Факторные модели доходности криптовалют: подход финансовой теории
Елена Владимировна Синельникова-Мурылева
Мария Николаевна Кузнецова
Кирилл Дмитриевич Шилов
Аннотация
Целью статьи является выявление детерминант доходностей криптовалют, для чего предпринята попытка выделить факторы, определяющие особенности рынка криптовалют, и проанализировать их доходность, применив многофакторные модели по типу Фамы -- Френча. Авторы моделируют стандартные факторы на основании показателей капитализации, объемов торгов криптовалютами и третьего моментума. В работе представлена оценка влияния этих факторов на различные группы (портфели) криптовалют в отдельные периоды (становления рынка; зрелости или высокой ценовой волатильности рынка, в том числе с разбиением временно го интервала исследований на два подпериода -- до пандемии коронавирусной инфекции и в период пандемии). Это позволяет учесть неоднородность данных -- как во времени, так и по определенным показателям. В результате построения регрессий на дневных данных были получены эмпирические свидетельства в пользу положительной взаимосвязи между доходностью групп криптовалют с моделируемыми факторами. Кроме того, в работе проверяется связь рынка криптовалют и фондового рынка. До начала периода высокой волатильности криптовалюты можно было рассматривать как актив для диверсификации рыночного риска. Однако впоследствии рынок криптовалют стал двигаться сонаправленно фондовому рынку. Это видно из появления статистической значимости коэффициента при переменной, отражающей премию за рыночный риск. Показано, что частотность данных может влиять на оценки коэффициентов модели, однако не влияет на принципиальные выводы из анализа. Полученные результаты указывают на необходимость дальнейшего анализа факторов доходности криптовалют на более однородных выборках.
Ключевые слова: криптовалюты, факторы доходности, модели ценообразования, временные ряды.
Factor Models of Cryptocurrency Returns: Financial Theory Approach
Elena V. Sinelnikova-Muryleva
Maria N. Kuznetsova
Kirill D. Shilov
Abstract
The purpose of the article is to identify the determinants of cryptocurrency returns. To achieve this goal, the article presents an attempt to create factors that reflect the characteristics of the cryptocurrency market, and uses Fama-French type multifactor models for analyzing the returns of cryptocurrencies. Standard factors based on capitalization indicators, cryptocurrency trading volumes and the third momentum were built. The paper also presents an estimation of the impact of these factors on various groups, or portfolios, of cryptocurrencies in certain periods of time (the period of market formation and the period of high price volatility of the market, including its division into two sub-periods: before the coronavirus pandemic and during the pandemic), which allows us to consider the heterogeneity of data both in time and for certain indicators. As a result of estimating regressions on daily data, empirical evidence in favor of a positive relationship between the excess return of cryptocurrency groups with the constructed factors was obtained. In addition, the paper checks the relationship between the cryptocurrency market and the stock market. Prior to the beginning of high volatility period, cryptocurrencies could be considered as an asset for the diversification of market risk, but later there could be found co-movement of the cryptocurrency market and the stock market, seen from the appearance of the statistical significance of the coefficient before a variable reflecting the market risk premium. In addition, it was shown that the frequency of data can affect the estimates of the coefficients but does not affect the fundamental conclusions of the analysis. The findings indicate the need for further analysis of the cryptocurrency return factors on more homogeneous samples.
Keywords: cryptocurrencies, return factors, asset pricing models, time series.
Введение. Используемая методология
С момента появления первой криптовалюты биткойн (Bitcoin) прошло более двенадцати лет. За эти годы на рынке появилось множество цифровых валют и активов, выполняющих различные функции. В то же время до сих пор как в экономической литературе, так и в рамках законодательного регулирования на мировом уровне и на уровнях отдельных стран отсутствует общепринятое понимание экономической природы и сущности криптовалют.
Можно выделить три основные группы цифровых валют и активов: криптовалюты, стейблкойны и цифровые валюты центральных банков. К первой группе относятся традиционные, то есть не обеспеченные другими активами и имеющие децентрализованный реестр держателей, криптовалюты. Наиболее известен из них биткойн. Исследования показывают, что он используется преимущественно в качестве спекулятивного актива [Glaser et al., 2014] и ограниченно -- в качестве средства платежа определенными группами экономических агентов. Зачастую речь идет об обслуживании сделок, связанных с оборотом наркотиков [Foley et al., 2019], уклонением от уплаты налогов и другой противоправной деятельностью. Ripple https://ripple.com/. позиционируется как трансграничная платежная система, позволяющая переводить средства из одной страны в другую, минуя цепочку банковских операций и посредников. Ethereum https://ethereum.org/en/. используется в качестве платформы для заключения смарт-контрактов, то есть сделок, исполнение которых обеспечивается при помощи алгоритмов на базе технологии блокчейн [Гребенкина, Зубарев, 2018].
Ко второй группе цифровых валют и активов относятся стейбл- койны -- криптовалюты, обеспеченные одним активом или корзиной некоторых активов, например фиатных валют (установленных решением государства), других криптовалют или товаров (обеспеченных золотом, нефтью). Стейблкойны (например, Tether https://tether.to/.) используются преимущественно для торговли на криптовалютных биржах в качестве средства платежа и для перевода средств за границу.
К третьей группе относятся цифровые валюты центральных банков (ЦВЦБ), которые в настоящее время эмитируются ограниченно в рамках пилотных проектов Единственным исключением является проект Sand Dollar, запущенный на Багамах в октябре 2020 года., или государственные криптовалюты, выпускаемые не монетарными властями, а правительством.
Из рис. 1 видно, что в первые годы развития рынка криптовалют его масштаб оставался на низком уровне, однако с течением времени прослеживается тенденция к росту.
Рис. 1. Отношение капитализации рынка криптовалют к показателям ВВП (ось ординат, %), 2014-2020 годы
Интерес к криптовалютам, возникший и продолжающий нарастать в последние годы, может быть обусловлен их преимуществами. Большинство криптовалют функционируют децентрализованно, а также не подвержены инфляции. Криптовалютные транзакции обладают высокой скоростью обработки и сопряжены с низкими издержками. При этом все данные, необходимые для регистрации в системе и ее использования, надежно защищены. Это позволяет участнику сделок быть единственным владельцем средств. Всё это, несомненно, делает этот финансовый инструмент привлекательным для участников рынка криптовалют.
Однако не стоит также забывать, что анонимность работы с криптовалютами позволяет использовать их в качестве средства платежа в теневой экономике. Криптовалюты по-прежнему далеко не везде являются признанным средством платежа. Предоставляемые индивидами данные могут быть украдены хакерами, а волатильность рынка приводит к возникновению высоких рисков.
В настоящей работе дается ответ на вопрос, в какой степени движение цен криптовалют подчиняется тем же законам и логике, что и цен финансовых активов (акций). Под криптовалютами мы будем понимать только частные проекты, то есть из рассмотрения исключаются ЦВЦБ и государственные криптовалюты.
Отметим также, что в последнее время из-за пандемии происходило сокращение потребления и инвестиций. Резкое сокращение совокупного спроса, сопровождающееся прочими шоками экономики, привело к тому, что экономические агенты начали выводить средства из акций и направлять их либо в облигации, либо в наличные. Снижение процентных ставок центральными банками в сочетании с ростом спроса на облигации привело к сокращению реальной ставки процента [McKibbin, Fernando, 2020].
В России интерес к криптовалютам связан и с общим недоверием в отношении банков, которое усугубилось в последние годы в связи с обнародованием фактов фальсификации их балансов [Мамонов, 2017].
Анализ факторов доходностей криптовалют сегодня вызывает интерес у исследователей и практиков. Используемые для расчетов подходы разнообразны, но в большинстве случаев ограничены применением стандартных моделей CAPM (Capital Asset Pricing Model -- моделей, которые оценивают чувствительность доходности конкретного финансового актива к рыночному риску) [Sharpe, 1964] и многофакторных моделей по типу Фамы -- Френча (модель Юджина Фамы и Кеннета Френча была предложена в 1993 году как развитие модели оценки капитальных активов CAPM и решение присущей ей проблемы низкой прогнозной силы) [Fama, French, 1992; 1993; 2015]. Использование для анализа упомянутых моделей по умолчанию предполагает, что мы воспринимаем криптовалюты как финансовый актив. Сразу необходимо оговориться, что это предположение довольно сильное и, вообще говоря, не вполне оправданное, поскольку у криптовалют отсутствует фундаментальная стоимость, понимаемая как дисконтированная сумма потока платежей по этому активу. Подробно проблема существования фундаментальной стоимости у криптовалют исследуется в работах [Cheah, Fry, 2015; Hayes, 2019]. Возможно, использование моделей Фамы -- Френча позволит установить, схожи ли детерминанты доходностей криптовалют с детерминантами доходностей прочих финансовых активов. Вероятно, использование таких моделей позволит также выявить эмпирические закономерности, которые впоследствии позволят лучше понять, в какой мере спрос на криптовалюты обусловлен их доходностью.
В рамках пятифакторной модели Фамы -- Френча (среднемесячная) премия за риск по активу или портфелю активов обусловлена следующим набором переменных:
1) премия за рыночный риск;
2) разница доходностей портфелей «маленьких акций» и «больших акций» (small minus big, SMB);
3) разница доходностей портфелей с большим отношением балансовой стоимости к рыночной стоимости (balance to market, B/M) и малым B/M;
4) разница доходностей портфелей с устойчивой (robust) и слабой (weak) доходностью;
5) разница доходностей портфелей малоинвестирующих фирм и много (агрессивно) инвестирующих.
Кроме того, Фама и Френч отмечают, что если модель действительно хорошо описывает данные и объясняет избыточные доходности портфелей предложенными факторами, то константа в соответствующем уравнении должна быть равна (статистическому) нулю [Fama, French, 2015].
Учитывая отличительные особенности криптовалют, в частности отсутствие у них фирм-эмитентов, которые могли бы иметь балансовую стоимость и стратегии инвестирования, мы будем следовать опыту [Tsyvinski et al., 2019], расширяя их методологию. Это позволит создать перечень факторов доходности криптовалют с опорой на специфические для этого рынка характеристики. Отличия в используемой методологии состоят в том, что в настоящей работе используется более широкий период, вся выборка разбивается дополнительно на определенные подпериоды; создается новая переменная, отражающая разницу в доходности определенных отбираемых по объемам торговли групп криптовалют. Используются не только недельные, но и дневные данные. В качестве зависимой переменной выступает средневзвешенная доходность группы криптовалют, что предполагает опору не на панельные данные, а на временные ряды.
Для анализа факторов доходностей была сформирована выборка, состоящая из 5386 криптовалют, представленных на рынке на момент сбора данных В рамках исследования были использованы данные, представленные на сайте-агрегаторе https://coinmarketcap.com/.. Анализируемый период -- с 1 апреля 2014 года по 21 июня 2021 года. Ежедневные данные содержат информацию о трех показателях: цене, объемах торговли, рыночной капитализации.
Для сокращения степени разнородности анализируемой группы и исключения из нее токенов -- «мертвых душ» -- было решено ограничить первоначальную выборку на основе двух критериев.
1. Выборка содержит только криптовалюты, рыночная капитализация которых отлична от нуля в течение тридцати дней (возможно, не идущих подряд).
2. Из выборки исключаются криптовалюты, средняя капитализация которых за весь период их существования была ниже 1 млн долл.
Таким образом, была сформирована выборка, состоящая из 1037 криптовалют Заметим, что авторы [Tsyvinski et al., 2019] использовали в качестве критерия отбора капита-лизацию криптовалюты не менее 1 млн долл. на момент сбора данных.. Помимо этого, собрана информация за тот же период о безрисковой доходности, то есть доходности трехмесячных казначейских векселей (T-bill), а также рассчитана средняя рыночная доходность акций на основе индекса S&P 500.
Заметим, что в работе [Fama, French, 2015] использовались месячные данные за период с июля 1963 года по декабрь 2013-го -- 606 точек. Ввиду исторически короткого временного ряда доходностей криптовалют далее в работе будут представлены результаты анализа дневных и недельных данных. криптовалюта рынок истейбл койн платежный
Основной принцип, лежащий в основе построения факторных моделей по типу Фамы -- Френча, состоит в разделении выборки на определенные портфели криптовалют по тому или иному признаку. Разбиение всей совокупности криптовалют на группы позволяет учесть и впоследствии отразить особенности в детерминантах доходности определенных криптовалют.
В настоящей работе для сортировки криптовалют по размеру использован показатель рыночной капитализации. Таким образом, в рамках каждого отдельно взятого дня или недели формируются квантильные (20-процентные) портфели криптовалют, где первая группа соответствует портфелю наиболее крупных по капитализации, а пятая группа -- портфелю наименьших по этому показателю криптовалют.
В качестве зависимой переменной Yt использована средневзвешенная доходность портфеля криптовалют в определенный день или за определенную неделю (уравнение (1)). В качестве веса используется относительная капитализация криптовалюты, что позволяет учесть ее значимость на рынке.
где Rit -- доходность г-й криптовалюты в момент t, MarketCapit -- рыночная капитализация i-й криптовалюты в момент t, SumMarketCapt -- суммарная рыночная капитализация всех криптовалют в момент t, Rft -- безрисковая ставка процента в момент t (трехмесячная ставка по казначейским векселям США https://fred.stlouisfed.org/series/DTB3.).
Для каждой из пяти групп впоследствии были смоделированы три объясняющих фактора, отражающих особенности рынка криптовалют. В качестве показателей для их формирования использовались рыночная капитализация, объем торгов, а также третий моментум8. Механизм построения факторов одинаков и может быть описан следующим образом.