Analizzando le Interazioni delle Criptovalute Tramite una Nuova Metodologia

Le reti finanziarie mostrano come diversi asset, come le criptovalute, interagiscano e si influenzino a vicenda. Studiando queste relazioni, possiamo capire meglio le variazioni di prezzo e i rischi in questi mercati. I metodi tradizionali di solito si concentrano sui risultati medi e spesso non riescono a cogliere le dinamiche più complesse che si verificano in condizioni di mercato estreme.

Questo articolo presenta un nuovo metodo che combina modelli lineari a tratti e regressione Quantile per costruire modelli migliori di queste interazioni. Applichiamo questo approccio ai dati delle criptovalute, cercando di catturare relazioni significative che si verificano durante eventi di mercato sia normali che estremi.

#Perché concentrarsi sulla causalità?

Quando si tratta di asset finanziari, è fondamentale sapere come il prezzo di un asset influisce su un altro. Questa conoscenza aiuta i trader a prendere decisioni informate, gestire i rischi e comprendere i potenziali movimenti di mercato. Tuttavia, i metodi esistenti a volte possono trascurare queste relazioni complesse.

La relazione tra gli asset non è sempre semplice. I modelli tradizionali tendono a concentrarsi sugli effetti medi, che potrebbero non mostrare accuratamente le dinamiche reali. Questo può portare a una falsa sensazione di sicurezza e potrebbe non tener conto dei rischi che si verificano durante le fluttuazioni di mercato insolite.

#Il nuovo approccio

Il nostro metodo proposto, chiamato Piecewise Quantile Vector Autoregression (P-QVAR), ci consente di considerare diversi livelli di prezzo quando analizziamo le relazioni tra criptovalute. A differenza dei modelli tradizionali che si occupano solo dei prezzi medi, il nostro metodo si concentra su diversi quantili o livelli di prezzo, in particolare le code, dove si verificano spesso cambiamenti di prezzo estremi.

Utilizzando metodi a tratti, possiamo identificare schemi o effetti distinti che variano tra i diversi livelli di prezzo. Questo offre una comprensione più sfumata quando si osservano le interazioni tra le criptovalute.

#Raccolta dei dati

Abbiamo analizzato i dati di 260 criptovalute per circa un anno. Questo dataset include informazioni sui prezzi con intervalli orari. Abbiamo scelto queste criptovalute in base alla loro popolarità e capitalizzazione di mercato attorno a giugno 2022, assicurandoci di avere un campione rappresentativo del mercato.

Per ridurre gli errori nella nostra analisi a causa di movimenti di prezzo insoliti, abbiamo applicato tecniche di stabilizzazione ai nostri dati. In questo modo, potevamo catturare tendenze più fluide pur rimanendo attenti ai picchi improvvisi che spesso confondono l'analisi.

#Relazioni Causali nelle reti finanziarie

Le relazioni causali nelle reti finanziarie possono essere modellate utilizzando tecniche statistiche. Un metodo comune è il Vector Autoregression (VAR), che esamina come i valori passati di un asset possono prevedere i suoi valori futuri, considerando altri asset. Tuttavia, questo metodo ha dei limiti, specialmente quando si analizzano movimenti estremi nel prezzo degli asset.

Il nostro nuovo modello, P-QVAR, migliora questa analisi catturando non solo le relazioni medie ma anche come i movimenti di prezzo si comportano in condizioni estreme. Questo ci consente di osservare come gli asset si influenzino a vicenda in modo diverso quando le condizioni di mercato variano.

#Scoperte chiave

#Auto-causalità tra criptovalute

Analizzando i nostri dati, abbiamo rivelato forti effetti di auto-causalità all'interno delle criptovalute. Questo significa che i movimenti di prezzo di un asset dipendono notevolmente dai suoi movimenti precedenti. La maggior parte delle criptovalute ha mostrato schemi di ritorno alla media, suggerendo che se i loro prezzi aumentano o diminuiscono bruscamente, probabilmente torneranno a un livello più stabile nel tempo.

Curiosamente, abbiamo anche scoperto che i grandi aumenti di prezzo tendono ad avere un'influenza più pronunciata rispetto alle grandi diminuzioni. I dati indicano che i prezzi tendono a rimbalzare rapidamente da livelli elevati, mentre i movimenti verso il basso non hanno avuto lo stesso effetto.

#Effetti cross-causali

Esaminando come diverse criptovalute si influenzano a vicenda, abbiamo notato un'interazione piuttosto simmetrica. Sebbene l'auto-influenza sia forte, l'influenza tra diverse criptovalute era meno pronunciata. Sembrava che i cambiamenti di prezzo estremi in una criptovaluta potessero portare a effetti simili in altre, ma queste relazioni non erano così forti come le auto-influenze.

Questo suggerisce che, sebbene ci siano collegamenti tra diverse criptovalute, l'impatto di una sull'altra è limitato, specialmente per quanto riguarda i movimenti di prezzo medi. Tuttavia, durante eventi estremi, queste interazioni diventano più critiche per comprendere i comportamenti di mercato.

#Visualizzazione degli effetti

Per rendere le nostre scoperte più facili da interpretare, abbiamo creato modelli visivi che rappresentano le strutture causali delle criptovalute. Questi modelli illustrano come i cambiamenti nel prezzo di un asset possano influenzare altri a vari livelli.

Abbiamo scoperto che le relazioni spesso mostrano schemi unici. Ad esempio, l'interazione tra Bitcoin ed Ethereum ha mostrato un comportamento forte durante i cambiamenti estremi del mercato, indicando che anche se queste valute si comportano in modo indipendente in condizioni normali, cambiamenti di mercato significativi possono attivare interazioni notevoli.

#Implicazioni per trader e policymaker

Per i trader, comprendere queste interazioni dinamiche può fornire preziose intuizioni sui potenziali rischi e rendimenti. Riconoscendo come gli asset si influenzano a vicenda, i trader possono prendere decisioni più informate e gestire i loro portafogli in modo più efficace.

Anche i policymaker possono trarre vantaggio da questa conoscenza. Avere un quadro più chiaro di come gli asset finanziari interagiscono, specialmente durante eventi estremi, può aiutare a mettere a punto regolamenti e framework per stabilizzare il mercato.

#Il futuro dell'analisi causale nei mercati finanziari

Questo studio sottolinea la necessità di un cambiamento nel modo in cui analizziamo le reti finanziarie. Passare oltre le tecniche di risposta media per incorporare misure orientate al rischio può migliorare significativamente la nostra comprensione dei comportamenti di mercato.

Man mano che diventano disponibili più dati, e metodi come il P-QVAR vengono affinati, ci aspettiamo che la ricerca futura esplori ulteriormente queste complesse relazioni causali. Facendo così, possiamo migliorare la nostra comprensione complessiva dei mercati finanziari e migliorare il processo decisionale per trader e regolatori.

#Conclusione

In sintesi, il nostro nuovo modello fornisce uno strumento prezioso per comprendere le intricate relazioni tra criptovalute, specialmente in condizioni di volatilità. Concentrandosi sui quantili e impiegando tecniche a tratti, possiamo catturare la complessità delle interazioni di mercato che i metodi tradizionali potrebbero trascurare. Questo approccio non solo migliora la nostra comprensione ma aiuta anche trader e policymaker a prendere decisioni più informate in un paesaggio finanziario dinamico.

Con l'evoluzione dei mercati finanziari, abbracciare tecniche di analisi più sofisticate sarà fondamentale per adattarsi alle nuove sfide e opportunità che emergono.