Melyik kriptovaluta ára omlik össze? Ez a 3 mutató fontos..

A kriptopiacon kereskedők, befektetők jellemzően nemcsak a nagy kapitalizációval rendelkező kriptovalutákkal (bitcoin, ethereum) foglalkoznak, hanem jelentős kereskedési figyelem összpontosul az altcoinokra, a kriptopiac kisebb szereplőire. A témával kapcsolatos új vizsgálat 2013-2023 közötti időszakon 2469 kriptoeszközt megvizsgálva fejlesztett ki olyan előrejelzési módszert, mely out of sample adatokon 74 százalékos pontossággal előrejelzi, hogy melyik kriptovaluta árfolyam omlik össze egy hónapon belül. Cikkünkben a vizsgálat részleteit beszéljük meg. Témáink:

• A kirptovaluták többségének nullához tart az értéke
• Mit tudunk a zombiecoinokról?
• Hogyan lehet egy kriptovaluta összeomlását előrejelezni?

A kirptovaluták többségének nullához tart az értéke

A részvények világában rossz a kilátása a stock picking módszereket alkalmazóknak, hiszen a rendelkezésünkre álló adatok szerint, az amerikai részvénypiacon az elmúlt 90 évben jegyzésre került 26 ezer társaságból 21 ezer ma már nincs a tőzsdéken. Hendrik Besseminder vizsgálatában (itt részleteztük)  arra jutott, hogy az amerikai részvénypiacon egyetlen részvény élethosszig (amíg a tőzsdén jegyzik) történő tartásával kb. 12 százalék az esélye, hogy a befektetett tőkét részben vagy teljesen elveszítjük. Bessembinder után a fejlett országok részvénypiacain is megvizsgálták az összefüggést, immár 70 ezer részvény bevonásával, és hasonló eredményekre jutottak (részletek itt).

Sajnos a kriptopiacon még a fentieknél is rosszabb a helyzet. Korábbi vizsgálataimban (2500-7600 altcoin szám mellett) 22-69 százalék valószínűséggel veszítettük el a pénzünket. Ugyanakkor a kriptopiaci altcoinok jelentős részének lottó karakterisztikája van, azaz a rendkívül magas hozam rendkívül alacsony a nyerési eséllyel társul. Részben a lottó-effektus meg is magyarázza azt, hogy a rossz nyerési esélyek ellenére miért kedvelik a kereskedők a kriptopiacot.

Mit tudunk a zombiecoinokról?

A Zombies running wild: Which cryptocurrencies are next? cím alatti anyagban 2013 és 2023 közötti időszakon végeztek vizsgálatokat a coinmarketcap.com oldalon jegyzett 7407 kriptovaluta piacán. Az alábbi képen látható, hogyan nőtt az elmúlt években a kriptoeszközök száma. A kék görbe mutatja az aktív coinokat, a piros az inaktív (deadcoin, zombiecoin) számát jelzi. Az inaktív kriptovalutákra gyakran deadcoin, scamcoin, zombiecoin néven hivatkoznak. Közös jellemzőjük, hogy árfolyamuk nulla közelében van, kilistázták őket a kriptotőzsdékről, a mögötte levő közösség eltűnt, a fejlesztők abbahagyták a projektet és/vagy eltűntek.  

forrás: Zombies running wild: Which cryptocurrencies are next?

Az alábbi képen látható havi bontásban a coinmarketcap.com adatbázisához hozzáadott és eltávolított (deadcoin) kriptovaluták száma. Mindkét grafikon arról árulkodik, hogy a közelmúltban nagy számú kriptoeszköz jelent meg a piacon, de az ezek közül kikerülő jövőben deadcoinok még nincsenek a listában. Ezen aránytalanság miatt csökkentették le a vizsgált mintát 2469 coinra. Zárójelben jegyezném meg, hogy a coinmarketcap adatbázisában ma már 9000 fölötti számban találunk kriptovalutákat és ezen kívül is léteznek további kriptoeszközök, így a számuk sokkal inkább a 20 ezret közelíti.

forrás: Zombies running wild: Which cryptocurrencies are next?

A következő grafikon az időszak alatt megvizsgált 823 inaktív, kilistázott kriptovaluta élethosszát mutatja. Jól látszik, hogy a deadcoinok többsége már az első fél évben eltűnik a piacról.

forrás: Zombies running wild: Which cryptocurrencies are next?

Hogyan lehet egy kriptovaluta összeomlását előrejelezni?

Kriptoeszközök esetében nagyrészt az árfolyam és a forgalmi adat a kiindulási alap az ilyen vizsgálatoknál, és ahogy az alábbi táblázatból is látható a 30 és 180 napos hozam és forgalom különböző változatai (összesen 18) tették ki a vizsgálat alapját. Jól látható a táblázatból, hogy a különböző hozammutatók az inaktívvá váló (zombie) kriptovaluták esetében magasabb értéket mutatnak. Magasabb az összeomlás előtti 180 napos hozam (r_max), magasabb az átlag és mediánhozam (r_mean és r_median) és a különböző forgalmi adatok is magasabb értéket mutatnak.

A fenti 18 változót különböző regressziós módszerekkel elemezték. A cél az volt, hogy olyan összefüggéseket, kombinációkat találjanak, melyekkel előre jelezhető a következő hónapban a kriptovaluta inaktívvá válása. Ez együtt jár az árfolyam összeomlásával, a coinmarketcap.com oldalról történő kivezetéssel.

A folyamat első lépése, hogy elkülönítenek egy adatmennyiséget, melyen a regressziós eljárást elvégzik (ez az in sample adatsor). Majd az összefüggések kimutatását azon az adatsoron használják fel, melyet nem használtak fel az in sample tesztelés során (ez az out of sample tesztelés). Az egyszerű regressziós módszerek, mint például a lineáris regresszió nem bizonyult megbízható előrejelzőnek. Ennek a módszernek a lényege, hogy két adat közötti kapcsolatot megpróbáljuk a pontokra illesztett egyenessel előre jelezni. Képzeljük el azt az esetet, hogy x változó előre jelzi y változót. Ebben az esetben a pontokra illesztett egyenes felhasználható arra, hogy egy jövőbeni x értékkel y változót előre jelezzük. Például x a munkanélküliségi ráta változása y az infláció alakulása. Az alábbi grafikonon látható esetben a pontok távol szóródnak az egyenestől, azaz az egyenessel pontatlanul lehet előre jelezni a jövőbeni eseményeket.

A gépi tanuláson alapuló módszerek azonban a fentieknél tovább mennek, és döntési fákat alakítanak ki, melyben több tényező együttesét vizsgálva próbálják meg a bemeneti adatokból y változó értékét meghatározni. Az egyik ilyen, pénzügyekben gyakran alkalmazott módszer a random forest (rf), mely az elkülönített in sample adatokon számos döntési fát létrehoz, és vizsgálja azok előrejelző képességét.

Ahogy pedig a fenti táblázatból kiderül a random forest módszer (rf) az out of sample adatokon 74,6 százalékos valószínűséggel jelezte előre a kriptovaluta kilistázását, árfolyamának összeomlását 1 hónapos időtávon a fenti 18 változó segítségével.

Összegezve a fentieket, vélhetően az átlagos befektető, kereskedő számára a random forest a gyakorlatban alkalmazhatatlan technika, bár megfelelő statisztikai ismeretekkel, MatLab szoftverrel, számítási kapacitással, nem elérhetetlen az átlagos kereskedő számára. Mindazonáltal a vizsgálat rámutatott arra, hogy a legfontosabb előrejelző szerepe a 30 napos medián forgalomnak, a 180 napos mediánhozamnak és a 180 napos minimumhozamnak van, lásd alábbi képen. Ez a három mutató pedig bárki számára könnyedén kiszámolható, akár egy táblázatkezelő program segítségével is.