بررسی وجود حافظه بلندمدت در شاخص قیمت ارزهای دیجیتال

محورهای موضوعی : مهندسی مالی

شیما علی زاده ¹ (گروه مدیریت بازرگانی واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران)
حسین صفرزاده ² (گروه مدیریت بازرگانی، واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران)

تاریخ دریافت : 1397/08/29 تاریخ پذیرش : 1397/12/26 تاریخ انتشار : 1398/07/01

کلید واژه: حافظه بلندمدت, سری های زمانی, ارزهای دیجیتال, میانگین متحرک انباشته جزئی,

چکیده مقاله :

حافظه بلندمدت که آن را وابستگی با دامنه بلندمدت نیز می نامند، ساختار همبستگی مقادیر یک سری زمانی را در فواصل زمانی زیاد توضیح می‌دهد. طبق فرضیه بازار کارا قیمت ها از فرایند گام تصادفی پیروی می کنند، بنابراین بازده دارایی را نمی توان بر اساس تغییرات گذشته قیمت ها پیش بینی نمود. حافظه بلند مدت نقطه ضعف فرضیه بازارهای کاراست از آنجا که فرآیندهای با حافظه بلند مدت در بازده دارایی ها کابردهای مهمی دارند و در تجزیه و تحلیل سری های زمانی نقش تعیین کننده ای ایفا می کنند، این تحقیق به بررسی وجود حافظه بلند مدت در شاخص قیمت ارزهای دیجیتال 1 دلاری و پایین تر در بازه زمانی 1 سپتامبر 2015 تا 1 سپتامبر 2018 می پردازد. جهت تخمین پارامتر d از روش OLS در بسته نرم افزار EVIEWS استفاده شده است. مدل ARFIMA برای آزمون فرضیه ها بکار گرفته شده است. نتایج حاکی از آن است که حافظه بلندمدت در ارزهای دیجی کوین، دوگی کوین، امر وین، بیتشیر، مایدسیف کوین، ایکس ای ام، رددی کوین، ان تی وای، ورج و ریپل محرز بوده و از طرفی سه ارز بایت کوین، سای کوین و استلار فاقد حافظه بلندمدت بوده و لذا این ارزها در زمره کالاهای بازار کارا قرار می گیرند.

چکیده انگلیسی:

Long-term memory, also referred to as long-range dependence, explains the correlation structure of values of a time series at long intervals. According to the efficient market hypothesis, prices follow a randomized step process, so returns on assets can not be predicted based on past price changes. Long-term memory is a weak point of the business-market hypothesis. Long-term processes have important implications for asset yields and play a crucial role in time series analysis. This study examines the existence of long-term memory in the price index of crypto currencies equals $ 1 and lower for the period from September 1, 2015 to September 1, 2018. To estimate the parameter d, the OLS method is used in the EVIEWS software package. The ARFIMA model is used to test hypotheses. The results indicate that long-term memory is in the currencies of DIGIBYTE, Dodge Coin, EMER Coin, BITSHARES, MAIDSAFE COIN, XEM, Redd Coin, NXT, Verge and Ripple, and on the other hand, three currencies of Byte Coin, SIA Coin, STELLAR lacks long-term memory, and therefore these currencies are among the most efficient market products.