Индекс финансового страха на рынке цифровых финансовых активов

Актуальность темы исследования диктуется возрастающей ролью нетрадиционных финансовых инструментов, которые вносят свой вклад в уровень финансовой нестабильности. Поэтому необходимы разнообразные индикаторы, позволяющие отображать ситуацию на рынке цифровых финансовых активов, волатильность котировок и уровень доверия инвесторов. Цель исследования — разработка и апробация на эмпирических данных обобщающего индикатора финансовой нестабильности (индекса финансового страха) на рынке цифровых финансовых активов. Новизна исследования заключается в адаптации классической модели построения индекса волатильности к рынку криптовалют. В работе использованы статистические методы сбора и обработки данных, анализа временных рядов, взвешивания, конструирования экономических показателей. Обобщены результаты современных исследований по взаимосвязи цифровизации и финансовой нестабильности. Сделан вывод, что в определенные непродолжительные периоды 2020 г. волатильность рубля к доллару была сопоставима или даже выше, чем к биткоину. Кроме того, на самом криптовалютном рынке сегодня намного меньше страха и неопределенности, чем было в конце 2018 г. Главный результат исследования — модель индекса финансового страха, основанная на применении метода расчета средневзвешенной опционной цены базисного актива и хеджирования ценовых рисков. Тестирование модели осуществлено по данным о заявочных ценах на покупку, продажу криптовалюты на определенный момент времени. Получены оценки, свидетельствующие о нарастании нестабильности на рынке цифровых финансовых активов. Сформулированы рекомендации в отношении пороговых значений индекса, по которым можно определить уровень страха инвесторов.

1. Trelewicz J.Q. Big data and big money: The role of data in the financial sector. IT Professional. 2017;19(3):810. DOI: 10.1109/MITP.2017.45

2. Булгаков А.Л. Big Data в финансах. Корпоративные финансы. 2017;11(1):7-15. DOI: 10.17323/j.jcfr.2073-0438.11.1.2017.7-15

3. Маслов В.П. Квантовая экономика. М.: Наука; 2006. 92 с.

4. Корнивская В. О. Биткоин и блокчейн сквозь призму глубинных условий финансового и социальноэкономического развития. Экономическая теория. 2017;14(4):60-76.

5. Бутенко Е.Д., Исахаев Н.Р. Контуры применения технологии блокчейн в финансовой организации. Финансы и кредит. 2018;24(6):1420-1431. DOI: 10.24891/fc.24.6.1420

6. Киселева Е. Г. Влияние цифровизации на инвестиционный потенциал города. Финансы: теория и практика. 2020;24(5):72-83. DOI: 10.26794/2587-5671-2020-24-5-72-83

7. Эскиндаров М.А., Масленников В.В., Масленников О.В. Риски и шансы цифровой экономики в России. Финансы: теория и практика. 2019;23(5):6-17. DOI: 10.26794/2587-5671-2019-23-5-6-17

8. Глазьев С. Ю. Российская экономика в начале 2020 года: о глубинных причинах нарастающего хаоса и комплексе антикризисных мер. Российский экономический журнал. 2020;(2):3-39. DOI: 10.33983/0130-9757-2020-2-03-39

9. Громыко А.А. Коронавирус как фактор мировой политики. Научно-аналитический вестник Института Европы РАН. 2020;(2):5-13. DOI: 10.15211/vestnikieran22020413

10. Shah A., Chauhan Y., Chaudhury B. Principal component analysis based construction and evaluation of cryptocurrency index. Expert Systems with Applications. 2021;163:113796. DOI: 10.1016/j.eswa.2020.113796

11. Захаров И. В., Колесов Д. В. Риски криптовалюты. Вестник Московского университета. Серия 26: Государственный аудит. 2019;(1):130-138.

12. Chen C. Y.-H., Hafner C. M. Sentiment-induced bubbles in the cryptocurrency market. Journal of Risk and Financial Management. 2019;12(2):53. DOI: 10.3390/jrfm12020053

13. Corbet S., Lucey B., Yarovaya L. Datestamping the Bitcoin and Ethereum bubbles. Finance Research Letters. 2018;26:81-88. DOI: 10.1016/j.frl.2017.12.006

14. Fry J., Cheah E.-T. Negative bubbles and shocks in cryptocurrency markets. International Review of Financial Analysis. 2016;47:343-352. DOI: 10.1016/j.irfa.2016.02.008

15. Михайлов А. Ю. Развитие рынка криптовалют: метод Херста. Финансы: теория и практика. 2020;24(3):81-91. DOI: 10.26794/2587-5671-2020-24-3-81-91

16. Куликов Д. М., Баранова В. М. Индекс финансового стресса для финансовой системы России. Деньги и кредит. 2017;(6):39-48.

17. Пестова А.А., Панкова В.А., Ахметов Р.Р., Голощапова И.О. Разработка системы индикаторов финансовой нестабильности на основе высокочастотных данных. Деньги и кредит. 2017;(6):49-58.

18. Столбов М. И. Индекс финансового стресса для России: новые подходы. Экономический журнал Высшей школы экономики. 2019;23(1):32-60. DOI: 10.17323/1813-8691-2019-23-1-32-60

19. Данилов Ю.А., Пивоваров Д.А., Давыдов И. С. Создание внутренних кризисных предикторов: российский индекс финансовых условий. Экономическое развитие России. 2020;27(2):49-59.

20. Данилов Ю.А., Пивоваров Д.А., Давыдов И.С. К вопросу о предвидении глобальных финансово-экономических кризисов. Финансы: теория и практика. 2020;24(1):87-104. DOI: 10.26794/2587-5671-2020-24-1-87-104

21. Adrian T., Boyarchenko N., Giannone D. Vulnerable growth. American Economic Review. 2019;109(4):12631289. DOI: 10.1257/aer.20161923

22. Kwark N.-S., Lee C. Asymmetric effects of financial conditions on GDP growth in Korea: A quantile regression analysis. Economic Modelling. 2021;94:351-369. DOI: 10.1016/j.econmod.2020.10.014

23. Hakkio C. S., Keeton W. R. Financial stress: What is it, how can it be measured, and why does it matter? Economic Review. 2009;94(2):5-50. URL: https://www.kansascityfed.org/documents/432/PDF-09q2hakkio_keeton.pdf

24. Kanniainen J., Lin B., Yang H. Estimating and using GARCH models with VIX data for option valuation. Journal of Banking & Finance. 2014;43:200-211. DOI: 10.1016/j.jbankfin.2014.03.035

25. Wang J., Lu X., He F., Ma F. Which popular predictor is more useful to forecast international stock markets during the coronavirus pandemic: VIX vs EPU? International Review of Financial Analysis. 2020;72:101596. DOI: 10.1016/j.irfa.2020.101596

26. Canina L., Figlewski S. The informational content of implied volatility. The Review of Financial Studies. 1993;6(3):659-681. DOI: 10.1093/rfs/5.3.659

27. Chow V., Jiang W., Li J. Does VIX truly measure return volatility. SSRN Electronic Journal. 2018. DOI: 10.2139/ssrn.2489345

28. Kristoufek L. What are the main drivers of the Bitcoin price? Evidence from wavelet coherence analysis. PloS ONE. 2015;10(4): e0123923. DOI: 10.1371/journal.pone.0123923

29. Symitsi E., Chalvatzis K. J. The economic value of Bitcoin: A portfolio analysis of currencies, gold, oil and stocks. Research in International Business and Finance. 2019;48:97-110. DOI: 10.1016/j.ribaf.2018.12.001

30. Koutmos D. Bitcoin returns and transaction activity. Economics Letters. 2018;167:81-85. DOI: 10.1016/j. econlet.2018.03.021

31. Balcilar M., Bouri E., Gupta R., Roubaud D. Can volume predict Bitcoin returns and volatility? A quantilesbased approach. Economic Modelling. 2017;64:74-81. DOI: 10.1016/j.econmod.2017.03.019

32. Katsiampa P. Volatility estimation for Bitcoin: A comparison of GARCH models. Economics Letters. 2017;158:3-6. DOI: 10.1016/j.econlet.2017.06.023

33. Trimborn S., Härdle W.K. CRIX an Index for cryptocurrencies. Journal of Empirical Finance. 2018;49:107-122. DOI: 10.1016/j.jempfin.2018.08.004

34. Kim A., Trimborn S., Härdle W. K. VCRIX — A volatility index for crypto-currencies. SSRN Electronic Journal. 2019. DOI: 10.2139/ssrn.3480348

35. Кинсбурская В.А. Идентификация держателей криптовалюты в целях противодействия отмыванию доходов, полученных преступным путем, и финансированию терроризма. Национальная безопасность / nota bene. 2019;(3):1-14. DOI: 10.7256/2454-0668.2019.3.29720