Введение 5
Обзор литературы 9
Постановка исследовательского вопроса 21
Методология исследования 24
Данные и их предварительный анализ 28
Эмпирические результаты 35
Заключение 42
Список использованной литературы 46
Приложение
Криптовалюты получили широкую известность во второй половине 2017 г., когда курсовая стоимость одной из криптовалют - Биткоина (Bitcoin, BTC) - по данным криптовалютной биржи Coinbase увеличилась до 20 тыс. долларов США. Криптовалюта на данном этапе своего развития является крайне рисковым инструментом для инвестирования, поскольку рынок характеризуется довольно высоким уровнем волатильности, о чем свидетельствует, например, индекс волатильности на рынке США (Volatility Index, VIX), который, по данным www.macrotrends.net, показал среднегодовое значение в 33.18% на 2020 г. На 01.05.2020 г. среднегодовое значение индекса волатильности курса биткоина (Bitcoin Volatility Index, BVOL), по данным www.bitmex.com, составило 58.41%. Заметим, что при таком высоком уровне волатильности актуальным является исследование изменения цен криптовалютных пар, в том числе, влияние на него потока заявок, который представляет собой динамическое соотношение между спросом и предложением на рынке.
Работы по изучению влияния потока заявок на изменение цен активов проводились для различных типов рынков: от валютных до криптовалютных. Однако следует отметить, что большинство работ проводилось на фондовых (Chordia, Roll, Subrahmanyam, 2002) или валютных рынках (Evans, Lyons 2002b). По своей сути поток заявок представляет собой динамическое изменение спроса и предложения на рынке. Таким образом разное соотношение между спросом и предложением, согласно экономической теории, должно приводить к росту или падению цены торгуемого актива. Следует отметить, что в эмпирических работах, посвященных анализу влияние потока заявок на изменения цен актива, эффект потока заявок на цену рассматриваемого актива был обнаружен частично (Marsh, O’Rourke, 2005) или не был выявлен (Evans, 2002). На рынке криптовалют были выявлены противоречивые результаты. Так, в работе (Sadighian, 2019) был выявлен положительный статистически значимый эффект потока заявок на изменения цен криптовалютных пар, однако в исследовании (Bianchi, Dickerson, 2020) был обнаружен отрицательный статистически значимый эффект потока заявок. Также следует заметить, что не существует и единого способа формализации потока заявок. Это означает, что актуальным является изучение влияния потока заявок на цену с учетом разных способов его формализации.
Рынок криптовалют интересен тем, что у криптовалюты отсутствует понятие фундаментальной стоимости, как у акций, и нет детерминированных денежных потоков, как у облигаций. Таким образом, ценовые изменений криптовалютных пар могут быть объяснены прошлыми значениям цен и потоком заявок. Таким образом, исследование ценовых движений криптовалют сопряжено с ограниченным набором объясняющих факторов, что определяет сложность методологии работ по анализу факторов, влияющих на цены криптовалют. Актуальность текущего исследования обусловлена и тем, что рынок криптовалют является новым и развивающимся, поэтому, как отмечалось выше, на нем проводилось малое количество исследований на тему анализа влияния потока заявок на изменения цен криптовалютных пар и разнородность полученных результатов (Evans, 2002) и (Evans, Lyons, 2002b), также обуславливает низкую степень проработанности исследовательского вопроса. Отличия в финальных выводах может объясняться различной частотностью рассматриваемых данных и различными способами формализации потока заявок.
Таким образом, целью текущего исследования является исследование влияния потока заявок (Order Flow, OF) на изменение цен криптовалютных пар с учетом разных вариантов его представления, где первой валютой будет криптовалюта, а второй - фиатная. Текущая работа будет рассматривать рынок со стороны маркетмейкера. Иными словами, исследование направлено не на частных инвесторов, а на организаторов торгов. Все полученные результаты не могут быть использованы индивидуальными инвесторами в силу того, что у них отсутствует необходимый объем информации. В качестве источника данных текущего исследования выступает биржа криптовалют X, с которой было подписано соглашение о неразглашении информации (Non Disclosure Agreement, NDA). В работе используются агрегированные данные о рыночных заявках за период 10.10.2018 - 27.11.2019 гг. без оглашения первоисточника. Данные имеют тиковую частотность, иными словами, отражают каждую совершенную сделку. Таким образом, начальная частотность данных зависит от интенсивности совершаемых сделок по конкретной криптовалютной паре.
Для того, чтобы достичь поставленной цели, был составлен следующий список задач:
1) ознакомиться с теоретическими и эмпирическими работами, посвященными влиянию OF на изменение цен различных активов;
2) сформировать исследовательский вопрос исходя из обзора литературы;
3) представить OF в виде соответствующих переменных для проведения регрессионного анализа, используя разные способы его формализации;
4) провести предварительный анализ данных и агрегировать их по 4-х часовым интервалам до дневной частотности;
5) оценить авторегрессионные моделей распределённых лагов (ADL, Autoregressive Distributed Lags) для каждой рассматриваемой валютной пары;
6) проинтерпретировать полученные результаты и сделать вывод о мгновенных и динамических эффектах OF;
7) предложить методы практической имплементации полученных результатов;
8) выделить ограничения исследования и направления дальнейшей работы.
Результаты текущей работы могут быть использованы маркетмейкерами для краткосрочного прогнозирования цен торгуемых валютных пар, корректировке стратегий хеджирования и перерасчёта риск метрик, таких как стоимость под риском (Value at Ris, VaR) и ожидаемый дефицит (Expected Shortfall, ES). Большинство маркетмейкеров на анализируемом рынке, после исполнения заявки от инвестора и в случае, если другим инвестором не была выставлена заявка, перекрывающая первую, принимают решение об удержании оставшейся криптовалюты на торговом счету или ее моментальной продаже на другой бирже. Таким образом, имея представлены о том, как поток заявок влияет на изменение цены конкретной валютной пары на определенном временном горизонте, маркетмейкер сможет эффективнее принимать решение об удержании открытой позиции или ее моментальном перекрытии.
Текущее исследование состоит из шести разделов: обзора литературы, постановки исследовательского вопроса, методологии исследования, ограничений исследования, данных и их предварительного анализа, описания эмпирических полученных результатов и выводов по работе. В первом разделе находится обзор эмпирических статей и выводов, сделанных исследователями ранее. Во втором описываются и обосновываются гипотезы, выдвинутые в работе. В третьем описывается спецификация моделей. В четвертом - проводится описание данных. В завершающем разделе работы проводится описание полученных результатов, а также приводятся дальнейшие расширения исследования.
Исследования влияние потока заявок на изменение цены актива проводятся на различных рынках, делящихся как по своей географии, так и по классу торгуемого актива. Заметим, что дисбаланс потока заявок по своей сути выражает несбалансированность между спросом и предложением на рынке. Согласно экономической теории, такой дисбаланс должен приводить к изменению цены актива. Однако существуют работы, проделанные на валютном рынке, в которых такой эффект обнаружен не был или был выявлен частично (Evans, 2002), (Marsh, O’Rourke, 2005), (Nolte, Nolte, 2014). Заметим, что на рынке криптовалюты были получены противоположные результаты. Так, в работе (Silantyev, 2019) был выявлен положительный значимый эффект потока заявок на изменение цен криптовалютных пар, в исследовании (Bianchi, Dickerson, 2020) наблюдался отрицательный значимый эффект потока заявок. Несмотря на то, что поток заявок отражает фундаментальную экономическую теорию спроса, не существует одного способа его измерения и формализации. Текущая работа была направлена на изучение влияние потока заявок на рынке криптовалют с учетом различных способов измерения потока заявок - чистые открытые заявки, чистый объем заявок, отношение чистых объемов торговых заявок и отношение чистых объемов.
Отметим, что рынок криптовалют интересен тем, что у него отсутствуют присущее классическим активам, таким как акции и облигации, факторы, объясняющее его стоимость. Иными словами, движение цен цифровых валют может быть объяснено прошлыми ценовыми движениями и поведенческим аспектом инвестирования. Включение потока заявок в регрессионную модель - это попытка расширить набор переменных, способных каким-либо образом объяснять изменения цен криптовалютных пар.
В текущей работе использовались данные о рыночных заявках и ценах за период 10.10.2018 - 27.11.2019 гг. с тиковой частотностью, напрямую предоставленные европейской биржей, чье название на разглашается в рамках соглашения о неразглашении информации. В работе проводился регрессионный анализ с использованием моделей распределённых лагов при различном уровне агрегации данных от 4-х до 24-х часов наблюдений. Также в исследовании использовались показатели объемов заявок, что не так часто используется в работах. Заметим, что формализация потока заявок происходила с использованием только рыночных заявок, все прочие виды были исключены. По итогу работы было оценено 48 моделей для двух криптовалютных пар: биткоин/доллар США и биткоин/швейцарский франк и четырёх переменных, отражающих поток заявок, и шести уровней агрегации данных. Начальная выборка состояла из шестнадцати пар, однако в дальнейшем была усечена до двух: биткоин/доллар США и
биткоин/швейцасрский франк, чтобы обеспечить наибольшую вариацию в исследуемых переменных, характеризующих поток заявок.
В результате регрессионного анализа был выявлен как положительный, так и отрицательный статически значимый эффект потока заявок на изменение цен обеих рассматриваемых пар криптовалютных пар. Однако заметим, что долгосрочный динамический мультипликатор был отрицательным только для пары BTCCHF и показателей NOV и NOVR. Также заметим, что для пары BTCUSD при переменной NOVR наблюдались как положительные, так и отрицательные статистически значимые коэффициенты на лагах уровня 8 и 10, что наблюдалось намного реже для пары BTCCHF. Следует отметить, что чаще всего наблюдался положительный статистически значимый эффект при мгновенных эффектах вне зависимости от способа представления потока заявок, пар или частотности данных. Также следует отметить, что объясняющая способность моделей растет по мере уменьшения частотности данных, при этом модели для пары BTCCHF имели большую объясняющую способность на суточной агрегации при всех способах представления потока заявок, чем модели для пары BTCUSD. Это может быть объяснено более высоким уровнем волатильности цены для пары BTCUSD, чем для BTCCHF.
По результатам работы, максимальный скорректированный коэффициент детерминации (0.158) показала регрессионная модель с включением потока заявок в виде отношение чистых объемов торговых заявок для пары BTCCHF на суточной агрегации данных. Увеличение объясняющих способностей соответствующих регрессионных моделей является одним из дальнейших направлений в работе. Также заметим, что в некоторых спецификациях был выявлен отрицательный статистически значимый эффект потока заявок на изменение цены криптовалютных пар, который может быть объяснен только с точки зрения поведенческого аспекта инвестирования (Llorente и др., 2002). Следует заметить, что было выявлено статистически значимое влияние потока зевок на изменения цен криптовалютных пар. Однако заметим, что объясняющая способность моделей была невысока, что может являться направлением дальнейшей работы. Полученные результаты могут быть использованы биржей для корректировки своей стратегии на межбиржевом рынке. Поскольку, как было упомянуто ранее, рынок криптовалют имеет децентрализованную структуру и биржи могут заключать сделки на других площадках. Зная размер дисбаланса в потоке заявок, биржа может приять решение о докупке той или иной валютной пары, тем самым увеличить свою прибыть за счет разницы в курсовой стоимости криптовалютной пары.
Основное ограничение текущей работы связано со структурой предоставленных данных. Так, в исследовании не было возможности рассмотреть больший временной горизонт или добавить в рассмотрение лимитные заявки. Также следует отметить, что биржа, предоставляющая данные, не является лидирующей по уровню ликвидности, что наложило ограничение на рассмотрение более частотных данных. Например, с текущей выборкой не было возможности рассмотреть частотность от минуты до часа, поскольку за такие короткие промежутки времени достаточное количество сделок не совершалось. Также заметим, что относительно малый уровень ликвидности биржи приводит к низкой вариации потока заявок. Таким образом, в дальнейшем планируется рассмотреть различные способы формализации потока заявок использованием лимитных и отмененных заявок, как в (Silantyev, 2019), также перейти к более высокой частотности данных, получить доступ к информации от более крупной торговой площадки или агрегировать данные с нескольких площадок, по аналогии с (Bianchi, Dickerson, 2020). Также планируется расширить выборку крипотвалютными парами, с различными финатными валютами, чтобы проследить возможные странные эффекты. Заметим, что возможно расширить исследование и путем включения в анализ макроэкономических показатели, с учетом более больших уровней агрегации данных о потоке заявок. Также возможно использование методов машинного обучения и нейросетевого моделирования и расширение будущей работы путем решения задачи прогнозирования ценовых изменений с помощью потока заявок.
Помощь студентам и аспирантам в выполнении работ от наших партнеров
