هدف از مطالعه ما کشف تحولات بازار ارزهای دیجیتال به دلیل شیوع COVID-19 از طریق تجزیه و تحلیل شبکه است و ما پیچیدگی بازار را از دیدگاه های مختلف بررسی کردیم. برای ایجاد یک شبکه ارز دیجیتال، ابتدا یک روش اطلاعات متقابل را برای مقادیر بازگشت روزانه 102 ارز دیجیتال از اول ژانویه 2019 تا 31 دسامبر 2020 اعمال می کنیم و همچنین از یک روش ضریب همبستگی برای مقایسه استفاده می کنیم. بر اساس این دو روش، شبکه‌هایی را با اعمال درخت پوشا حداقل و نمودار حداکثر فیلتر شده مسطح می‌سازیم. علاوه بر این، ما خواص آماری و توپولوژیکی این شبکه‌ها را مطالعه می‌کنیم. نتایج عددی نشان می‌دهد که توزیع درجه از قانون قدرت پیروی می‌کند و نمودارهای پس از شیوع COVID-19 تفاوت‌های قابل‌توجهی در اندازه‌گیری‌های شبکه نسبت به قبل دارند. علاوه بر این، نتایج نمودارهای ساخته شده توسط هر روش از نظر خواص توپولوژیکی و آماری و رفتار شبکه متفاوت است. به طور خاص، در دوره پس از COVID-19، می توان مشاهده کرد که اتریوم و Qtum تأثیرگذارترین ارزهای دیجیتال در هر دو روش هستند. نتایج ما بینش و انتظاراتی را برای سرمایه‌گذاران از نظر به اشتراک گذاشتن اطلاعات در مورد ارزهای دیجیتال در میان عدم اطمینان ناشی از همه‌گیری COVID-19 فراهم می‌کند.
نقل قول: Hong MY، Yoon JW (2022) تأثیر COVID-19 بر بازارهای ارزهای دیجیتال: تجزیه و تحلیل شبکه بر اساس اطلاعات متقابل. PLoS ONE 17(2): e0259869. https://doi. org/10. 1371/journal. pone. 0259869
ویراستار: Aurelio F. Bariviera، URV: Universitat Rovira i Virgili، اسپانیا
دریافت: 5 آگوست 2021;پذیرش: 27 اکتبر 2021;تاریخ انتشار: 18 فوریه 2022
حق چاپ: © 2022 Hong, Yoon. این یک مقاله با دسترسی آزاد است که تحت شرایط Creative Commons Attribution License توزیع شده است که استفاده، توزیع و تکثیر نامحدود در هر رسانه را مجاز می‌کند، مشروط بر اینکه نویسنده و منبع اصلی درج شده باشند.
در دسترس بودن داده ها: داده های زیربنای نتایج ارائه شده در مقاله به صورت عمومی از coinmarketcap. com در دسترس هستند. دیگران می توانند به همان شیوه نویسندگان به این داده ها دسترسی داشته باشند. تمام داده های مرتبط باقی مانده در فایل های اطلاعات پشتیبانی هستند.
بودجه: نویسنده(های) هیچ بودجه خاصی برای این کار دریافت نکرده است.
منافع رقابتی: نویسندگان اعلام کرده اند که هیچ منافع رقیب وجود ندارد.
معرفی
پیشرفت های اخیر در علم و فناوری، مجموعه داده های بزرگی را در زمینه های مختلف ایجاد کرده است و ما در دنیای پیچیده ای زندگی می کنیم که در آن آنها به هم متصل هستند. بنابراین، تجزیه و تحلیل شبکه پیچیده به یک روش قدرتمند تبدیل شده است، و یک نقشه مفید ارائه می دهد که طیف گسترده ای از سیستم های با اهمیت تکنولوژیکی و فکری بالا را توصیف می کند [1]. اساساً، یک شبکه پیچیده از دو جزء اساسی تشکیل شده است: گره هایی که عناصر سیستم هستند و یال هایی که روابط زوجی بین آن عناصر را نشان می دهند. بنابراین، این مؤلفه‌ها سیستم‌های دنیای واقعی پیچیده را از دیدگاههای مختلف و مکمل توصیف می‌کنند و اینها منبعی جدید و غنی از اطلاعات خاص دامنه هستند [2]. مطالعات مختلفی در مورد شبکه های پیچیده در تعاملات اجتماعی [3]، شبکه های ارتباطی [4]، شبکه های زیستی [5]، زیرساخت های حمل و نقل [6] و غیره انجام شده است. به طور خاص، پس از تحقیقات پیشگامانه Mantegna [7]، نظریه شبکه پیچیده با موفقیت در بازار مالی پیاده سازی شده است و تحلیل های تجربی مختلفی از بازار سهام بر اساس این نظریه انجام شده است [8-11].
شبکه کریپتوکارنسی یک زمینه تحقیقاتی است که به سرعت رشد کرده است زیرا داده های اخیراً مشاهده شده ایمن شده است. هر ارز رمزنگاری شده یک گره از این نوع شبکه است، اما هنوز اکثر آنها ناشناخته هستند. ناکاموتو [12] برای اولین بار شکل جدیدی از دارایی، بیت کوین را در سال 2008 پیشنهاد کرد. پس از آن، تجارت فعال در سال 2013 آغاز شد و ارزهای دیجیتال مختلف ظاهر شدند، بنابراین، بازار ارزهای دیجیتال نسبتا جوان است. در مقایسه با تجزیه و تحلیل موجود در بازار سهام، تجزیه و تحلیل داده های کمی در مورد ارزهای دیجیتال معامله شده در بازار ارزهای دیجیتال وجود دارد. در اصل، داده‌های قیمت سهام و قیمت ارزهای دیجیتال دارای ویژگی‌های تصادفی در سری‌های زمانی هستند، اما در موارد زیر متمایز می‌شوند. چونگ و همکاران[13]، کریک [14] و لیو و سرلتیس [15] نشان می‌دهند که بازار ارزهای دیجیتال بسیار نوسان‌تر از بازار سهام است. همچنین، قیمت سایر ارزهای دیجیتال تحت تأثیر قیمت یک ارز دیجیتال خاص قرار می‌گیرد [16، 17]. برخی از مطالعات رابطه بین ارزهای دیجیتال و انواع دیگر دارایی‌های مالی، عمدتاً برای بیت‌کوین را در نظر می‌گیرند [18-20]. به طور مشابه، معدود مطالعاتی که رابطه بین ارزهای رمزنگاری شده را بررسی می‌کنند، مطالعات Osterrieder و همکاران هستند.[21] و بوری و همکاران.[22]. به ویژه، گاندال و هالابوردا [23] رابطه بین ارزهای دیجیتال مختلف را از طریق پویایی برنده همه چیز را تحلیل کردند. علاوه بر این، ناهنجاری‌ها در بازار ارزهای دیجیتال توسط Kurihara و Fukushima [24] و Caporale و Plastun [25] بررسی می‌شوند.
پیچیدگی بازار cryptocurrency می تواند از دیدگاه های مختلف مورد مطالعه قرار گیرد و هدف از مطالعه ما ساخت شبکه ای بر اساس داده های بازار cryptocurrency برای یافتن روابط و اثرات بالقوه بین انواع بیشتر ارزهای رمزنگاری شده است. تجزیه و تحلیل شبکه cryptocurrency می تواند تصویری عمیق تر و پیچیده تر از بازار cryptocurrency به عنوان یک کل ارائه دهد زیرا به درک تعامل بین متغیرها کمک می کند. یک رویداد ویژه به نام شیوع Covid-19 بین سالهای 2019 و 2020 هنگام انجام مطالعه ما برگزار شد. حتی اگر مطالعات مختلف تجزیه و تحلیل رمزنگاری بر اساس این رویداد اجرا شده است ، بیشتر ادبیات مربوط به cryptocurrency بر روی گروه های کوچک بیت کوین یا رمزنگاری کوچک [26-29] متمرکز است و ویژگی های مختلف رمزنگاری را در مورد سایر بازارها تجزیه و تحلیل می کند بدون اینکه در نظر گرفته شود تکامل پویا درونی درونی داخلیبازار cryptocurrency به طور کلی [30-32]. توجه اصلی ما از طریق این مطالعه ، تلاش برای بررسی چگونگی تأثیر COVID-19 بر ساختار و پویایی بازار رمزنگاری است. برای این منظور ، ما هدف ما تجزیه و تحلیل ساختار بازار و رفتار جمعی موجودات آن بر اساس حداقل درخت پوششی (MST) [33-36] و نمودار حداکثر فیلتر شده مسطح (PMFG) [37] است که ضریب همبستگی پیرسون(از این پس به عنوان ضریب همبستگی) و اطلاعات متقابل استفاده می شود.
مطالعات مربوط به ارتباط با مجموعه داده های داده شده در زمینه های مختلف به طور کلی مبتنی بر ضریب همبستگی بوده است [38] که یک اندازه گیری دیرینه از قدرت وابستگی آماری است. تعیین رابطه بین دو متغیر تصادفی مفید است زیرا ضریب همبستگی نشان می دهد که چگونه ارزها در بازارهای جدید و بی ثبات با هم کار می کنند ، اما این رویکرد فقط می تواند روابط خطی را اندازه گیری کند [39]. توجه داشته باشیم که برای اینکه وابستگی های غیرخطی را شامل شود ، می توان به جای ضریب همبستگی ، همبستگی رتبه Spearman را جایگزین کرد. با این حال ، مشکل رویکرد همبستگی رتبه Spearman این است که فقط یک نوع محدود از الگوی ارتباط را در نظر می گیرد ، مانند عملکرد یکنواختی در حال افزایش [40]. از طرف دیگر ، اطلاعات متقابل [41] چنین محدودیتی ندارد. اطلاعات متقابل اندازه گیری وابستگی آماری بین دو متغیر تصادفی است که به طور همزمان نمونه برداری می شوند و این یک رویکرد کلی تر برای اندازه گیری روابط غیرخطی است. می توان از آن برای شناسایی رابطه بین مجموعه داده هایی که توسط اندازه گیری خطی متداول همبستگی تشخیص داده نمی شوند ، استفاده کرد. تحقیقات دانشگاهی شواهد گسترده ای از غیر خطی ها در بازارهای مالی و رمزنگاری را ارائه می دهد [42-46]. این رویکرد تجزیه و تحلیل از امکانات پرتفوی رمزنگاری را به دامنه وسیع تری ارائه می دهد. همچنین ، یکی دیگر از تفاوت های متمایز بین ضریب همبستگی و اطلاعات متقابل این است که دومی می تواند در توالی های عددی و توالی های نمادین اعمال شود ، اما اولی فقط می تواند در توالی های عددی استفاده شود. بنابراین ، ضریب همبستگی فقط برای کل دوره زمانی یک عدد واحد را ارائه می دهد ، این تغییرات را با گذشت زمان به حساب نمی آورد. اطلاعات متقابل که از توالی های نماد استفاده می کنند ، بنابراین یک جایگزین طبیعی برای عملکرد ضریب همبستگی است.
سهم اصلی این مطالعه به شرح زیر است:
- اول، برای درک ویژگی‌های بازده گزارش ارزهای دیجیتال، از تحلیل سری زمانی نمادین (STSA) برای تقسیم داده‌های سری زمانی اصلی به تعداد محدودی از بازه‌ها استفاده می‌کنیم. مقادیر گسسته جدید تولید شده به ابزاری برای محاسبه اطلاعات متقابل تبدیل می شوند.
- سپس در مورد محاسبه اطلاعات متقابل و ضریب همبستگی به ترتیب برای شیوع قبل و بعد از COVID-19 بحث می کنیم. ما بر اساس هر روش یک ماتریس فاصله ایجاد می کنیم که ویژگی های آماری را مشخص می کند.
- با توجه به محدودیت‌های ذکر شده در بالا، هدف ما ساخت شبکه‌های ارزهای دیجیتال با استفاده از MST و PMFG و تجزیه و تحلیل پویایی توپولوژیکی و رفتار شبکه برای مقایسه چگونگی شیوع COVID-19 رابطه بین ارزهای دیجیتال است.
از طریق تجزیه و تحلیل جامع دینامیک توپولوژیکی و ویژگی‌های بازار، ما نشان دادیم که تغییرات مختلفی در بازار ارزهای دیجیتال به دلیل تأثیر شیوع COVID-19 رخ داده است. همچنین به این نتیجه رسیدیم که رویکرد از طریق اطلاعات متقابل در شناسایی این تغییرات موثرتر است. تا جایی که ما می دانیم، این اولین تلاش در ادبیات تجزیه و تحلیل شبکه است که با استفاده از رویکردهای خطی و غیر خطی برای بررسی تأثیر COVID-19 بر رفتار بازار ارزهای دیجیتال در طول سال های 2019 و 2020. مروری بر روش انجام شده است. برای این مطالعه در شکل 1 توضیح داده شده است.
