Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал: http://ds.knu.edu.ua/jspui/handle/123456789/5012
Назва: Аналіз крос-кореляційного зв’язку між біткоїном та фондовим ринком
Автори: Соловйов, В.
Соловйова, В.
Матвійчук, А.
Семеріков, С.
Бєлінський, А.
Ключові слова: фондовий ринок
крипторинок
крос-кореляції
крах
індикатор-передвісник
stock market
crypto market
cross-correlations
crash
indicator-precursor
Дата публікації: 20-чер-2022
Видавництво: ЧДТУ
Бібліографічний опис: Соловйов В. Аналіз крос-кореляційного зв’язку між біткоїном та фондовим ринком / Соловйов В., Соловйова В., Матвійчук А., Семеріков С., Бєлінський А. // Тези доповідей VІ Міжнародної науково-практичної конференції «Інформаційні технології в освіті, науці і техніці» (ІТОНТ-2022), (Черкаси, 23-25 червня 2022 р.). – Черкаси : ЧДТУ, 2022. – С. 114-117.
Короткий огляд (реферат): У роботі ми досліджуємо крос-кореляційні зв’язки між фондовими і криптовалютними ринками. Показники складності, які можуть служити індикаторами (індикаторами-передвісниками) кризових явищ на обох ринках, отримуються із застосуванням крос-кореляційного аналізу детрендованих флуктуацій. На прикладі фондових індексів S&P 500 і HSI та криптовалюти біткоїн, яка переважно і визначає існування крипторинку, ми оцінюємо динаміку крос- кореляцій на обох ринках. Використовуючи підхід ковзного вікна, ми локалізуємо їх динаміку в часі і визначаємо високий ступінь нелінійності з домінуючою антиперсистентністю в періоди крахів для кожного індексу. Існування індикаторів, що здатні ідентифікувати періоди з високим і низьким ступенем крос-кореляцій для фондового і крипторинків становить перспективи для надійної торгівлі із кількома парами активів та ефективної диверсифікації потенційних ризиків. In this study, we examine cross-correlation relationships between stock and cryptocurrency markets. The measures of complexity, which can serve as indicators (indicators-precursors) in both markets are retrieved from Detrended Cross-Correlations Analysis (DCCA). On the example of the S&P 500 and HSI stock indices and the Bitcoin cryptocurrency, which mostly determines the existence of the crypto market, we assess the variation of cross-correlations in both markets. Using the sliding window approach, we localize their dynamics across time and indicate a high degree of non-linearity with dominant anti- persistency during crash periods for each index. The existence of indicators that are able to detect the periods of high and low cross-correlations for stock and crypto markets provides prospects for reliable trading with several pairs of assets and effective diversification of their risks.
Опис: 1. Katsiampa P., Yarovaya L., Zięba D. High-frequency connectedness between Bitcoin and other top-traded crypto assets during the COVID-19 crisis. Journal of International Financial Markets, Institutions and Money. 2022. ISSN 1042-4431. P. 101578. 2. Aysan A. F., Demir E., Gozgor G., Lau C.K.M. Effects of the geopolitical risks on Bitcoin returns and volatility. Research in International Business and Finance. 2019. No. 47. P. 511–518. 3. The official page of “Yahoo! Finance”. URL: https://finance.yahoo.com. 4. Podobnik B., Stanley H. Detrended cross-correlation analysis: A new method for analyzing two nonstationary time series. Phys. Rev. Lett. 2008. No. 100. P. 084102. 5. Hurst H. E. Long-term storage capacity of reservoirs. Transactions of the American Society of Civil Engineers. 1951. No. 116 (1). P. 770–799. 6. Zebende G. DCCA cross-correlation coefficient: Quantifying level of cross-correlation. Physica A: Statistical Mechanics and Its Applications. 2011. No. 390 (4). P. 614–618. 7. Mosaic organization of DNA nucleotides / C. K. Peng, S. V. Buldyrev, S. Havlin et al. Phys. Rev. E. 1994. No. 49 (2). P. 1685–1689. 8. Bielinskyi A. O., Serdyuk O. A., Semerikov S. O., Soloviev V. N. Econophysics of cryptocurrency crashes: a systematic review. Machine Learning for Prediction of Emergent Economy Dynamics. 2021. Vol. 3048. ISSN 1613-0073. P. 31–133. 9. Irreversibility of financial time series: a case of crisis / A. O. Bielinskyi, S. V. Hushko, A. V. Matviychuk et al. Machine Learning for Prediction of Emergent Economy Dynamics. 2021. Vol. 3048. ISSN 1613-0073. P. 134–150.
URI (Уніфікований ідентифікатор ресурсу): https://itest.chdtu.edu.ua/%D0%97%D0%B1%D1%96%D1%80%D0%BD%D0%B8%D0%BA_%D1%82%D0%B5%D0%B7_%D0%86%D0%A2%D0%9E%D0%9D%D0%A2-2022_%D0%BC%D0%B0%D0%BA%D0%B5%D1%82_26_06.pdf
http://ds.knu.edu.ua/jspui/handle/123456789/5012
Розташовується у зібраннях:Кафедра професійної та соціально-гуманітарної освіти

Файли цього матеріалу:
Файл Опис РозмірФормат 
Збірник_тез_ІТОНТ-2022_макет_24_06-114-117.pdf930.04 kBAdobe PDFПереглянути/Відкрити


Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.