Обзор:

В этой заметке я представляю новые методы изучения поведения 52 крупнейших криптовалют в период с 01 января 2019 года по 30 июня 2021 года. Я исследую поведение эволюционной корреляции и применяю недавно предложенный алгоритм поворотной точки для определения режимов в рыночной корреляции. Затем я исследую взаимосвязь между коллективной динамикой и размером рынка криптовалюты, обнаружив сильную отрицательную связь между размером рынка и силой коллективной динамики. Этот вывод имеет важные последствия для будущего рынка криптовалют, независимо от конечной важности класса активов в портфелях инвесторов. Мои выводы показывают, что если рынок криптовалют растет, поведение становится более разнородным, а если рынок сокращается, поведение становится более однородным.

За последние несколько лет рынок криптовалют вызвал значительный интерес как со стороны институциональных, так и со стороны розничных инвесторов. На рынке наблюдался значительный рост совокупных активов, сопровождаемый соответствующим уровнем волатильности. После кризиса COVID-19 и краха рынка BitMEX в начале 2020 года цены на криптовалюту сильно выросли, после чего последовало их снижение по всему рынку. Учитывая разные взгляды на долгосрочную жизнеспособность класса активов, я хотел изучить эволюционное поведение в структуре корреляции криптовалют и коллективной динамике, взаимосвязь между общим объемом рынка и силой коллективного поведения, природу изменяющихся во времени аномалий и устойчивость режимов в условиях рыночной волатильности.

Поведение рынка и режимы корреляции:

Как и многие классы активов на финансовых рынках, доходность криптовалюты характеризуется распределением, которое характеризуется значительным хвостовым риском. Учитывая их относительную молодость и полярные взгляды участников финансового рынка на долгосрочную жизнеспособность актива, это делает их ценовое поведение более восприимчивым к крайней волатильности и неустойчивому поведению. На рис. 1 показана общая волатильность логарифмической доходности, а на рис. 2 показана отрицательная асимметрия в распределении доходности по всему окну анализа.

Чтобы исследовать временную эволюцию коллективной силы корреляционного поведения, я изучаю изменения в корреляционной структуре. Для этого вычислите изменяющуюся во времени L¹ норму корреляционных матриц во все моменты времени. Для выявления режимов корреляционного поведения применяется фильтр Савицкого-Голея, который сглаживает ряд норм L¹ с поправкой на минимум, получая сглаженную функцию. Затем к гладкой функции применяется алгоритм точки поворота, чтобы сгенерировать набор точек поворота.

На рис. 2 показано, что в корреляционном поведении есть 6 поворотных точек. Особо следует отметить поворотные точки, определенные на 08–05–2020 и 13–08–2020. Эти даты отражают крах рынка COVID-19 и последующее восстановление рынка криптовалют. Очевидно, что корреляции наиболее сильно положительны во время рыночного краха и наиболее непохожи на последующий рост рынка криптовалют. Поворотный момент 30 июня 2020 г. отражает сильное усиление корреляционного поведения во второй половине нашего окна анализа. Это, скорее всего, свидетельствует об агрессивной распродаже криптовалютных активов с (приблизительно) середины апреля по сегодняшний день. И снова обнаруживается поразительная закономерность, когда общий рост рынка криптовалют находится в обратной зависимости от корреляций. Идентификация таких пиков и впадин в корреляциях может предоставить инвестиционным менеджерам инструмент поддержки принятия решений относительно того, находятся ли они в рыночной среде, где выбор ценных бумаг имеет большее или меньшее значение. В рыночных условиях, когда корреляции сильно положительны, инвестиционным менеджерам может быть труднее создавать потоки доходности, которые демонстрируют более низкую рыночную бета.

Для дальнейшего изучения этого вывода мы разделим наше окно анализа на 5 периодов и построим эмпирическую корреляционную матрицу в каждом из этих окон. Мы наносим плотность этих элементов корреляционной матрицы на рисунке ниже.

На рис. 3 показаны оценки ядерной плотности элементов в наших 5 корреляционных матрицах. Выводы в целом соответствуют рисунку 2. За исключением краха рынка из-за COVID-19, поведение большинства рынков очень похоже. Одним из обнаружений, вызывающих небольшое удивление, является раздел медвежьего рынка криптовалюты, который демонстрирует корреляции, больше похожие на окна до-COVID, Post-COVID и бычьего рынка. Вполне возможно, что с более длинным окном анализа и немного другим диапазоном дат это распределение дало бы значительно более высокий средний показатель корреляции.

Коллективная динамика, фрагментация и размер рынка:

Далее я изучаю эволюционную динамику и коллективную динамику нашей коллекции криптовалют. Для этого я применяю анализ основных компонентов (PCA) к изменяющимся во времени корреляционным матрицам, изучая изменение динамики криптовалюты с течением времени.

На рис. 4 показана объяснительная дисперсия, учитываемая этим первым собственным значением в течение нашего окна анализа. Есть два вывода, представляющие основной интерес. Во-первых, и это согласуется с более ранними экспериментами, в начале 2020 года наблюдается всплеск этого нормализованного собственного значения. Это отражает сильно коррелированное поведение криптовалют и неизбирательные продажи во время пандемии COVID-19. Впоследствии объяснительная дисперсия, демонстрируемая первым собственным значением, снижается до мая 2021 года. Это (наиболее очевидное) снижение соответствует бычьему рынку криптовалюты, когда общие криптовалютные активы выросли на несколько порядков. Один очевидный недостаток этого метода заключается в том, что корреляция, измеренная в любой момент времени, представляет основную динамику за предыдущие 90 дней (длина нашего окна). При этом к концу нашего окна анализа наблюдается интересная тенденция, которая требует дальнейшего изучения. Наблюдается значительный рост объясняющей дисперсии, соответствующий более высоким корреляциям в 90-дневной скользящей корреляционной матрице. Это увеличение произошло одновременно с агрессивной распродажей криптовалютных активов, что позволяет предположить, что может существовать связь между размером рынка и силой основной коллективной динамики.

Чтобы исследовать, мы исследуем взаимосвязь между размером рынка криптовалюты и коллективной силой рынка. Мы берем многомерный временной ряд размеров рынка криптовалюты и суммируем их в каждый момент времени (что дает нам прокси для общего размера рынка). Из-за значительной волатильности рынка мы вычисляем скользящее среднее этой суммы, используя тот же 90-дневный период. Эта связь показана на рис. 5, где обнаруживается явно отрицательная связь. Чтобы количественно оценить это наблюдение, мы вычисляем корреляцию между скользящим размером рынка криптовалют и общей силой рынка. Корреляция между этими двумя рядами равна -0,558, что говорит о том, что по мере роста рынка криптовалют сила коллективной динамики снижается.

Это примечательный вывод с важными последствиями для будущего рынка криптовалют, особенно с учетом разделившихся взглядов на будущую жизнеспособность рынка. Рассмотрим (надуманный) случай, когда существует один из двух сценариев; первый (бычий случай), когда цены на криптовалюту восстанавливаются и она становится системно важным классом активов, а второй (медвежий случай), когда цены на криптовалюту продолжают снижаться и они теряют интерес со стороны институциональных инвесторов. Наши результаты показывают, что в первом случае поведение, вероятно, станет все более фрагментарным и неоднородным, и появятся возможности для высококвалифицированного выбора ценных бумаг для создания альфа-портфеля. В последнем случае, когда цены снижаются, а размер рынка уменьшается, поведение, вероятно, станет более однородным, и будет меньше возможностей для генерации альфа-каналов посредством выбора ценных бумаг, поскольку корреляции будут строго положительными.