Криптоактивы: Скрытые связи с фондовым рынком

Автор: Денис Аветисян

Новое исследование показывает, что премия за риск на рынке криптовалют всё больше коррелирует с факторами, определяющими доходность традиционных акций.

"Покупай на слухах, продавай на новостях". А потом сиди с акциями никому не известной биотех-компании. Здесь мы про скучный, но рабочий фундаментал.

Бесплатный Телеграм канал

Анализ латентных факторов и структуры рынка выявил значимую роль факторов размера, отраслевой принадлежности (особенно программного обеспечения) и рыночной экспозиции в формировании кросс-секционной доходности криптоактивов.

Несмотря на растущую популярность криптовалют, адекватная оценка рисков и факторов, определяющих доходность, остается сложной задачей. В работе ‘Crypto Pricing with Hidden Factors’ предпринята попытка оценить премии за риск в поперечном сечении криптовалютных активов, учитывая не только наблюдаемые факторы рынков акций и криптовалют, но и скрытые латентные факторы. Исследование выявило, что ожидаемая доходность криптовалют подвержена влиянию как специфических для крипторынка факторов, так и селективных отраслевых факторов акций, особенно связанных с технологиями и прибыльностью. Какие новые факторы, помимо рассмотренных, могут оказывать существенное влияние на ценообразование криптовалютных активов и как их учитывать в инвестиционных стратегиях?

Разоблачение Скрытых Рисков: Ограничения Традиционного Ценообразования Активов

Традиционные модели ценообразования активов зачастую оказываются неспособны в полной мере отразить сложность динамики доходности криптовалют, что приводит к искажению их реальной стоимости и неточным оценкам рисков. Эти модели, разработанные для более устоявшихся финансовых инструментов, не учитывают специфические характеристики цифровых активов — их высокую волатильность, тесную взаимосвязанность и подверженность новым, ранее неизвестным факторам риска. В результате, инвесторы могут недооценивать потенциальные убытки или переоценивать доходность, принимая неверные решения. Исследования показывают, что стандартное отклонение доходности криптовалют в три раза превышает аналогичный показатель на фондовом рынке, подчеркивая необходимость разработки более адекватных инструментов для оценки рисков в этом новом классе активов.

Традиционные модели ценообразования активов испытывают значительные трудности при анализе цифровых активов из-за их специфических характеристик. Криптовалюты демонстрируют волатильность, существенно превосходящую показатели традиционных рынков, а их взаимосвязанность, обусловленная сетевыми эффектами и общими технологическими основами, приводит к быстрому распространению рисков. Кроме того, цифровые активы подвержены воздействию новых факторов риска, таких как регуляторные изменения, киберугрозы и технологические уязвимости, которые не учитываются в существующих финансовых моделях. Данные особенности требуют разработки специализированных подходов к оценке рисков и доходности, способных адекватно отражать динамику и сложность криптовалютного рынка.

Необходимость более тонкого подхода к оценке премий за риск на криптовалютном рынке обусловлена его уникальной динамикой и несоответствием традиционным финансовым моделям. Стандартное отклонение, характеризующее волатильность криптоактивов, в три раза превышает аналогичный показатель фондового рынка, что указывает на значительно более высокую степень неопределенности и потенциальных убытков. Для адекватной оценки рисков требуется использование методов, способных учитывать скрытые факторы, влияющие на доходность, включая сетевые эффекты, регуляторные изменения и настроения инвесторов. Игнорирование этих неявных факторов приводит к недооценке реальных рисков и формированию неверных инвестиционных решений, что подчеркивает важность разработки новых, более сложных моделей ценообразования активов, адаптированных к специфике криптовалютного пространства.

Скрытые Факторы: Деконструкция Рисков в Криптопространстве

Модели скрытых факторов предоставляют методологию для оценки премий за риск на рынке криптовалют, основываясь на выявлении ненаблюдаемых факторов, систематически влияющих на доходность активов. В отличие от анализа отдельных криптовалют, данный подход предполагает, что колебания цен обусловлены не только специфическими характеристиками каждого актива, но и общими, скрытыми экономическими силами. Идентификация этих факторов позволяет оценить премию за риск, то есть дополнительную доходность, которую инвесторы требуют за принятие риска, связанного с инвестициями в криптовалюты. Факторы могут включать в себя макроэкономические показатели, настроения рынка, технологические инновации или изменения в регуляторной среде, которые влияют на все активы в рассматриваемом портфеле. Оценка премий за риск с использованием моделей скрытых факторов позволяет более точно определить стоимость активов и оптимизировать инвестиционные стратегии.

Метод главных компонент (PCA) применяется для снижения размерности данных и выделения латентных факторов, влияющих на доходность криптовалют. PCA преобразует исходный набор потенциальных драйверов — включающий, например, макроэкономические показатели, данные о настроениях в социальных сетях и характеристики самих криптовалют — в новый набор некоррелированных переменных, называемых главными компонентами. Эти компоненты упорядочены по степени объясняемой дисперсии исходных данных, позволяя отобрать наиболее значимые факторы, объясняющие систематические изменения в доходности криптовалют, и отбросить менее значимые, тем самым упрощая модель и снижая вычислительную сложность.

Критерий Бай-Нг (Bai-Ng Information Criteria) представляет собой статистический инструмент, используемый для определения оптимального количества латентных факторов в моделях, избегая как недооценки, так и переоценки сложности модели. Метод основан на оценке информационных критериев для различных вариантов моделей с разным количеством факторов и выборе модели, минимизирующей информационные потери. Это позволяет достичь баланса между адекватным представлением данных и предотвращением переобучения, когда модель слишком точно адаптируется к текущим данным и теряет способность к обобщению на новые данные. Выбор оптимального числа факторов на основе критерия Бай-Нг способствует построению более устойчивых и надежных моделей оценки рисков в крипторынке.

Использование подхода, основанного на выявлении латентных факторов, позволяет более точно оценить систематический риск на рынке криптовалют за счет изоляции базовых экономических сил, влияющих на доходность активов. Традиционные методы оценки риска часто не учитывают взаимосвязь между различными криптовалютами и внешними макроэкономическими факторами. Модели латентных факторов, напротив, позволяют идентифицировать общие, ненаблюдаемые переменные, которые систематически влияют на изменения цен, что обеспечивает более полное представление о подверженности рискам. Это особенно важно для рынка криптовалют, который характеризуется высокой волатильностью и сложностью взаимосвязей между активами.

Идентификация Ключевых Драйверов Риска: От Традиционных Акций до DeFi

Для оценки влияния макроэкономических и отраслевых факторов на ценообразование активов, в анализ включены такие показатели, как Фактор прибыльности фондового рынка и Фактор программной индустрии. Фактор прибыльности учитывает взаимосвязь между прибыльностью компаний и доходностью акций, отражая тенденцию к тому, что компании с высокой прибыльностью, как правило, демонстрируют более высокую доходность. Фактор программной индустрии фокусируется на специфике сектора программного обеспечения, учитывая его динамичное развитие и влияние на общую экономику. Использование этих факторов позволяет учесть влияние общеэкономических тенденций и отраслевых особенностей на формирование цен активов.

Для учета специфических динамик рынка криптовалют, в анализ включены факторы, характерные именно для этого сектора. Фактор размера криптовалют (SMB) отражает разницу в доходности между криптовалютами с малой и большой капитализацией. Показатель TVL (Total Value Locked — общая заблокированная стоимость) измеряет объем активов, заблокированных в децентрализованных финансовых (DeFi) протоколах, и служит индикатором активности и ликвидности. Индекс Altseason, в свою очередь, отражает периоды роста альтернативных криптовалют по отношению к Bitcoin, сигнализируя о смене рыночных предпочтений и потенциальных возможностях для перераспределения капитала.

В процессе анализа рисков учитывается объем средств, похищенных в результате взломов (Amount Hacked), как потенциальный фактор, влияющий на стоимость активов в криптопространстве. Это обусловлено повышенной уязвимостью децентрализованных финансовых систем и блокчейн-проектов к кибератакам и мошенническим схемам. В отличие от традиционных финансовых рынков, где существуют централизованные механизмы защиты и страхования, криптоактивы часто подвергаются прямым атакам на смарт-контракты или кошельки пользователей, что может приводить к значительным финансовым потерям и, как следствие, к снижению стоимости активов. Учет объема взломанных средств позволяет оценить степень риска, связанного с кибербезопасностью, и включить этот фактор в модель оценки рисков криптоактивов.

Анализ данных показывает, что средняя еженедельная доходность крипторынка составляет 1.43%, что на 1.07 процентных пункта превышает аналогичный показатель для фондового рынка, который равен 0.36%. Кроме того, среднее значение еженедельного импульса (momentum) на крипторынке достигает 0.68%. Данные показатели свидетельствуют о более высокой волатильности и потенциальной доходности крипторынка по сравнению с традиционными финансовыми активами.

Валидация Модели: Надежная Оценка Премий за Риск

Для количественной оценки влияния каждого выявленного фактора на доходность криптовалют был использован метод Фама-Макбета. Этот подход позволяет определить премию за риск, связанную с каждым фактором, предоставляя тем самым измеримую величину, отражающую компенсацию инвесторов за принятие дополнительного риска. Метод Фама-Макбета, основанный на регрессионном анализе портфелей, сформированных на основе значений каждого фактора, обеспечивает надежную и широко признанную процедуру для оценки премий за риск на финансовых рынках. Полученные оценки премий за риск служат ключевым показателем для понимания структуры доходности криптовалют и формирования инвестиционных стратегий.

Для обеспечения статистической обоснованности полученных оценок премий за риск, применялась методика блочной перевыборки (Block Bootstrap). Этот метод позволяет построить доверительные интервалы вокруг рассчитанных значений премий, учитывая последовательность данных и корреляции между ними. В отличие от стандартных методов, предполагающих нормальное распределение, блочная перевыборка не требует таких предположений и более надежно оценивает неопределенность, особенно в условиях нестабильных финансовых рынков, таких как криптовалютный. Перевыборка блоков данных позволяет смоделировать различные сценарии развития событий и оценить диапазон возможных значений премий за риск с заданной вероятностью, что повышает достоверность и практическую значимость полученных результатов.

Исследования показали, что рынок криптовалют характеризуется значительной годовой премией за риск, достигающей 24.5%. Это свидетельствует о том, что инвесторы требуют существенной компенсации за принятие на себя рисков, связанных с инвестициями в данный класс активов. Однако, фактор размера криптовалюты (SMB) демонстрирует отрицательную годовую премию за риск в размере -70.2%. Этот результат указывает на явное предпочтение инвесторов в пользу криптовалют с большей капитализацией, что, вероятно, связано с восприятием их как более стабильных и менее подверженных волатильности по сравнению с монетами с небольшой капитализацией. Таким образом, наблюдается четкая закономерность, когда инвесторы готовы платить премию за риск, связанный с общим рынком криптовалют, но предпочитают более крупные и устоявшиеся проекты, что отражается в отрицательной премии за риск для монет с низкой капитализацией.

Применяя методологию Фама-Макбета, исследование позволило оценить премию за риск на крипторынке в размере 8.5% в год. Данный подход, широко используемый в финансовой экономике, позволяет количественно определить дополнительную доходность, которую инвесторы требуют за принятие риска, связанного с инвестициями в криптовалюты. Полученная оценка свидетельствует о том, что рынок криптовалют предлагает значительную компенсацию за риск, что может быть обусловлено его высокой волатильностью и относительно незрелым характером по сравнению с традиционными финансовыми активами. Использование данной методологии обеспечивает надежную и воспроизводимую оценку премии за риск, способствуя более глубокому пониманию динамики ценообразования на крипторынке и помогая инвесторам принимать обоснованные решения.

Исследование показывает, что оценка криптовалют всё больше подвержена влиянию традиционных факторов риска, аналогичных тем, что наблюдаются на фондовом рынке. Это подтверждает давнюю идею о том, что человеческое поведение, движимое надеждами и страхами, является ключевым фактором в формировании финансовых моделей. Как заметил Аристотель: «Цель есть начало пути, и если вы не знаете, куда идете, то любое направление подойдет». В данном случае, понимание связи между криптовалютами и факторами, определяющими доходность акций, необходимо для построения более адекватных моделей оценки, учитывающих систематические ошибки, свойственные человеческому восприятию риска.

Куда же всё это ведёт?

Представленные результаты, связывающие премии за риск в криптовалютах с факторами, давно известными на традиционных рынках, не столько объясняют происходящее, сколько лишь переносят вопрос в другую плоскость. Вместо поиска уникальной «крипто-логики», исследование подчёркивает, что даже в этой, казалось бы, радикально новой сфере, действуют те же самые когнитивные искажения и поведенческие паттерны, что и везде. Всё моделирование — это лишь попытка примирить человека с его неспособностью предвидеть будущее, облачив страх неопределенности в удобные графики.

Необходимо признать, что обнаруженные связи могут быть не причинно-следственными, а скорее отражением общего настроения рынка, где инвесторы, уставшие от поиска «альтернативных» активов, возвращаются к знакомым стратегиям. Будущие исследования должны сосредоточиться не только на идентификации факторов, но и на понимании почему эти факторы работают, и как долго они будут сохранять свою актуальность. Особенно важно учитывать, что «факторные модели» — это не отражение объективной реальности, а всего лишь упрощение, созданное человеком, чтобы справиться со сложностью мира.

Вероятно, дальнейшее развитие исследований пойдёт по пути интеграции поведенческих финансов и анализа сетевых эффектов. Криптовалюты — это не просто активы, а сложные социальные конструкции, и для понимания их динамики необходимо учитывать не только экономические стимулы, но и психологические особенности участников рынка. Иными словами, нужно перестать искать «рационального инвестора» и признать, что человек — это прежде всего биологическая гипотеза, склонная к систематическим ошибкам.

Оригинал статьи: https://arxiv.org/pdf/2601.07664.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2026-01-13 19:35