Прийняття біткойна та ціна еластичності попиту: крос - Криптіх

Джерела даних

Дані для цього дослідження були отримані з декількох авторитетних джерел для забезпечення точності та всебічності. Стіл 1 надає структурований підсумок ключових джерел даних, що використовуються в цьому дослідженні.

Таблиця 1 Джерело та змінні, що використовуються в дослідженні.

Використовувані методи

Це дослідження застосовує надійні економетричні моделі, щоб зрозуміти динаміку ціноутворення біткойна та його взаємодію з регуляторними факторами та технологічним прогресом. Зокрема, модель регресії Huber використовується для вивчення взаємозв'язку між ціною біткойна та кількістю, що вимагається. Ми використовували програму Python для обчислення PED з моделі Sklearn.linear. Математичний вираз для обчислення ПЕД полягає в наступному.

Регресійна модель Huber

Регресія Губер змінює регресію звичайних найменших квадратів (OLS), вводячи надійну функцію втрат, яка обмежує вплив переживань. Цей підхід особливо підходить для аналізу попиту на біткойн, оскільки ринки криптовалют демонструють високу мінливість та нерегулярні моделі торгівлі. На відміну від OLS, який передбачає нормально розподілені залишки і є дуже чутливим до екстремальних значень, регресія хубер мінімізує вплив людей, що перебувають у вигляді, застосовуючи квадратичну втрату для невеликих залишків та лінійну втрату для великих залишків. Це забезпечує більш точні та стабільні оцінки цінової еластичності попиту (PED) (Feng та Wu, 2021.).

Надійність має вирішальне значення в цьому контексті, оскільки люди, які часто спричинені ринковими аномаліями або раптовими економічними подіями, можуть спотворити традиційні результати OLS. Зменшуючи чутливість до цих екстремальних значень, регресія Huber забезпечує надійні оцінки PED, що відображають основні тенденції ринку. Регресія Huber мінімізує таку цільову функцію:

$$ \ beta = {\ rm {arg}} \ mathop {\ min} \ обмеження _ {{\ beta}} \ mathop {\ sum} _ {i = 1}^{n} l \ delta ({ri) $$

Де: β= (β0, β1) – параметри моделі (перехоплюють і нахил відповідно). РІН= Yi- (β0 + β1Xi) є залишком для спостереженняЯ. Lδ (РІН) – функція втрат Хубер, визначена як:

$$ {l} _ {\ delta } \ ліворуч ({r} _ {i} \ право) = \ ліворуч \ {\ start {array} {l} \ frac {1} {2} {r} _ {i}^{2} \ qquad \ qquad \ quad {\ text {if}} \ ліворуч | {r} _ {i} \ right | \ le \ delta, \\ \ delta \ cdot \ зліва | {r} _ {i} \ right |-\ frac {1} {2} {\ delta}^{2} \ Quad {\ tex \, \ delta. \ end {array} \ right. $$

Для невеликих залишків \ ((| {ri} | \ le \ delta |) \)Функція втрат є квадратичною, що робить її поводженням як OLS. Для великих залишків \ ((| {ri} |> \ delta) \)функція втрат стає лінійною, зменшуючи вплив людей, що переживають.

ПараметрδВизначає поріг, при якому функція втрат переходить від квадратичної до лінійної, балансуючої чутливості до інлієрів та надійності проти людей, що переживають.

Відношення до цінової еластичності попиту (PED)

У контексті цінової еластичності попиту (PED) для обсягів торгів Bitcoin, регресійна модель пов'язана з обсягом торгівлі, трансформованими журналами ( У) до ціни, що перетворюється на журнал ( X):

$$ \ log \ ліворуч ({yi} \ праворуч) = {\ beta} 0+{\ beta} 1 {log} ({xi})+\ epsilon i $$

Де: \ ({Yi} \): Обсяг торгуваного біткойна (залежна змінна). Xi: Ціна біткойна (незалежна змінна). \ (\ beta 1 \): Коефіцієнт нахилу, що представляє еластичність. \ (\ epsilon i \): Залишковий термін.

Трансформація журналу робить \ (\ beta 1 \) безпосередньо інтерпретується як цінова еластичність попиту:

$$ {ped} = \ beta 1 = \ frac {\ partial \ log (y)} {\ partial \ log (x)} = \ frac {\% \ delta y} {\% \ delta x} $$

Обчислення ПЕД за допомогою регресії Губер

Для обчислення ПЕД виконуються наступні кроки:

$$ {l} _ {\ delta} \ ліворуч ({\ beta} _ {0}, {\ beta} _ {1} \ right) = \, {\ rm {arg} \, \ mathop {\ min} \ armits {{\ beta}}}} \ \ \ {\ \ beta}}}}}}} \ \ \ {\ \ \ _ } _ {1}} \ mathop {\ sum} \ limits_ {i = 1}^{n} {l} _ {\ delta} \ зліва (\ log \ зліва ({y} {i} \ right)-\ ліво } _ {1} \ log \ ліворуч ({x} _ {i} \ праворуч) \ праворуч) \ право) $$

Це мінімізує надійну функцію втрат Lδзабезпечення зниження чутливості до переживань у \ ({log} ({yi}) \) або \ ({log} ({xi}). \)

Оцінка коефіцієнтів: Пристосована модель забезпечує оцінки для β0 (перехоплення) і β1 (нахил). Ось, β 1 безпосередньо представляє PED.
Надійність та інтерпретація

Стійкість до людей, що переживають: Мінімізуючи функцію втрат хубер, модель забезпечує екстремальні значення обсягу торгів або ціни не пропорційно впливають на оцінку еластичності.

Інтерпретація PED: Орієнтовний β 1:

Якщо \ (| \ beta 1 | \, <\, 1 \)попит є нееластичним.

Якщо \ (| \ beta 1 | \, <\, 1, \) попит еластичний.

Якщо \ (| \ beta 1 | \, <\, 1, \) Попит є унітарним еластичним.

Кореляційний аналіз

Кореляція рейтингу Спірмена використовується для вивчення взаємозв'язків між регуляторними рамками, рейтингом прийняття, прогресуванням технологій та ПЕД. Сер Френсіс Галтон розробив концепцію кореляції наприкінці 19 століття. Цей статистичний метод проливає світло на те, як взаємодіють соціально-економічні та регуляторні фактори для формування прийняття та попиту на біткойн, підкреслюючи більш широкі наслідки для фінансових систем та економічної політики (Aslanidis et al., 2018 рік.). Математичний вираз, що використовується для кореляції, полягає в наступному:

$$ \ rho = 1- \ frac {6 {\ sum} \, {d} _ {i}^{2}} {n \ ліворуч ({n}^{2} -1 \ право)} $$

Де: ρ– коефіцієнт кореляції рейтингу Спірмена.р._Я – це різниця між рядами кожної пари відповідних значень.п.– кількість спостережень.

Змінні та кількісне визначення

Вибрані змінні були кількісно визначені на основі стандартизованих критеріїв для полегшення статистичного аналізу:

Регуляторні рамки:

Ця змінна була оцінена на основі законності, оподаткування, проти відмивання грошей (AML) та захисту прав споживачів. Більш високі показники вказують на більшу регуляторну зрілість, коли шкало становить від 0 до 5. Наприклад: законність: повністю регульований = 5, слабо регульований = 3, без рамки = 0. Відповідність AML: Сильні заходи = 5, мінімальна відповідність = 2, немає = 0.
Технологічна готовність:

Вимірюються за допомогою таких показників, як проникнення в Інтернет, прийняття Fintech та блокчейн -інфраструктуру. Ці показники оцінюють технологічний потенціал країни для підтримки цифрових валют.
Прийняття криптовалют:

Займається за відсотком населення, активно використовуючи або тримаючи криптовалюти. Ця змінна відображає публічне та інституційне прийняття цифрових валют.
Захист прав споживачів:

Оцінює політику, яка захищає користувачів від шахрайства, крадіжок та кібератак. Сильна політика захисту споживачів сприяє довірі та заохочення усиновлення.

Система балів

Якісні атрибути для кожної країни були перетворені в числові бали за допомогою стандартизованої шкали (наприклад, 0–5 для регуляторної зрілості), забезпечуючи узгодженість та порівнянність у різних регіонах.

Тестування гіпотези

Існуючий обсяг літератури широко досліджував кореляцію між криптовалютами та традиційними та звичайними активами, такими як золото, інфляція, ВВП, сира нафта та обмінні курси (Бурі та ін., 2017 рік; Горбел та Джерібі 2021.). Однак існує помітна розрив у дослідженні, який вивчає взаємозв'язок між криптовалютами, регуляторними рамками та технологічним прогресом. Це дослідження має на меті вирішити цю прогалину, формулюючи гіпотези, які досліджують ці недостатньо досліджені області.

Регуляторні рамки

Незважаючи на те, що прямі дослідження, що пов'язують криптовалюти та регуляторні рамки, є рідкісними, більш широка фінансова література дає суттєві докази впливу регулювання на поведінку ринку. (Auer et al., 2022) Продемонструйте, що регуляторні середовища суттєво впливають на фінансову стабільність та довіру інвесторів. Маючи з цього, висунуто гіпотезу, що:

H1: Регулюючі рамки суттєво впливають на рівень прийняття криптовалют.

Ця гіпотеза ґрунтується на очікуванні, що чітка та підтримуюча регуляторна політика може сприяти сприятливому середовищу для прийняття криптовалют, тоді як суворі чи неоднозначні норми можуть перешкоджати цьому.
Технологічний прогрес

Аналогічно, роль технологічної інфраструктури у прийнятті фінансових інновацій була підкреслена різними дослідженнями, хоча і не конкретно в контексті криптовалют. Теорія дифузії інновацій (Bharadwaj та Deka, 2021) припускає, що технологічна готовність є вирішальним фактором прийняття нових технологій. Виходячи з цієї теоретичної рамки, ми гіпотезуємо, що:

H1: Технологічний прогрес співвідноситься з ціновою еластичністю попиту на криптовалюти.

Ця гіпотеза випливає з розуміння того, що вдосконалена технологічна інфраструктура сприяє легшого доступу до та використання криптовалют, що може впливати на чутливість споживачів на зміни цін.

Інтегруючи інформацію із загальної фінансової та технологічної літератури щодо прийняття, це дослідження має на меті надати емпіричні докази впливу регуляторних та технологічних факторів на ринки криптовалют, тим самим заповнюючи значну розрив у сучасних дослідженнях.

Source link