутся и реагируют на местные и международные потрясения. Высокочастотные данные обладают значительной силой в прогнозировании цен на акции и более выгодны, чем низкочастотные данные (Zhang and Wang 2019). Купман и др. (2005) утверждают, что модели волатильности, основанные на высокочастотных оценках, позволяют делать прогнозы, которые превосходят прогнозы, полученные с помощью моделей, основанных на низкочастотных данных.Таким образом, исследователи высокочастотных данных могут установить достаточно узкое временное окно для каждого рыночного объявления, чтобы проверить, удивлены ли рынки конкретной новостью или нет. Измерение неожиданности на этом ограниченном временном горизонте позволяет устранить шум, возникающий из-за других событий, которые могут повлиять на котировку инструмента в течение дня, а также потенциальные эффекты вытеснения или вытеснения. Во-вторых, он превосходит статический анализ полной выборки, полагаясь на коэффициенты вейвлет-корреляции скользящего окна (RWWC) для анализа сопутствующих движений доходности криптовалюты в разных временных масштабах (Polanco-Martínez et al.2018). Мы замечаем, что анализ скользящего окна оценивает стабильность коэффициентов во времени.

Несмотря на свое преимущество, RWWC не может идентифицировать направленную причинность (одно- или двунаправленную причинность) и величину причинности на разных частотах. Для этого мы используем нелинейную направленную причинно-следственную связь Грейнджера в нескольких масштабах, чтобы определить источник передачи информации. Мы замечаем, что наличие однонаправленной причинно-следственной связи от рынка i к рынку j указывает на то, что рынок i можно использовать для прогнозирования возврата цены на рынке j.Кроме того, декомпозиция ряда необработанных доходов имеет основополагающее значение для учета разнородных инвесторов. Таким образом, мы применяем для более глубокого анализа нелинейный критерий причинности Грейнджера Дикса и Панченко (2006), чтобы выяснить коэффициенты вейвлет-разложения. Преимущество этого нелинейного метода тестирования причинно-следственной связи заключается в том, что, хотя коэффициенты корреляции вейвлета измеряют сопутствующие движения, они не могут установить направление причинно-следственной связи в различных масштабах вейвлета. Определение направления причинно-следственной связи позволяет нам определить направление потока информации (и, возможно, распространение волатильности и заражения) на разных временных горизонтах, чтобы построить более полную картину рынка криптовалют.

В-третьих, выводы RWWC и многомасштабных методов причинно-следственной связи Грейнджера актуальны для криптовалютных инвесторов с точки зрения структуры портфеля. С этой целью мы оцениваем инвестиционную стратегию смешанных портфелей, состоящих из биткойнов и каждой другой криптовалюты, путем количественной оценки оптимальных весов, коэффициентов хеджирования и эффективности хеджирования при различных масштабах вейвлета. Мы выбираем биткойн в качестве эталона, потому что это крупнейший криптовалютный актив, который широко торгуется и принимается инвесторами.С практической точки зрения, рассмотрение этих методов вместе обеспечивает точную и богатую информацию для инвесторов в криптовалюту и управляющих фондами, чтобы улучшить их стратегии распределения средств и инвестиционной торговли.

Наши результаты показывают, что криптовалюты движутся вместе — в основном в положительном направлении — и обладают долговременной памятью. Это наблюдение в большей степени относится к криптовалютным парам, включающим Биткойн, Эфириум и Монеро. Согласно тестам Дикса и Панченко (2006) между большинством криптовалютных пар существует двунаправленная причинно-следственная связь.Смысл этих выводов заключается в том, что существуют значительные возможности для арбитража, оценки риска портфеля, диверсификации и улучшения (Corbet et al. 2018b; Makarov and Schoar 2019). Управляющие портфелем и инвесторы, которые работают с разными инвестиционными горизонтами (т. е. трейдеры с несколькими потенциальными клиентами и/или высокочастотные трейдеры), могут использовать эти результаты для своих стратегических решений (Qureshi et al. 2020). Анализ данных о ценах на криптовалюту с 15-минутными интервалами может помочь агентам в управлении и стабилизации своего портфеля внутридневных транзакций для управления рисками и обеспечения предсказуемости доходов.В последнее время высокие уровни волатильности на криптовалютных рынках делают их идеальным кандидатом для высокочастотного анализа волатильности. Как упоминалось выше, высокочастотный анализ дает более полную и полезную информацию о реакции рынка на определенные новости, шумные события и/или потрясения. Результаты этого высокочастотного анализа могут дополнительно позволить агентам и политикам повысить стабильность сети связности системы (Bouri et al. 2021a).

Оставшаяся часть этого документа структурирована следующим образом: раздел «Обзор литературы» представляет собой краткий обзор литературы; Раздел «Данные и методология» эксплицирует материалы; В разделе «Результаты» обсуждаются эмпирические результаты; Раздел «Заключение» завершает статью.

Обзор литературы

Литература по криптовалюте значительно выросла за последние годы. Яя и др. (2019) анализируют постоянство и развивающуюся взаимозависимость между BTC и другими основными криптовалютами и выявляют значительную коинтеграцию между ценами на криптовалюту и BTC, а также увеличение устойчивости и эффективности волатильности на криптовалютных рынках после начала ценового обвала в 2017/2018 гг. Koutmos (2018) находит доказательства вторичных эффектов в доходности и волатильности среди криптовалют, а также то, что новостные сообщения усиливают степень вторичных эффектов.Джи и др. (2019) применяют индекс распространения для изучения взаимосвязи между различными криптовалютами и показывают, что Биткойн (Эфириум) является доминирующим передатчиком (получателем) распространения для (от) других, что подтверждает выводы Corbet et al. (2018а).

Mensi et al. (2019) используют вейвлет-подход и обнаруживают, что портфель, состоящий из биткойнов и других криптовалют, обеспечивает преимущества диверсификации, тогда как портфель биткойн-эфириум предлагает самую высокую эффективность хеджирования. Используя масштабированный диапазон и метод вейвлета, Celeste et al.(2019) анализируют мультифрактальное поведение цен на биткойны, эфириум и рипплы. Результаты показывают, что Биткойн демонстрирует процесс долгой памяти, а также циклический процесс сохранения и анти-постоянства. Другая часть эмпирической литературы посвящена отношениям между криптовалютами в частотно-временном пространстве. Omane-Adjepong and Alagidede (2019) используют вейвлет-подход и параметрические и непараметрические тесты причинно-следственной связи для изучения вторичных эффектов и причинно-следственных связей в доходах и доходах волатильности между семью криптовалютами.Менси и др. (2019) проанализировали совместные движения между биткойнами и пятью основными криптовалютами, используя подходы вейвлет-когерентности и перекрестного вейвлет-преобразования. Они находят доказательства многомасштабных совместных движений между биткойнами и другими криптовалютами и того, что смешанный портфель криптовалют предлагает преимущества диверсификации.

Чаудхари и Крейн (2020) исследуют взаимные корреляции между криптовалютами. Феррейра и др. (2020) используют коэффициенты корреляции кросс-корреляции с исключенным трендом (DCCA) и кросс-корреляции со скользящим средним (DMCA) для изучения структуры корреляции между наиболее ликвидными криптовалютами (Bitcoin, DASH, Stellar, Litecoin, Monero и Ripple).Ни (2020) использует метод многомерного масштабирования для анализа развивающихся корреляций на криптовалютных рынках. Куреши и др. (2020) используют вейвлет-методологии для наблюдения за взаимозависимостью между пятью доминирующими, а также ликвидными криптовалютами — биткойном, эфириумом, рипплом, лайткойном и биткойн-кэш) — для чередования времени и частоты. Менси и др. (2020) и Rehman et al. (2020) исследуют свойства диверсификации биткойна с исламскими классами активов и подчеркивают значительный побочный эффект от биткойна к исламским акциям.Бури и др. (2020a) наблюдают «сюрприз волатильности» основных криптовалют в частотной области и обнаруживают, что причинно-следственная связь определяется постоянными шоками в краткосрочной перспективе и временными шоками в долгосрочной перспективе. Авторы приходят к выводу, что биткойн — не единственная доминирующая криптовалюта на рынке. Бури и др. (2020b) обнаруживают «значительные скачки», а также «совместные скачки» в большинстве из 12 криптовалют, изученных с использованием моделей AR-GJR-GARCH.

Бури и др. (2021a) тщательно изучают взаимосвязь между семью криптовалютами, используя методологию квантильной VAR.Они обнаруживают важность хвостов условных распределений, а не их средних значений или медиан, при определении связности. Бури и др. (2021b) считают, что объем торгов и неопределенность являются ключевыми факторами, определяющими рынок во время растущей интеграции 12 ведущих криптовалют. Шахзад и др. (2021) анализируют, как COVID-19 влияет на режимы распространения волатильности на ежедневную доходность 18 важных криптовалют. Установлено, что режимы с высокой волатильностью вызывают более значительные вторичные эффекты после начала пандемии.Воторек и др. (2021) показывают, что кросс-корреляции между валютными парами BTC/ETH–BTC/EUR и BTC/ETH–BTC/USD характеризуются отрицательной разницей.

Данные и методология

Данные и описательная статистика

Мы используем внутридневные данные о ценах шести криптовалют — биткойнов (BTC), Ethereum (ETH), Litecoin (LTC), DASH, Ripple (XRP) и Monero (XMR). — с интервалом 15 мин. Эти активы представляют собой ведущую криптовалюту на рынке. Рыночная капитализация биткойнов, эфириума, лайткойна и рипл составляет более 80% от общей рыночной капитализации всех криптовалют (Naeem et al.2021). Выбранные криптовалютные активы, и особенно Биткойн, привлекают внимание инвесторов благодаря своей инновационной технологии Блокчейн и значительным возможностям получения сверхдоходов (Уркухарт, 2018; Яровая и др., 2021). Период выборки варьируется с 1 сентября 2017 г. по 24 июня 2018 г. Мы выбрали один и тот же период выборки для всех криптовалют, чтобы обеспечить единообразный анализ. Этот период отмечен высоким уровнем волатильности и резкими колебаниями цен на криптовалюты, а также повышенным интересом со стороны инвесторов (Bouri et al.2020а). Данные поступают из магазина цифровых активов Kaiko, который предлагает потиковые торговые данные для более чем 6000 валютных пар на более чем 32 биржах, включая Bitfinex, ведущую мировую платформу для торговли криптовалютой. Мы изучаем данные, выраженные в долларах, с биржи Bitfinex для наших образцов криптовалют с отметкой часового пояса по Гринвичу.

На рисунке показана динамика цен на криптовалюту и показана тенденция к росту за период с сентября 2017 года по декабрь 2017 года (кроме Ripple). С начала 2018 года наблюдается значительный структурный перелом, за которым следует тенденция к снижению цен.Ряд ценовой доходности для всех криптовалют показывает кластеризацию волатильности — особенно в период с конца 2017 г. по начало 2018 г. — и толстые хвосты (рис. ). Таблица показывает, что все серии доходности криптовалюты положительны, кроме DASH. Monero — рынок с самой высокой волатильностью, тогда как BTC — с наименьшей. Доходность цены криптовалюты характеризуется тяжелыми хвостами и кластеризацией волатильности, связанной с нелинейными временными корреляциями в доходности. Этот результат согласуется с Wątorek et al. (2021). Все ряды доходностей демонстрируют доказательства против распределения Гаусса.Тесты на единичный корень ADF и PP, а также стационарный тест KPSS показывают, что все ряды доходности криптовалют являются стационарными. Результаты теста BDS Brock et al. (1996) демонстрируют убедительные доказательства нелинейности теста BDS при различных размерах встраивания. Этот результат указывает на то, что традиционные линейные модели не подходят для выявления и отражения истинной природы взаимосвязи между доходностью криптовалюты. 3 3

Эволюция 15-минутных цен на крупные криптовалюты

Время вариации 15-минутных цен до возврата

Таблица 1

3 Ст. Дев

— 130.6018 *

BTC BTC ETH LTC Dask Ripple МОНЕРО
Среднее 0.00001 0,00001 0,00000 — 0,00002 0,00000 0,00002
Максимальная 0,05600 0,10600 0,12000 0,18800 0.12300 0.31400
Минимальная — 0,08200 − 0,08300 − 0,14800 − 0,08600 − 0,11300 − 0,31500
0,00663 0.00723 0,00868 0,00773 0,00862 0,01067
Асимметрия — 0,13686 0,04133 0,10145 0,76115 0,04843 0,75986
Эксцесс 12,22892 15,49612 21,22038 25,46886 14,54152 81,53078
Харке-Бера 100934 * 184893 * 393116 * 600486 * 157728 * 7304562 *
АПД — 220 .4327 * — 127.2089 * — 130.6018 * — 137.5965 * — 135.6117 * — 135.6117 *
pp — 315.2593 * — 292.4937 * — 298.2076 * — 290.0422 * — 304.6763 * — 304.6763 *
УПСК 0,3022 0,1721 0,2496 0,2293 0,2344 0,2344

Методика

Wavelet корреляции

для того, чтобы анализируя взаимосвязь между выбранными нами криптовалютами, мы применяем дискретное вейвлет-преобразование с максимальным перекрытием (MODWT) 4 Gencay et al.(2002). Анализ с несколькими разрешениями (MRA) обеспечивает восемь уровней разложения: D1 (15–30 мин), D2 (30–60 мин), D3 (60–120 мин), D4 (120–240 мин), D5 (240–240 мин). 480 мин), Д6 (480–960 мин), Д7 (960–1920 мин) и Д8 (1920–3840 мин).

Выражение для несмещенной вейвлет-корреляции для масштаба λj между X и Y выглядит следующим образом:

ρ~XY=cov(W~Y,jt,W~Y,jt)var{W~X,jt}var{W ~X,jt}=γ∼XY(λj)σ∼X2(λj)σ∼Y2(λj)

1

где γ∼XY(λj) представляет несмещенные оценки вейвлет-ковариации между W~Y,jt и W~ Y,jt (рыночные коэффициенты).σ∼X2λj и σ∼Y2(λj) — несмещенные вейвлет-оценки дисперсии для X и Y соответственно с соответствующим масштабом λj. Основываясь на MODWT, мы определяем оценки несмещенных вейвлетов как (2), W~j,t2 представляет j th уровень коэффициента MODWT для X, Lj=2j-1L-1+1 представляет длину шкалы λj, т.е. вейвлет-фильтр, тогда как N~=N-Lj+1 количество коэффициентов, которые остаются неэффективными у границы.Мы следим за работой Whitcher et al. (1999) 5 при построении доверительного интервала 100(1 − 2p)% для когерентности вейвлета. Доверительный интервал для когерентности вейвлета выражается как th{h[ρ∼XY(λj)]±∅-1(ip)/Nj-3}, где ∅-1(p) соответствует 100p% для стандартного нормального распределения, а h (ρ∼XY)=tanh-1(ρ∼XY) — это Z-преобразование Фишера (подробнее см. Gencay et al. 2002).

Вейвлет-корреляция со скользящим окном (RWWC)

Чтобы подчеркнуть наличие временных вариаций в вейвлет-корреляции, мы используем вейвлет-корреляцию со скользящим окном (RWWC) в качестве динамической меры.В нашем исследовании мы проанализировали эту скользящую корреляцию как визуализированную разложенную корреляцию, предложенную Поланко-Мартинесом и Абади (2016), в частотно-временном пространстве. После работы Ranta (2010) этот метод использовался в нескольких исследованиях (например, Dajcman et al. 2012; Benhmad 2013), поскольку он позволяет проводить анализ в разные временные интервалы. Вслед за Ranta (2010) Dajcman et al. (2012) и Benhmad (2013), мы вычисляем попарно RWWC, перекатывая вперед одну точку данных с центром во времени.В частности, мы оцениваем RWWC, используя скользящее окно из 250 наблюдений, т. е. 250 наблюдений за 15-минутными данными о ценах на криптовалюту (250 * 15 = 3750 минут или 62,5 ч). Шкала времени состоит из 4 полных масштабов вейвлета, из которых D1 и D2 представляют более изменчивые события с более высокой частотой (краткосрочные), тогда как D3 и D4 связаны с изменениями с более низкими частотами (долгосрочные). Мы ограничиваем количество вейвлетов до J = 8; однако мы анализируем только первые четыре шкалы. 6

Нелинейная причинность по Грейнджеру

Дикс и Панченко (2006) предложили нелинейный тест на причинность по Грейнджеру в непараметрической структуре, чтобы избежать проблемы чрезмерного отклонения, описанной Химстра и Джонсом (1994).

Нулевая гипотеза о причинности по Грейнджеру между двумя сериями X t и Y t основана на том факте, что X t не содержит информации относительно Y t+1 . Мы представляем два вектора задержки Xtlx=(Xt-1X+1,⋯.Xt) и Ytly=(Yt-1Y+1,⋯.Yt), где lx, ly ≥ 1 выделяют задержки для Xt и Yt соответственно. Приведем выражение для нулевой гипотезы в виде индексы времени в уравнении(3). Согласно Бекиросу и Диксу (2008), условное распределение Z при условии (X, Y) = (x, y) аналогично Z при условии Y = y. Нулевая гипотеза уравнения. (3) выражается как совместная функция распределения при совместной функции плотности вероятности f X,Y,Z (x, y, z) с соответствующим маргиналом, удовлетворяющим следующим условиям:

fx,y,z(x, y,z)fy(y)=fX,Y(x,y)fy(y)fY,Z(y,z)fY(y)

4

Из приведенного выше уравнения видно, что X и Y условно не зависят от Y = y для каждого значения фиксированного y (Дикс, Панченко, 2006).Мы выражаем нулевую гипотезу уравнения (3) как

q≡Efx,y,zX,Y,ZfyY-fX,YX,YfY,ZY,Z=0

5

В уравнении. (5), E обозначает оператор ожидания, а оценка q согласно Диксу и Панченко (2006) выражается как

Tn(εn)=(2ϵ)-dX-2dY-dZn(n-1)(n- 2)∑i∑k,k≠1∑j,j≠1IikXYZIijYIikXYIijYZ

6

Выражение обозначает IijW, представляющее (||WiWj||< ε), где I – индикаторная или характеристическая функция. Wi и Wj обозначают элементы dw-переменного случайного вектора W.Y,Z(Yi,Zi)

7

В приведенном выше уравнении εn = Cn-β, где β ∈ (1/4, 1/3) и C > 0, а для лага –1, т.е. lx =ly=-1, значение T состоит из асимптотического нормального распределения, удовлетворяющего нижеприведенному условию: (8), →d представляет сходимость в распределении, тогда как Sn представляет собой оценку асимптотической дисперсии, Tn (см. Бекирос и Дикс, 2008).

Коэффициенты хеджирования и показатель эффективности хеджирования

Чтобы оценить последствия инвестиций в криптовалюты в целях хеджирования, мы изучаем, могут ли Биткойн вместе с другими криптовалютами минимизировать портфельный риск без снижения ожидаемой доходности.Для этой цели мы рассматриваем Биткойн вместе с другими криптовалютами как хеджируемый портфель, направленный на хеджирование риска изменения цен на криптовалюты. Для этой цели мы используем модель обобщенной авторегрессионной условной динамической корреляции (DCC-GARCH) Энгла (2002), которая не обладает асимметричными свойствами и пригодна для измерения коэффициентов хеджирования, оптимальных весов в портфеле и эффективности хеджирования. Наша цель состоит в том, чтобы построить портфель с минимальным риском ожидаемой доходности.Мы следуем работе Кронера и Нг (1998) по оценке оптимальных весов биткойнов в портфеле wtBTC в момент времени t as.

wtBTC=htcrypto-htBTC,cryptohtBTC-2htBTC,crypto+htcrypto,withwtBTC=0wtBTC<0wtcrypto0≤wtBTC≤11wtBTC>1

9

, где (htcrypto),htBTCandhtBTC,crypto представляет условное выражение условная волатильность биткойн-актива и условная ковариация между биткойнами и другими криптовалютными активами соответственно.Выражение для оптимального веса бюджета для криптовалют, отличных от биткойнов, представлено как (1-wtWTI).

В отношении коэффициентов хеджирования для минимизации риска мы следуем работе Кронера и Султана (1993) по построению портфеля, состоящего из биткойнов и других криптовалют (BTC и криптовалют). Чтобы свести к минимуму портфельный риск, который составляет 1 доллар в контракте на криптовалюту, инвестору следует открыть короткую позицию на сумму β в криптовалютах, отличных от биткойнов. Более конкретно, коэффициент хеджирования с минимальной дисперсией на момент времени t прилагается ниже.

Наконец, мы оцениваем коэффициент эффективности хеджирования, как указано ниже.

HE=1-VarhedgedVarunhedged,

11

, где Varhedged и Varunhedged представляют дисперсию хеджированного портфеля (состоящего из биткойнов и других криптовалют) и нехеджированного портфеля (криптовалюты, отличные от биткойна). Более высокое значение коэффициента HE указывает на более высокую эффективность хеджирования.

Результаты

Анализ RWWC

Расчетные коэффициенты RWCC представлены на рис.— по большей части все оказываются ненулевыми. Самое низкое значение коэффициента достигает  − 0,71 для пары BTC-XMR, а самое высокое достигает 0,86 для пар LTC-DSH, LTC-XRP и ETH-LTC. Попарные корреляции скользящего окна для BTC-ETH варьируются от значений от  − 0,5 до более чем 0,8. Большинство более низких коэффициентов корреляции произошло в период с октября по декабрь 2017 г. и во всех масштабах вейвлета: от D1 до D4 (от 0 до 120 минут). Это может быть связано с повышательной тенденцией цен на биткойны и эфириум и ростом их волатильности — наблюдениями, которые разделяют Корбет и др.(2018а, 2019), которые также наблюдаются на рис. а также . В начале и середине 2018 г. также были короткие периоды низкой корреляции, в основном по шкалам D1 (15–30 мин), D2 (30–60 мин) и D4 (120–240 мин). Характер изменяющихся во времени коэффициентов корреляции очень похож на криптовалютную пару BTC-LTC. Более низкие корреляции наблюдаются во всех шкалах вейвлетов в период с октября по декабрь 2017 года. Однако между началом и серединой 2018 года более низкие корреляции вейвлетов преобладают в шкалах D1, D2 и D4 пары BTC-LTC.

Вейвлет-корреляция скользящего окна

Повторяющийся образец корреляции скользящего окна можно увидеть в криптовалютных парах BTC-DSH, BTC-XMR и BTC-XRP. Коэффициенты корреляции находятся в диапазоне от 0,8 до - 0,65, а более низкие корреляции, в том числе отрицательные, встречаются преимущественно на нижних шкалах вейвлетов D1 и D2. Напротив, в более высоких масштабах вейвлета преобладают более высокие коэффициенты корреляции. В частности, последние три месяца 2017 года преобладают более низкие корреляции по всем шкалам вейвлетов.Для более высоких масштабов вейвлета (таких как D3 и D4) более низкие коэффициенты корреляции появляются кратковременно и периодически в начале и середине 2018 года. Более низкие корреляции также более распространены в этих трех криптовалютных парах, в отличие от BTC-ETH и BTC-LTC.

Криптовалютные пары с участием Ethereum — ETH-LTC, ETH-DSH, ETH-XMR и ETH-XRP — демонстрируют схожие модели. Коэффициенты корреляции вейвлета скользящего окна для этих четырех пар находятся в диапазоне от 0,85 до - 0,5. Более высокие концентрации более низких корреляций для меньших масштабов вейвлета (таких как D1 и D2) и в последнем квартале 2017 года.Этот результат показывает возможность преимуществ диверсификации — в соответствии с Corbet et al. (2018a, 2019) и Aslanidis et al. (2019). Более низкие корреляции также встречаются спорадически, в основном в начале и середине 2018 года. Однако в криптовалютных парах ETH-DSH и ETH-XRP наблюдается более высокая распространенность более низких корреляций. Стоит отметить, что нижние коэффициенты корреляции в большинстве своем положительны, и только в последнем квартале 2017 года наблюдаются следы отрицательных корреляций.Коэффициенты RWCC выше в больших масштабах вейвлета (например, D3–D4) для пар ETH-LTC и ETH-XMR. Кроме того, каждая из этих двух пар криптовалют указывает на более высокий уровень сходства между собой (т. е. ETH-LTC больше похожа на ETH-XMR, чем на пары ETH-DSH или ETH-XRP). Вышеупомянутые наблюдения являются новыми, но в чем-то похожи на наблюдения положительной корреляции между криптовалютами, сделанные Aslanidis et al. (2019) и кластеризации Hu et al. (2019).

Аналогичные модели вейвлет-корреляций также существуют между парами LTC-DSH, LTC-XMR и LTC-XRP.Наконец, мы наблюдаем коэффициенты корреляции вейвлетов скользящего окна для криптовалютных пар DSH-XMR, DSH-XRP и XMR-XRP. Эти пары криптовалют также демонстрируют схожие модели корреляции с более низкими коэффициентами корреляции, преобладающими на более низких масштабах вейвлета (D1 и D2), а также в последнем квартале 2017 года. Более высокие корреляции доминируют над более высокими масштабами вейвлета (D3 и D4) и для большей до середины 2018 года. Однако эти криптовалютные пары также демонстрируют повышенную распространенность более низких коэффициентов корреляции в отличие от криптовалютных пар, включающих Биткойн и Эфириум.

Коэффициенты корреляции вейвлетов с скользящим окном выявляют общую закономерность: корреляции криптовалют меняются во времени и более (положительно) коррелированы в относительно более высоком масштабе вейвлета; шаблон, который появляется в течение большей части 2018 года. В 2018 году также наблюдаются короткие периоды низких (в том числе отрицательных) корреляций, а также длительный период в последнем квартале 2017 года. Высокая волатильность и быстрое падение — возможное свидетельство пузыря — характерны для этого периода в криптовалюте. торговая площадка (Corbet et al.2018б, 2019; Су и др. 2018). Таким образом, мы можем утверждать, что криптовалюты движутся близко друг к другу на протяжении большей части периода выборки. Кроме того, долгосрочные сопутствующие движения относительно сильнее, чем краткосрочные — примерно так же, как данные Bouri et al. о скачкообразном поведении среди криптовалют. (2020б). Это согласуется с существующей литературой, такой как Caporale et al. (2018), Филипп и др. (2019) и Куреши и соавт. (2020), которые обнаружили долговременную память (персистентность) на рынке криптовалют.Однако наш анализ показывает, что долгая память (постоянство) более изменчива в более низких масштабах вейвлета, чем в более высоких масштабах вейвлета. Это обеспечивает уникальную частотно-временную перспективу для характеристик памяти рынка криптовалюты — криптовалюты движутся ближе друг к другу в течение более длительного промежутка времени, чем в течение более короткого промежутка времени. Это означает, что криптовалюты со временем движутся в одном направлении, несмотря на краткосрочные отклонения, которые, вероятно, связаны с уникальными условиями конкретного рынка криптовалют, а также с техническими характеристиками криптовалюты.Эти результаты, хотя и новые, согласуются с Aslanidis et al. (2019), Bouri et al. (2020b), Рехман (2020), Bouri et al. (2021b), среди прочего.

Более того, корреляции выше для криптовалютных пар, включающих BTC и ETH, и в меньшей степени XMR. Это также может быть признаком связанности (заражения) волатильности, а также стратегического поведения и ведения переговоров на этом рынке (Hu et al. 2019).

Нелинейный многомасштабный анализ причинности по Грейнджеру

В таблице представлены результаты нелинейного многомасштабного теста причинности по Грейнджеру, выполненного для восьми наборов данных с вейвлет-разложением.Расчетная тестовая статистика и соответствующие значения p приведены в таблице. Визуальное представление направлений причинно-следственной связи по Грейнджеру представлено для каждого уровня MODWT на рис. . Как видно, существуют доказательства двунаправленной причинно-следственной связи по Грейнджеру между каждой парой криптовалют для всех масштабов вейвлета, за исключением следующих случаев: отсутствие причинно-следственной связи между ETH-RIPPLE в D1 и между DASH и MONERO в D2, что указывает на наличие хеджирования. . Мы также находим доказательства однонаправленной причинно-следственной связи от LTC к MONERO в D2, предполагая, что LTC можно использовать для прогнозирования возврата цены MONERO.Двунаправленное нелинейное распространение информации между каждой криптовалютной парой подтверждает связанность рынка и существенное распространение информации между криптовалютами, наблюдаемое с помощью вейвлет-корреляционного анализа скользящего окна. Кроме того, оценки причинно-следственных связей также подтверждают долгосрочную память криптовалют. Таким образом, наши результаты дополняют более ранние наблюдения Phillip et al. (2018, 2019), Bouri et al. (2020a) и Shahzad et al. (2021).

Нелинейная причинно-следственная связь на разных уровнях MODWT (от D1 до D8). Примечания : Стрелки в сплошных линиях указывают направление причинно-следственной связи между каждой парой криптовалютного рынка. Нелинейная причинность между BTC и Litecoin незначительна по этой причине у нас не было arrow

Таблица 3

Нелинейный направленной причинности Granger

90 022

Cryptwurrence Pair Modwt Уровень
D2 D2 D2 D2 D3 D4 D4 D5 D6 D6 D8 D8
BTC-ETH
BTC-LTC
BTC-Dash
BTC-Ripple
btc-monero
ETH-LTC
Eth-Ripple
ETH-Monero
LTC-Dash
LTC-Ripple LTC-Monero
Dash-Row 0 ↔
Dash-monero
Raipple-Monero

Табл.

D1 D2 D2 D4 D4 D4 D6 D6 D6 D8 D8 BTC-ETH 15.181 (0,0000) 14.912 (0,0000) 19.798 (0,0000) (0,0000) 18.555 (0,0000) 13.525 (0,0000) 8.464 (0,0000) 7.260 (0,0000) 6.737 (0,0000) ETH-BTC 16.992 (0,0000) 17.106 (0,0000) 21.198 (0,0000)

21.198 (0,0000) 21.401 (0,0000) 16.181 (0,0000) 12.480 (0,0000) 10.756 (0,0000) 9.947 (0,0000 ) BTC-LTC 18.199 (0,0000) 19.202 (0,0000) 23.273 (0,0000) 21.368 (0,0000) 14.241 (0.0000) 10.366 (0,0000) 8.515 (0,0000) 6.737 (0,0000) LTC-BTC 19.511 (0,0000) 19.673 (0,0000) (0,0000) 22.123 (0,0000) 21.983 (0,0000) 17.462 (0,0000) 12.569 (0,0000) 12.523 (0,0000) 9.947 (0,0000 ) BTC-DASH 21.474 (0,0000) 26.311 (0.0000) 25.656 (0,0000) (0,0000) 25.123 (0,0000) 17.783 (0.0000) 12.154 (0,0000) 9.556 (0,0000) 8.122 (0,0000) Dash-BTC 20.131 (0,0000) 21.550 (0,0000) 20.157 (0,0000)

9157 (0,0000) 19.941 (0,0000) 16.106 (0,0000) 12.430 (0,0000) 10.485 (0,0000) 10.881 (0,0000 ) BTC-RIPPLE 17.322 (0.0000) 18.120 (0,0000) 22.683 (0,0000) 21.229 (0,0000) 15.791 (0,0000) 11.148 (0,0000) 7750 (0,0000) 8,616 (0,0000) Raipple-BTC 17.868 (0,0000) 17.346 (0,0000) 17.623 (0,0000) (0,0000) 17.757 (0,0000) 16.074 (0,0000) 11.521 (0,0000) 11.380 (0,0000) 10.274 (0,0000 ) BTC-MONERO 19.900 (0,0000) 27.997 (0,0000) 22.323 (0.0000) (0,0000) 21.654 (0,0000) 15.977 (0,0000) 11.206 (0,0000) 6.089 (0,0000) 8.074 (0,0000) Monero-BTC 20.034 (0,0000) 23.647 (0,0000) 20.899 (0,0000) 20.228 (0,0000) (0,0000) 15.346 (0,0000) 11.773 (0,0000) 13.057 (0,0000) 9.945 (0,0000 ) ETH-LTC 20.622 (0,0000) 21.164 (0.0000) 24.751 (0,0000) 23.147 (0,0000)

9147 (0,0000) 16.791 (0.0000) 13.197 (0,0000) 10.629 (0,0000) 9.197 (0,0000) LTC-ETH 19.379 (0,0000) 19.295 (0,0000) 21.919 (0,0000) 21.371 (0,0000) 15.793 (0,0000) 10.737 (0,0000) 10.635 (0,0000) 11.139 (0,0000 ) ETH-DASH 18.046 (0.0000) 20.052 (0.0000) 23.368 (0.0000) (0,0000) 24.149 (0,0000) 18.389 (0.0000) 13.318 (0,0000) 11.645 (0,0000) 8.078 (0,0000) Dash-ETH 17.273 (0,0000) 15.384 (0,0000) 17.179 (0,0000) 17.357 (0,0000) 13.211 (0,0000)

13.211 (0,0000) 9,683 (0,0000) 8,403 (0,0000) 10.259 (0,0000 ) ETH-RIPPLE 0.883 (0.1886) 23.647 (0,0000) 28.572 (0,0000) 24,716 (0.0000) 18.870 (0,0000) 13.987 (0,0000) 11.139 (0,0000) 11.390 (0,0000) Raipple-Eth 0.883 (0.1886) 17.064 (0,0000) 18.066 (0,0000) 17.106 (0,0000) 14.736 (0,0000) 10.198 (0,0000) 9.783 (0,0000) 7.895 (0,0000 ) ETH-MONERO 18.393 (0,0000) 18.684 (0,0000) 21.988 (0,0000) 21.699 (0,0000) 17.109 (0.0000) 11.754 (0,0000) 11.139 (0,0000) 6.236 (0,0000) Monero-ETH 17.563 (0,0000) 16.998 (0,0000) 19,655 (0,0000) (0,0000) 19.086 (0,0000) 13.431 (0,0000) 10.907 (0,0000) 9.783 (0,0000) 10.716 (0,0000 ) LTC-DASH 20.454 (0.0000) 21.231 (0,0000) 23.638 (0,0000) (0,0000) 24.133 (0,0000) 18.811 (0,0000) 13.386 (0,0000) 11.891 (0,0000) 9.844 (0,0000) Dash-ltc 19.138 (0,0000) 17.071 (0,0000) 19.334 (0,0000) 19.023 (0,0000) 13.242 (0,0000)

13.242 (0,0000) 10.446 (0,0000) 8,905 (0,0000) 9.655 (0,0000 ) LTC-RIPPLE 22.893 (0,0000) 20.023 (0.0000) 25.736 (0,0000) (0,0000) 22.774 (0,0000) 18.249 (0,0000) 12.621 (0,0000) 10.686 (0,0000) 8.558 (0,0000) Raipple-LC 21.249 (0,0000) 19.974 (0,0000) 19.941 (0,0000) 19,788 (0,0000) 15.190 (0,0000) 11.282 (0,0000) 9.275 (0,0000) 8.181 (0,0000 ) LTC-MONERO 20.759 (0,0000) 0,472 (0,0000) 22.838 (0,0000) 22.0000 (0,0000) 17.938 (0.0000) 12.355 (0,0000) 8,701 (0,0000) 8,794 (0,0000) Monero-ltc 20.643 (0,0000) (0,0000) 0.472 (0.3186) 22.093 (0,0000) 20.783 (0,0000) 14,666 (0,0000) 11.374 (0,0000) 11.438 (0,0000) 9.821 (0,0000 ) DASH-RIPPLE 17.735 (0,0000) 16.209 (0.0000) 18.569 (0.0000) 17.040 (0,0000) 13.824 (0,0000) 10.070 (0,0000) 10.059 (0,0000) 9.062 (0,0000) Rower-Dash 19.948 (0.0000) 19.754 (0,0000) 21.035 (0,0000) 21.429 (0,0000) 17.438 (0,0000) 13.046 (0,0000) 9.961 (0,0000) 9.056 (0,0000 ) DASH-MONERO 19.877 (0.0000) 0.472 (0.3186) 20.245 (0,0000) 20.154 (0,0000) 15.236 (0,0000) 10.487 (0,0000) 7.521 (0,0000) 8.252 (0,0000) Monero-dash 20.795 (0,0000) 0,472 (0.3186) 23.077 (0,0000) 23.035 (0,0000) 17.801 (0,0000) 12.883 (0,0000) 12.531 (0,0000) 10.754 (0,0000 ) RIPPLE-MONERO 20.059 (0.0000) 19.586 (0.0000) 20.034 (0.0000) 19.658 (0,0000)

19.658 (0,0000) 16.479 (0,0000) 11.202 (0,0000) 7.521 (0,0000) 7.387 (0,0000) Monero-Rupple 22.658 (0,0000) 22.320 (0,0000) 23.282 (0,0000) 20.831 (0,0000) 15.440 (0,0000) 11.335 (0,0000) 12.531 (0,0000) 9.994 (0,0000 )

Нелинейные результаты причинно-следственной связи по Грейнджеру также показывают, что ETH и MONERO, обнаруженные ранее (рис.) связаны с большей волатильностью, чем остальные криптовалюты, — кажется, что они не сообщают волатильность (информацию) трем другим криптовалютам на более низких шкалах вейвлетов (т. е. в краткосрочной перспективе). Это контрастирует с результатами корреляционного анализа вейвлетов с скользящим окном. В то время как Ethereum и Monero могут быть связаны волатильностью больше, чем другие, они менее способны инициировать краткосрочные переливы информации, т.е. переливы волатильности от них вялые по сравнению с другими.

Для надежности мы также применяем причинно-следственную связь Грейнджера Дикса и Панченко (2006) с использованием нескольких измерений вложения, чтобы повысить устойчивость к лаговому порядку.Результаты показывают нелинейную двунаправленную причинно-следственную связь от Биткойна к другим криптовалютам и наоборот во всех случаях с согласованностью во всех измерениях внедрения. Наши результаты подразумевают более современную обработку асимметричных и нелинейных свойств данных. Мы также выполняем марковскую модель переключения режимов для двух различных классификаций режимов. Результаты показывают, что в обоих режимах, хотя коэффициент остается значительным, разброс по величине довольно велик. Величина в режиме низкой волатильности приводит к большим колебаниям в других криптовалютах, тогда как в случае режима высокой волатильности объяснительная сила Биткойна в других криптовалютах значительно снижается.Такое асимметричное смещение величины доходности между двумя режимами оправдывает наше применение нелинейных вейвлетов, разложенных на разные частоты в диапазоне от краткосрочного до долгосрочного. 7

Анализ портфеля

Чтобы помочь инвесторам принять оптимальное решение о распределении портфеля, мы изучаем оптимальный дизайн портфеля, который включает BTC с другим криптовалютным активом (Dash, ETH, LTC, MNR и XRP). Наше предположение состоит в том, что криптовалютные инвесторы могут инвестировать в другую валюту, чтобы застраховать свою позицию от снижения цен на BTC.Это предположение может быть оправдано растущей независимостью (т. е. «автономной торговлей») криптовалютных рынков, наблюдаемой Drożdż et al. (2020). В таблице представлена ​​подробная оценка рисков портфеля по разным шкалам для разработки оптимальных стратегий хеджирования. Результаты оптимальных весов показывают, что инвесторы должны держать меньше BTC, чем другие криптовалютные активы (за исключением ETH для необработанных серий, D1 и D6), чтобы минимизировать риск, не снижая ожидаемую доходность BTC и друг друга криптовалюты.Этот результат сохраняется независимо от частоты. Средний вес портфеля BTC/ETH по шкале D2 (30–60 минут) составляет 0,294, что указывает на то, что за 10 долларов США в среднем следует инвестировать 294 цента в ETH, а оставшиеся 706 центов бюджета следует инвестировать в BTC. Значения коэффициента хеджирования колеблются между отрицательными и положительными значениями и чувствительны к изменению масштабов и рассматриваемого портфеля. Для портфеля BTC/ETH в соответствии с D2 коэффициент хеджирования 0,398 указывает на то, что длинная позиция (покупка) BTC на 1 доллар США требует, чтобы инвесторы открывали короткую позицию на 0 долларов США.398 в эфире. Отрицательные значения коэффициентов хеджирования наблюдаются в нескольких случаях, что указывает на то, что два криптоактива (i и j) движутся в противоположном направлении (отрицательная корреляция) в краткосрочной перспективе. Результаты эффективности хеджирования показывают, что почти во всех случаях смешанный портфель обеспечивает лучшее снижение риска, чем индивидуальный портфель BTC, независимо от масштабов и портфеля. В целом, оптимальные веса, коэффициенты хеджирования и эффективность хеджирования чувствительны к масштабу времени.

Таблица 2

Оптимальные веса, коэффициенты хеджирования и эффективности хеджирования под разным весом

WTBTC βT Re Re (%) RAW серия BTC/ETH 0.6332 0.8231 0,2899 BTC / LTC — 0,0497 0,9119 0,3813 BTC / DASH 0,3435 0,6850 0,5135 BTC / XRP 0,1463 0.8543 0.4877 BTC / XMR 0.2196 0.2196 0.8291 0.5359

2 D1 BTC / ETH 2.3039 — 0,5336 — 2,6977 BTC / LTC 0,2102 1,4016 0,6771 BTC / DASH 0,4992 — 1,9546 0,9105 BTC / XRP 0.6801 — 1.2410 2.9236 29236 0 BTC / XMR 0.2035 — 4.1168 — 4.1168 — 4.1168

D2 BTC / ETH 0.2939 0.3984 0,8973 BTC / LTC 0,3702 — 0,5863 1,3051 BTC / DASH 0,5371 1,0930 0,9968 BTC / XRP — 0.1191 — 7.3638 0.7519 0 BTC / XMR — 8.0948 — 8.0.1589 0.1589

D3 BTC / ETH — 0.3691 3.0295 0,7858 BTC / LTC 0,5080 1,0737 1,2410 BTC / DASH 0,0280 0,6639 0,8915 BTC / XRP 1,2612 3.4945 0.4041 BTC / XMR — 0.1838 0.1838 0.3286 1.5576 D4 BTC / ETH — 7.9228 — 0,0164 — 10,6329 BTC / LTC — 0,0345 0,8847 1,3392 BTC / DASH 0,2852 0,5123 0,9385 BTC / XRP — 0.2056 1.1843 0.7564 0.7564 BTC / XMR 0.5518 2.4997 1.6471 D5 BTC / ETH — 1.0418 0.5409 2,2105 BTC / LTC 0,3046 0,7648 0,8204 BTC / DASH — 0,2126 0,5997 0,7013 BTC / XRP 0,1156 0.6702 0.6702 0.6843 0 BTC / XMR 0.6114 0.0588 1.0588 0,8084 D6 BTC / ETH 1.0857 0.5962 1,3132 BTC / LTC 0,1880 0,8720 0,4522 BTC / DASH 0,6469 0,3812 0,7056 BTC / XRP — 0,0583 0.6003 0.6003 0.6428 0 BTC / XMR 0.1302 0.1309 0,4568 D7 BTC / ETH — 0.8670 0.7372 0,5418 BTC / LTC 0,1298 0,7119 0,3139 BTC / DASH 0,0481 0,4515 0,6513 BTC / XRP 0,1935 — 0.0566 0.8699 5 BTC / XMR 4.2093 4.4772 93.0881

2 D8 BTC / ETH — 1.0611 0.8583 0,4838 BTC / LTC 0,0569 0,8583 — 0,5250 BTC / DASH 0,8044 0,0311 0,8686 BTC / XRP 0,6123 0.5866 0.5871 BTC / XMR — 0.1864 0.1465 0,8040 0,8040

Заключение

Это исследование оценивает коэффициенты Wavelet Rolling Wavelet и нелинейные мультимассы Granger Contality Contality для определения времени частотные отношения между шестью известными криптовалютами.Результаты эмпирической корреляции вейвлетов указывают на преимущественно положительные сопутствующие движения между криптовалютами, особенно между Биткойном, Эфириумом и Монеро. Нелинейные тесты причинно-следственной связи по Грейнджеру выявляют двойную причинно-следственную связь между большинством криптовалютных пар. Эти выводы указывают на взаимосвязанность рынка криптовалют.

В целом, как RWCC, так и многомасштабный анализ причинно-следственных связей по Грейнджеру демонстрируют двунаправленную корреляцию между криптовалютами и указывают на значительные возможности для диверсификации портфеля (Das et al.2018; Корбет и др. 2018б; Макаров и Шоар, 2019). Наши результаты дополнены тестами на устойчивость, включая нелинейную причинно-следственную связь по Грейнджеру Дикса и Панченко (2006) и марковскую модель переключения режимов. Результаты показывают нелинейную двунаправленную причинно-следственную связь от Биткойна к другим криптовалютам и наоборот. Кроме того, мы обнаруживаем асимметричный сдвиг в величине отдачи в двух режимах. Оптимальный дизайн портфеля чувствителен к масштабам. Кроме того, смешанный портфель, состоящий из BTC и других криптовалютных активов, обеспечивает лучшую эффективность хеджирования.

Эти результаты должны побудить политиков изучить возможности улучшения механизмов надзора на криптовалютных рынках и побудить их продвигать более зрелую и надежную систему обмена посредством разработки соответствующей инфраструктуры и правил (Corbet et al. 2019). Наконец, результаты могут также привести соответствующих агентов к улучшению стратегий хеджирования и оценки рисков портфеля.

Хотя наша работа исследует наличие корреляции с использованием современной вейвлетной меры скользящего окна, наша работа может быть расширена в будущем путем изучения влияния всех криптовалют на портфель.Поскольку в нашей работе используется вейвлет-корреляция, ее можно расширить, включив вейвлет-анализ VaR и динамику мнений (Zha et al. 2021), что может иметь важные последствия для инвесторов, владеющих портфелем криптовалют.

Благодарности

Ахмет Сенсой выражает благодарность Турецкой академии наук за поддержку — Программа присуждения выдающихся молодых ученых (TUBA-GEBIP).

сокращения

LTC

83
Modwt
Modwt
RWCC
RWCC Rolling Wavelet Wavelet Corelation
BTC BitCoin
ETH Ethereum
XRP
XRP XMR Monero
Monero
Monero

Приложение

Вейн вейвлет

Преимущество использования дискретных вейвлет-преобразования (DWT) его способность моделировать нестационарные временные ряды во временной шкале (Gencay et al.2002). Дискретное вейвлет-преобразование с максимальным перекрытием (MODWT) отличается от традиционных методологий DWT своей способностью обрабатывать ограничения выборки (т. е. размер до 2 J , J = слоев разложения), что делает его одним из наиболее часто используемых алгоритмов (Percival и Уолден 2006). Еще одним преимуществом метода MODWT является его неизменность по отношению к циклическому сдвигу временных рядов, не поддерживаемому традиционным DWT. Последнее преимущество моделей DWT и MODWT заключается в том, что они позволяют анализировать дисперсию на основе вейвлетов и коэффициентов масштабирования, при этом оценщики дисперсии более асимптотически эффективны. 8

В этой статье мы разлагаем 15-минутные тиковые доходности криптовалют, используя MODWT с наименее асимметричными вейвлетами Добеши 9 LA(8) (т.е. фильтр длины L = 8). Мы используем log 2 ( N ) для извлечения максимального уровня разложения J. Поскольку количество вейвлет-коэффициентов имеет тенденцию становиться критически малым на высоких уровнях, мы выбираем J = 8, чтобы избежать граничных коэффициентов. Таким образом, используя MODWT при таком расположении, мы получаем восемь вейвлетов с одним коэффициентом масштабирования (т.е. ω∼1,t,⋯.,ω∼8,t и v~8,t соответственно). В случае вейвлет-корреляции с скользящим окном (рассмотренной ранее) мы берем J = 4.Хотя возможность выбора J = 5 существует, анализ не дает значимых результатов. Требуемый уровень преобразования определяет масштаб вейвлет-коэффициента, т.е. ω∼t,j. Для всех семейств Добеши уровень J связан с изменениями на эффективном масштабе λj=2j-1 сут. MODWT также включает в себя идеи полосовых фильтров между частотными интервалами [1/2j+1,1/2j] для шкалы 1 ≤ j ≤ J.Чтобы получить эквивалентные периоды [2j,2j+1]∆t по шкале 1 ≤ j ≤ J, мы инвертируем частотный диапазон, а затем умножаем его на соответствующую единицу времени (в нашем случае на 15-минутную цену тика). В нашем исследовании вейвлет-коэффициенты λj, j = 1, … 8 связаны с изменениями временного горизонта на 15, 30, 60, 120, 240, 480, 960 и 1920 мин соответственно. Мы разложили исходный ряд возвратов 15-минутной частоты на восемь различных компонентов. Такое разложение помогает исследовать корреляцию вейвлета на основе заданного скользящего окна на разных частотах.Эти частоты выделены разложенными уровнями от D1 до D8, соответствующими более высокой частоте (краткосрочная) и низкой частоте (долгосрочная). Причина использования 8 шкал вместо 6 состоит в том, чтобы использовать максимальные шкалы для более четкой интерпретации различных инвестиционных горизонтов. Восемь шкал представляют больше частотных окон для анализа корреляции между выбранными нами криптовалютами. Кроме того, мы разлагаем ряд возвратов по умолчанию, используя MODWT, в котором используется вейвлет-фильтр Добеши с наименьшей асимметрией (LA) длины = 8, обычно называемый LA (8) (см. Daubechies 1992; Gencay et al.2002) (таблицы , ).

Вклад авторов

Работа выполнена в сотрудничестве со всеми авторами. Концептуализация: Валид Менси, Хамис Хамед А-Яхьяи; методология и анализ данных: Мобин Ур Рехман, Ахмет Сенсой.; Оригинальный черновик: Валид Менси, Мухаммад Шафиулла; Рецензирование и редактирование: Хамис Хамед Аль-Яхьяи, Ахмед Сенсой, Мухаммад Шафиулла; Управление проектом и получение финансирования: Валид Менси. Все авторы прочитали и одобрили окончательный вариант рукописи.

Финансирование

Специальной финансовой поддержки для проведения исследования получено не было.

Доступность данных и материалов

Наборы данных, использованные и проанализированные в ходе настоящего исследования, можно получить у соответствующего автора по обоснованному запросу.

Заявления

Конкурирующие интересы

Авторы заявляют об отсутствии конкурирующих интересов.

Сноски

1 Kou et al. (2021b) разрабатывают модель прогнозирования банкротства для малых и средних предприятий (МСП), которая использует данные о транзакциях в рамках сценария, в котором данные бухгалтерского учета не требуются.

2 См. также Rehman and Kang (2020).

3 Результаты теста BDS предоставляются по запросу.

4 Дополнительную информацию о вейвлет-разложении см. в «Приложении».

5 Whitcher et al. (1999) объясняет Z-преобразование Фишера коэффициента корреляции.

6 Причина этого в том, что после применения MODWT к подокну с 250 точками данных и исключения граничных вейвлет-коэффициентов количество точек данных становится намного меньше 250 для 5-й шкалы.Вычисления выполняются как N–W, где N = 1043 и w = 250, что дает N–W = 793 окна и, следовательно, результирующий коэффициент корреляции.

7 Результаты теста причинности Грейнджера Дикса и Панченко (2006) и марковской модели переключения режимов доступны по запросу.

8 За подробностями обращайтесь к Percival and Mofjeld (1997), Gencay et al. (2002) и Поланко-Мартинес и Абади (2016).

9 Gencay et al. (2002).

Примечание издателя

Springer Nature остается нейтральной в отношении юрисдикционных претензий в опубликованных картах и ​​институциональной принадлежности.

Информация для участников

Валид Менси, электронная почта: [email protected]

Мобин Ур Рехман, электронная почта: [email protected]

Мухаммад Шафиулла, электронная почта: [email protected]

Хамис Хамед Аль-Яхьяи, электронная почта: [email protected]

Ахмет Сенсой, электронная почта: [email protected]

Ссылки

  • Асланидис Н., Баривьера А.Ф., Мартинес-Ибаньес О. Анализ условных взаимных корреляций криптовалют. Финансы Res Lett. 2019;31:130–137. doi: 10.1016/j.frl.2019.04.019. [CrossRef] [Google Scholar]
  • Бекирос Д.С., Дикс GHC. Нелинейная динамическая зависимость обменных курсов: параметрическая и непараметрическая проверка причинно-следственной связи. Дж Макроэкон. 2008; 30:1641–1650. doi: 10.1016/j.jmacro.2008.04.001. [CrossRef] [Google Scholar]
  • Бенхмад Ф. Бычьи или медвежьи рынки: перспектива динамической корреляции вейвлетов. Экон Модель. 2013; 32: 576–591. doi: 10.1016/j.econmod.2013.02.031. [CrossRef] [Google Scholar]
  • Bouri E, Shahzad SJH, Roubaud D. Совместная взрывоопасность на рынке криптовалют. Финанс Рес Летт. 2019;29:178–183. doi: 10.1016/j.frl.2018.07.005. [CrossRef] [Google Scholar]
  • Бури Э., Люси Б., Рубо Д. Сюрприз волатильности ведущих криптовалют: временные и постоянные связи.Финансы Res Lett. 2020;33:101188. doi: 10.1016/j.frl.2019.05.006. [CrossRef] [Google Scholar]
  • Bouri E, Roubaud D, Shahzad SJH. Биткойн и другие криптовалюты прыгают вместе? Q Rev Econ Finance. 2020; 76: 396–409. doi: 10.1016/j.qref.2019.09.003. [CrossRef] [Google Scholar]
  • Бури Э., Саид Т., Во XV, Рубо Д. Квантильная связанность на рынке криптовалют. J Int Financ Mark Inst Money. 2021;71:101302. doi: 10.1016/j.intfin.2021.101302. [CrossRef] [Google Scholar]
  • Bouri E, Vo XV, Saeed T.Равнокорреляция доходности на рынке криптовалют: анализ и определяющие факторы. Финансы Res Lett. 2021;38:101497. doi: 10.1016/j.frl.2020.101497. [CrossRef] [Google Scholar]
  • Брок В.А., Дечерт Д., Лебарон Б., Шейнкман Дж. Тест на независимость, основанный на корреляционном измерении. Econ Rev. 1996; 15: 197–235. doi: 10.1080/07474939608800353. [CrossRef] [Google Scholar]
  • Caporale GM, Gil-Alana L, Plastun A. Настойчивость на рынке криптовалют. Res Int Автобус Финансы. 2018;46:141–148.doi: 10.1016/j.ribaf.2018.01.002. [CrossRef] [Google Scholar]
  • Селеста В., Шэн С., Контантин Г. Фрактальная динамика и вейвлет-анализ: глубокая волатильность и свойства доходности биткойнов, эфириума и риппла. Q Rev Econ Finance. 2019;76:310–324. doi: 10.1016/j.qref.2019.09.011. [CrossRef] [Google Scholar]
  • Чаудхари Х., Крейн М. Динамика кросс-корреляции и структуры сообщества криптовалют. J Компьютерные науки. 2020;44:101130. doi: 10.1016/j.jocs.2020.101130. [CrossRef] [Google Scholar]
  • Корбет С., Люси Б., Яровая Л.Датировка пузырей биткойнов и эфириума. Финанс Рес Летт. 2018;26:81–88. doi: 10.1016/j.frl.2017.12.006. [CrossRef] [Google Scholar]
  • Корбет С., Миган А., Ларкин С., Люси Б., Яровая Л. Изучение динамических взаимосвязей между криптовалютами и другими финансовыми активами. Экон Летт. 2018;165:28–34. doi: 10.1016/j.econlet.2018.01.004. [CrossRef] [Google Scholar]
  • Корбет С., Люси Б., Уркхарт А., Яровая Л. Криптовалюты как финансовый актив: систематический анализ.Int Rev Financ Anal. 2019;62:182–199. doi: 10.1016/j.irfa.2018.09.003. [CrossRef] [Google Scholar]
  • Дайцман С., Фестик М., Кавклер А. Динамика движения европейского фондового рынка во время некоторых крупных потрясений на финансовых рынках в период с 1997 по 2010 год — сравнительный DCC-GARCH и вейвлет-корреляционный анализ. Appl Econ Lett. 2012;19(13):1249–1256. doi: 10.1080/13504851.2011.619481. [CrossRef] [Google Scholar]
  • Дас Д., Бховмик П., Яна Р.К. Многомасштабный анализ сопутствующих движений доходности акций и вторичных эффектов: данные с развитых рынков Тихоокеанского региона.Физика А. 2018; 502: 379–393. doi: 10.1016/j.physa.2018.02.143. [CrossRef] [Google Scholar]
  • Добеши И. Десять лекций по вейвлетам. Филадельфия: Общество промышленной и прикладной математики; 1992. [Google Scholar]
  • Дикс С, Панченко В. Новые статистические и практические рекомендации по непараметрическому тестированию причинно-следственных связей по Грейнджеру. J Экон Дин Контроль. 2006; 30 (9–10): 1647–1669. doi: 10.1016/j.jedc.2005.08.008. [CrossRef] [Google Scholar]
  • Дрождж С., Минати Л., Освичимка П., Станушек М., Ваторек М.Конкуренция шума и коллективизма в глобальной торговле криптовалютой: путь к автономному рынку. Chaos Interdiscip J Nonlinear Sci. 2020;30(2):023122. doi: 10.1063/1.5139634. [PubMed] [CrossRef] [Google Scholar]
  • Энгл Р. Динамическая условная корреляция: простой класс многомерных обобщенных авторегрессионных моделей условной гетероскедастичности. J Bus Econ Стат. 2002; 20: 339–350. doi: 10.1198/073500102288618487. [CrossRef] [Google Scholar]
  • Феррейра П., Кристуфек Л., Перейра Э.Дж.Корреляции DCCA и DMCA криптовалютных рынков. Phys A Stat Mech Appl. 2020;545:123803. doi: 10.1016/j.physa.2019.123803. [CrossRef] [Google Scholar]
  • Gencay R, Selcuk F, Whitcher B. Введение в вейвлеты и другие методы фильтрации в финансах и экономике. Сан-Диего: Академическая пресса; 2002. [Google Scholar]
  • Hiemstra C, Jones JD. Тестирование на линейную и нелинейную причинно-следственную связь по Грейнджеру в отношении цены акций к объему. Дж Финанс. 1994;49(5):1639–1664. [Google Scholar]
  • Ху Б., МакИниш Т., Миллер Дж., Цзэн Л.Внутридневное поведение цены криптовалют. Финансы Res Lett. 2019;28:337–342. doi: 10.1016/j.frl.2018.06.002. [CrossRef] [Google Scholar]
  • Ji Q, Bouri E, Lau CKM, Roubaud D. Динамическая связанность и интеграция на криптовалютных рынках. Int Rev Financ Anal. 2019;63:257–272. doi: 10.1016/j.irfa.2018.12.002. [CrossRef] [Google Scholar]
  • Купман С.Дж., Юнгбакер С.Дж., Хол Э. Прогнозирование дневной изменчивости фондового индекса S&P 100 с использованием измерений исторической, реализованной и подразумеваемой волатильности.Джей Эмпир Финанс. 2005; 12: 445–475. doi: 10.1016/j.jempfin.2004.04.009. [CrossRef] [Google Scholar]
  • Коу Г., Акдениз О.О., Динчер Х., Юксель С. Инвестиции в финтех в европейских банках: гибридный нечеткий многомерный подход к принятию решений на основе ИТ2. Финанс Иннов. 2021; 7:1–28. doi: 10.1186/s40854-021-00256-y. [CrossRef] [Google Scholar]
  • Kou G, Xu Y, Peng Y, Shen F, Chen Y, Chang K, Kou S. Прогнозирование банкротства малых и средних предприятий с использованием данных о транзакциях и двухэтапного многокритериального отбора признаков.Система поддержки Decis. 2021;140:113429. doi: 10.1016/j.dss.2020.113429. [CrossRef] [Google Scholar]
  • Кутмос Д. Доходность и побочные эффекты волатильности среди криптовалют. Экон Летт. 2018; 173:122–127. doi: 10.1016/j.econlet.2018.10.004. [CrossRef] [Google Scholar]
  • Кронер К.Ф., Нг В.К. Моделирование асимметричных сопутствующих движений доходности активов. Преподобный ФинансСтуд. 1998;11(4):817–844. [Google Scholar]
  • Кронер К.Ф., Султан Дж. Распределения, изменяющиеся во времени, и динамическое хеджирование с помощью фьючерсов на иностранную валюту.Дж Финанс Квант Анал. 1993;28(4):535–551. дои: 10.2307/2331164. [CrossRef] [Google Scholar]
  • Макаров И., Ученый А. Торговля и арбитраж на криптовалютных рынках. Дж Финанс Экон. 2019; 135: 293–319. doi: 10.1016/j.jfineco.2019.07.001. [CrossRef] [Google Scholar]
  • Mensi W, Rehman MU, Al-Yahyaee KH, Al-Jarrah IMW, Kang SH. Частотно-временной анализ общих черт между биткойнами и основными криптовалютами: последствия управления рисками портфеля. N Am J Econ Finance. 2019;48:283–294.doi: 10.1016/j.najef.2019.02.013. [CrossRef] [Google Scholar]
  • Mensi W, Rehman MU, Maitra D, Al-Yahyaee KH, Sensoy A. Движется ли биткойн вместе с сукук и мировыми и региональными исламскими фондовыми рынками и разделяет ли с ними риск? Доказательства с использованием частотно-временного подхода. Res Int Автобус Финансы. 2020;53:101230. doi: 10.1016/j.ribaf.2020.101230. [CrossRef] [Google Scholar]
  • Наим М., Бури Э., Пэн З., Шахзад С., Во Х. Асимметричная эффективность криптовалют во время COVID19. Phys A Stat Mech Appl.2021;565:125562. doi: 10.1016/j.physa.2020.125562. [CrossRef] [Google Scholar]
  • Ni C-H. Динамика корреляции на рынке криптовалют на основе анализа уменьшения размерности. Phys A Stat Mech Appl. 2020;554:124702. doi: 10.1016/j.physa.2020.124702. [CrossRef] [Google Scholar]
  • Omane-Adjepong M, Alagidede IP. Анализ с несколькими разрешениями и побочные эффекты основных криптовалютных рынков. Res Int Автобус Финансы. 2019;49:191–206. doi: 10.1016/j.ribaf.2019.03.003. [CrossRef] [Google Scholar]
  • Percival DB, Mofjeld HO.Анализ сублиторальных прибрежных колебаний уровня моря с помощью вейвлетов. J Am Stat Assoc. 1997;92(439):868–880. doi: 10.1080/01621459.1997.10474042. [CrossRef] [Google Scholar]
  • Percival DB, Walden AT. Вейвлет-методы для анализа временных рядов. Кембридж: Издательство Кембриджского университета; 2006. [Google Scholar]
  • Филипп А., Чан Дж. С., Пейрис С. Новый взгляд на криптовалюты. Экон Летт. 2018; 163:6–9. doi: 10.1016/j.econlet.2017.11.020. [CrossRef] [Google Scholar]
  • Филипп А., Чан Дж., Пейрис С.Об эффектах долгой памяти в измерении волатильности криптовалют. Финансы Res Lett. 2019;28:95–100. doi: 10.1016/j.frl.2018.04.003. [CrossRef] [Google Scholar]
  • Поланко-Мартинес Дж., Абади Л. Анализ динамики спотовых цен на сырую нефть по сравнению с долгосрочными будущими ценами: метод вейвлет-анализа. Энергии. 2016;9(12):1089. doi: 10.3390/en 89. [CrossRef] [Google Scholar]
  • Polanco-Martínez J, Fernández-Macho J, Neumann MB, Faria SH. Докризисный и кризисный анализ периферийных фондовых рынков ЕС с помощью вейвлет-преобразования и теста нелинейной причинности.Physica A. 2018; 490:1211–1227. doi: 10.1016/j.physa.2017.08.065. [CrossRef] [Google Scholar]
  • Куреши С., Афтаб М., Бури Э., Саид Т. Динамическая взаимозависимость рынков криптовалют: анализ во времени и частоте. Phys A Stat Mech Appl. 2020;559:125077. doi: 10.1016/j.physa.2020.125077. [CrossRef] [Google Scholar]
  • Ranta M (2010) Вейвлет-анализ финансовых временных рядов с несколькими разрешениями. Кандидатская диссертация, Университет Ваасан yliopisto, Acta Wasaensia 223, Статистика 5
  • Рехман MU.Приносят ли биткойн и драгоценные металлы какую-либо пользу вместе? Экстремальный анализ зависимости и риска. Ресурсная политика. 2020;68:101737. doi: 10.1016/j.resourpol.2020.101737. [CrossRef] [Google Scholar]
  • Рехман М.Ю., Апергис Н. Определение прогностической способности между криптовалютами и товарными фьючерсами в реальном времени: данные тестов квантильной причинности. Ресурсная политика. 2019; 61: 603–616. doi: 10.1016/j.resourpol.2018.08.015. [CrossRef] [Google Scholar]
  • Рехман М.Ю., Канг Ш. Частотно-временное движение и причинно-следственная связь между хэшрейтом биткойна и рынками энергоресурсов.Глоб Финанс Дж. 2020;49:100576. doi: 10.1016/j.gfj.2020.100576. [CrossRef] [Google Scholar]
  • Рехман М.Ю., Во XV. Криптовалюты и драгоценные металлы: более пристальный взгляд с точки зрения диверсификации. Ресурсная политика. 2020;66:101652. doi: 10.1016/j.resourpol.2020.101652. [CrossRef] [Google Scholar]
  • Рехман М.Ю., Асгар Н., Канг Ш. Обеспечивают ли исламские индексы диверсификацию биткойнов? Приложение, изменяющееся во времени, и значение, подверженное риску. Pac-Basin Finance J. 2020;61:101326. дои: 10.1016/j.pacfin.2020.101326. [CrossRef] [Google Scholar]
  • Саадауи Ф., Найфар Н., Альдохайман М.С. Предсказуемость и взаимосвязь между обычными и исламскими индексами фондового рынка: многомасштабное исследование с использованием вейвлетов. Физика А. 2017; 482: 552–568. doi: 10.1016/j.physa.2017.04.074. [CrossRef] [Google Scholar]
  • Shahzad SJH, Bouri E, Kang SH, Saeed T. Специфическое распространение режима на криптовалюты и роль COVID-19. Финанс Иннов. 2021;7(5):1–24. [Google Scholar]
  • Su CW, Li ZZ, Tao R, Si DK.Тестирование множественных пузырей на рынках биткойнов: обобщенный тест SUP ADF. Японская мировая экономика. 2018;46:56–63. doi: 10.1016/j.japwor.2018.03.004. [CrossRef] [Google Scholar]
  • Уркхухарт А. Чем привлекает внимание Биткойн. Экон Летт. 2018;166:40–44. doi: 10.1016/j.econlet.2018.02.017. [CrossRef] [Google Scholar]
  • Wang GJ, Xie C, Lin M, Stanley HE. Заражение фондового рынка во время мирового финансового кризиса: многоуровневый подход. Финанс Рес Летт. 2017;22:163–168. doi: 10.1016/j.фрл.2016.12.025. [CrossRef] [Google Scholar]
  • Воторек М., Дрождж С., Квапень Дж., Минати Л., Освенцимка П., Станушек М. Многомасштабные характеристики развивающегося глобального рынка криптовалют. Phys Rep. 2021; 901:1–82. doi: 10.1016/j.physrep.2020.10.005. [CrossRef] [Google Scholar]
  • Уитчер Б., Гутторп П., Персиваль Д.Б. (1999) Математическая основа вейвлет-оценок взаимной ковариации и взаимной корреляции. Технический отчет. 38, Национальный ресурсный центр дополнительного образования, Сиэтл
  • Яровая Л., Матковский Р., Джалан А.Влияние события «черный лебедь» (COVID-19) на стадное поведение на криптовалютных рынках. J Int Financ Mark Inst Money. 2021 г.: 10.1016/j.intfin.2021.101321. [CrossRef] [Google Scholar]
  • Яя О.С., Огбонна А.Е., Олубусое О.Е. Насколько постоянны и динамичны взаимозависимые цены на Биткойн по отношению к другим криптовалютам до и после краха 2017/18? Phys A Stat Mech Appl. 2019;531:121732. doi: 10.1016/j.physa.2019.121732. [CrossRef] [Google Scholar]
  • Zha Q, Kou G, Zhang H, Liang H, Chen X, Li C, Dong Y.Динамика мнений в финансах и бизнесе: обзор литературы и возможности исследования. Финанс Иннов. 2021; 6: 1–22. doi: 10.1186/s40854-020-00211-3. [CrossRef] [Google Scholar]
  • Zhang Y, Wang J. Помогают ли высокочастотные данные фондового рынка прогнозировать цены на сырую нефть? Данные моделей MIDAS. Энергия Экон. 2019;78:192–201. doi: 10.1016/j.eneco.2018.11.015. [CrossRef] [Google Scholar]

Последний полет шаттла Endeavour (даже если он находится на вершине НАСА B747) |

Недавно выведенный из эксплуатации «Индевор» — один из трех космических челноков, превратившихся из активного носителя астронавтов во впечатляющий экспонат, на этот раз в Калифорнийском научном центре в Лос-Анджелесе.Как и следовало ожидать, доставка космического корабля размером 122 x 78 x 57 футов в музей из Космического центра Кеннеди (KSC) во Флориде сопряжена с рядом проблем. Некоторые из ключевых выделены здесь.

Сначала убрали ряд ядовитых материалов (ракетное топливо, например), двигатели и люки со взрывчаткой, а также вынесли туалеты и камбузы на отдельную экспозицию.

Затем понадобилось «устройство спаривания» для погрузки и разгрузки шаттла в задней части модифицированного самолета-носителя 747 (или SCA) для его перевозки из Флориды в Калифорнию.Такое устройство есть в KSC; однако в международном аэропорту Лос-Анджелеса (LAX) его нет, потому что они не привыкли выполнять такие виды операций. Поэтому инженеры НАСА планируют установить несколько больших кранов, чтобы поднять «Индевор» с B747 в Лос-Анджелесе.

Поездка из Флориды в Калифорнию должна была начаться в понедельник, 17 сентября 2012 г.; однако из-за погодных условий его пришлось перенести на среду, 19 сентября. Если я правильно понял, SCA с шаттлом наверху может летать только в условиях VMC.Путешествие разделено на три этапа: от мыса Канаверал (XMR) до Эллингтон-Филд в Хьюстоне (EFD), от Хьюстона до Драйдена НАСА и оттуда до Лос-Анджелеса с несколькими эстакадами по пути =)

Я не смог увидеть его над эстакадой или прибыть в Новый Орлеан или Хьюстон соответственно (оба в центрально-юго-западном регионе AOPA) из-за того, что он был задержан на два дня, и мне пришлось ехать рано утром в среду в Нью-Мексико, чтобы встретиться с обязательства. Однако у меня был личный репортер — мой муж Джаред =) — в Хьюстоне, который по пути присылал мне фотографии и обновления.Я хотел поделиться ими с вами здесь.

Хьюстон очень рад видеть Endeavour даже в качестве гостя на несколько часов. НАСА играет большую роль в Хьюстоне, особенно в Южном Хьюстоне (а именно в Клир-Лейк, Сибрук и т. д.), и городские власти были разочарованы, узнав несколько месяцев назад, что один из «летающих» шаттлов не уйдет на пенсию в Хьюстоне в компании Johnson Space. Центр (ОАО).

Шаттл (в сопровождении одного из базирующихся в Хьюстоне самолетов НАСА T38) пролетел над несколькими частями Хьюстона, включая центр города, Техасский Южный университет (TSU) и Хьюстонский университет — Мейн (UH), аэропорт Хобби (HOU), Клир-Лейк, и т.п.Движение было затруднено на пару миль по шоссе 3 у Эллингтон-Филд. Несколько сотен человек вышли в EFD, чтобы поприветствовать списанный шаттл. Вот несколько фотографий с низкого прохода шаттла и приземления на Эллингтон-Филд:

.

Толпа была очень возбуждена. В конце концов, стоило постоять в очереди… какое зрелище и кусочек истории!

Я также хотела поделиться с вами картинкой, которая мне больше всего понравилась из тех, что прислал мне мой муж.Маленький мальчик, одетый как космонавт, позирует перед Боингом-747 и шаттлом. Я рад видеть науку, космос, полеты… по-прежнему интересно для будущих поколений. Нам, безусловно, нужны будущие пилоты… и в данном случае будущие космонавты.

Рейс парома должен продолжиться завтра на рассвете, направляясь в НАСА Драйден, а затем в пятницу в Лос-Анджелес. Планируется, что Endeavour вылетит с Эллингтон-Филд около 7 часов утра. План полета после этого требует, чтобы они летели на юг, повернули на восток над Космическим центром Джонсона для последнего прохода, затем пролетели обратно над центром города, прежде чем пролететь над западным Хьюстоном.Затем он совершит низкую эстакаду к югу от здания Капитолия в Остине по пути в Эль-Пасо. Надеюсь, вы сможете поймать их во время любого из этих полетов, если вы уедете в Техасе.

В пятницу, однажды на колесах в Лос-Анджелесе, шаттл проедет шесть миль до музея. Это потребует временного удаления большинства линий электропередач и светофоров, двух инженерных фирм для планирования маршрута и человека, который будет «управлять» четырьмя мобильными транспортерами, перевозящими шаттл. Не можете добраться до Лос-Анджелеса, чтобы посмотреть маршрутное такси из Лос-Анджелеса в музей? Что ж, вы все еще можете запланировать посещение парада самолетов AOPA в Палм-Спрингс.Самолеты авиации общего назначения будут курсировать по улицам города от международного аэропорта Палм-Спрингс (PSP) до конференц-центра в центре города Палм-Спрингс в среду, 10 октября, в 10:00. Затем в субботу 13 октября с 15:00 до 17:00 самолеты вернутся в аэропорт из Конгресс-центра. Организация такого мероприятия тоже непростая задача, и я обещаю вам, что это будет увлекательно и весело. ФМИ, посетите www.aopa.org/summit.

На рисунке ниже показаны некоторые этапы, описанные в этом блоге для перевозки шаттла из Флориды в Калифорнию:

Ethereum, Monero, BAT Анализ цен: 07 февраля

Ethereum прорвался выше 1400 долларов, но нашел временную вершину около 1750 долларов, поскольку давление со стороны продавцов вызвало некоторую коррекцию.Monero показал медвежий сигнал и в ближайшие дни может упасть до 135 долларов, в то время как Basic Attention Token был очень оптимистичным на графиках.

Эфириум [ETH]

Источник: ETH/USD на TradingView

Ethereum ненадолго преодолел отметку в 1700 долларов, но был отброшен вниз. Импульс сместился в пользу медведей в краткосрочной перспективе. RSI упал до нейтрального уровня 50 и угрожал упасть ниже.

Еще одно свидетельство давления со стороны продавцов наблюдается на OBV, который за последние несколько дней достиг более низких максимумов.Это показывает, что в последнее время объем продаж превысил объем покупок.

Выделенная область спроса от 1550 до 1600 долларов — это область, в которой быки попытаются вызвать отскок. Потеря этого региона, вероятно, приведет к тому, что ETH протестирует уровень восстановления 23,6% на уровне 1506 долларов.

Монеро [XMR]

Источник: XMR/USDT на TradingView

Цена сформировала более высокий максимум за последние несколько дней, несмотря на то, что Awesome Oscillator сигнализировал о снижении бычьих настроений. Это медвежья установка с двумя пиками и сигналом к ​​продаже.

Вполне вероятно, что XMR вот-вот потеряет уровень поддержки в 150 долларов, а следующая значительная поддержка будет в районе 135-140 долларов.

Закрытие торговой сессии ниже $148 будет подтверждением неизбежного падения.

Основной токен внимания [BAT]

Источник: BAT/USD на TradingView

Используя инструмент восстановления Фибоначчи для движения Basic Attention Token с 0,177 до 0,379 доллара, можно наблюдать некоторое слияние между уровнями восстановления и установленными уровнями поддержки.BAT обладал бычьим импульсом, о чем свидетельствует MACD и его тенденция с момента прорыва выше 0,27 доллара.

Расширение вышеупомянутого движения на 27% прогнозирует бычью цель в 0,46 доллара для BAT, при этом 0,5 доллара представляют собой значительный уровень сопротивления сразу за ним. На уровне 0,435 доллара также может усилиться давление со стороны продавцов.

5 февраля MACD сформировал более низкий максимум на 4-часовом графике, в то время как BAT сделал более высокий максимум, но это расхождение, вероятно, уже закончилось, поскольку BAT продемонстрировал падение на 8,5% в последующие торговые сессии.