سکته قلبی یون هنگ, مفهوم سازی , گزینش داده ها, تجزیه و تحلیل رسمی, تحقیق, روش شناسی , مدیریت پروژه, منابع, نرم افزار, نظارت , اعتبار سنجی , تجسم, نوشتن-پیش نویس اصلی و جی وون یون, مفهوم سازی , کسب بودجه, مدیریت پروژه, نوشتن – نقد و بررسی & ویرایش
داده های مرتبط
س2 شکل: نمودارهای حداکثر فیلتر شده مسطح در پس از کووید - 19 با استفاده از روش ضریب همبستگی. درام
داده های اساسی نتایج موجود در مقاله به صورت عمومی در دسترس است coinmarketcap. com. دیگران می توانند به همان شیوه نویسندگان به این داده ها دسترسی پیدا کنند. تمام داده های مربوطه باقی مانده در فایل های اطلاعاتی پشتیبانی می شوند.
چکیده
هدف از مطالعه ما کشف انتقال بازار ارزهای دیجیتال به دلیل شیوع کووید - 19 از طریق تجزیه و تحلیل شبکه است و ما پیچیدگی بازار را از دیدگاه های مختلف بررسی کردیم. برای ساخت یک شبکه رمزنگاری ارز ابتدا یک روش اطلاعات متقابل را برای مقادیر بازگشتی روزانه 102 ارز دیجیتال از 1 ژانویه 2019 تا 31 دسامبر 2020 اعمال می کنیم و همچنین یک روش ضریب همبستگی را برای مقایسه اعمال می کنیم. بر اساس این دو روش با به کارگیری درخت پوشای کمینه و گراف بیشینه فیلتر شده مسطح شبکهها را میسازیم. در ادامه به بررسی ویژگی های توپولوژیکی و توپولوژیکی این شبکه ها می پردازیم. نتایج عددی نشان می دهد که توزیع درجه از قانون قدرت پیروی می کند و نمودارهای پس از شیوع کووید-19 در اندازه گیری های شبکه نسبت به قبل تفاوت های محسوسی دارند. همچنین نتایج حاصل از نمودارهای ساخته شده توسط هر روش از نظر خصوصیات توپولوژیکی و اماری و رفتار شبکه متفاوت است. به ویژه در دوره پس از کووید-19 می توان دریافت که اتریوم و کوتوم تاثیرگذارترین ارزهای دیجیتال در هر دو روش هستند. نتایج ما بینش و انتظارات سرمایه گذاران را از نظر به اشتراک گذاری اطلاعات در مورد ارزهای رمزپایه در میان عدم اطمینان ناشی از همه گیری کووید-19 فراهم می کند.
مقدمه
پیشرفت های اخیر در علم و فناوری مجموعه داده های بزرگی را در زمینه های مختلف ایجاد کرده است و ما در دنیای پیچیده ای زندگی می کنیم که به هم پیوسته اند. بنابراین تجزیه و تحلیل شبکه پیچیده به یک روش قدرتمند تبدیل شده است و نقشه مفیدی را فراهم می کند که طیف گسترده ای از سیستم های دارای اهمیت تکنولوژیکی و فکری بالا را توصیف می کند [1]. اساسا یک شبکه پیچیده از دو مولفه اساسی تشکیل شده است: گره هایی که عناصر سیستم هستند و لبه هایی که روابط زوجی بین این عناصر را نشان می دهند. بنابراین این مولفه ها سیستم های پیچیده دنیای واقعی را از دیدگاه های مختلف و مکمل توصیف می کنند و این یک منبع جدید و غنی از اطلاعات خاص دامنه است [2]. مطالعات مختلف در مورد شبکه های پیچیده در تعاملات اجتماعی انجام شده است [3], شبکه های ارتباطی [4], شبکه های بیولوژیکی [5], زیرساخت های حمل و نقل [6], و غیره. به خصوص, پس از مانتگنا [7] تحقیقات پیشگامانه, نظریه شبکه پیچیده شده است با موفقیت در بازار مالی اجرا, و تجزیه و تحلیل تجربی مختلف از بازار سهام بر اساس این نظریه انجام شده است [8-11].
شبکه کریپتوکارنسی یک زمینه تحقیقاتی است که به سرعت رشد کرده است زیرا اخیرا داده های مشاهده شده ایمن شده اند. هر ارز رمزنگاری شده گره ای از این نوع شبکه است اما بیشتر ارز ها هنوز کشف نشده اند. ناکاموتو [12] برای اولین بار شکل جدیدی از دارایی بیت کوین را در سال 2008 پیشنهاد کرد. پس از این, تجارت فعال در شروع 2013, و ارز رمزنگاری مختلف شروع به ظاهر, از این رو, بازار ارز رمزنگاری نسبتا جوان است. در مقایسه با تجزیه و تحلیل بازار سهام موجود, است تجزیه و تحلیل داده های کمی در ارز رمزنگاری معامله در بازار ارز رمزنگاری وجود دارد. در اصل داده های قیمت سهام و قیمت ارزهای دیجیتال دارای ویژگی های تصادفی در سری های زمانی هستند اما در نکات زیر متمایز می شوند. چونگ و همکاران. [13], کریک [14], و لیو و سرلتیس [15] نشان می دهد که بازار ارز رمزنگاری شده بسیار بی ثبات تر از بازار سهام است. همچنین قیمت سایر ارزهای رمزنگاری شده تحت تاثیر قیمت یک ارز رمزنگاری شده خاص است [16, 17]. برخی مطالعات رابطه بین ارزهای دیجیتال و انواع دیگر دارایی های مالی را بیشتر برای بیت کوین در نظر می گیرند [18-20]. به طور مشابه, چند مطالعه بررسی رابطه میان ارز رمزنگاری کسانی که توسط استرریدر و همکاران هستند. [21] و بوری و همکاران. [22]. به خصوص, گندال و هالابوردا [23] رابطه بین ارزهای رمزنگاری شده مختلف را از طریق پویایی برنده شدن تجزیه و تحلیل کرد. علاوه بر این, ناهنجاری در بازار ارز رمزنگاری شده توسط کوریهارا و فوکوشیما بررسی [24], و کاپوراله و پلاستون [25].
پیچیدگی بازار ارزهای دیجیتال را می توان از دیدگاه های مختلف مورد مطالعه قرار داد و هدف از مطالعه ما ساخت شبکه ای بر اساس داده های بازار ارزهای دیجیتال برای یافتن روابط و اثرات بالقوه بین انواع بیشتر ارزهای رمزپایه است. تجزیه و تحلیل شبکه ارزهای دیجیتال می تواند تصویری عمیق تر و پیچیده تر از بازار ارزهای دیجیتال به عنوان یک کل فراهم کند زیرا به درک تعامل بین متغیرها کمک می کند. یک رویداد ویژه به نام شیوع کووید-19 بین سالهای 2019 و 2020 وجود داشت که مطالعه ما انجام شد. اگرچه مطالعات مختلف تجزیه و تحلیل ارزهای رمزنگاری شده بر اساس این رویداد انجام شده است اما بیشتر ادبیات مربوط به ارزهای رمزنگاری شده بر روی بیت کوین یا گروه های کوچک ارزهای رمزنگاری شده متمرکز است [26-29] و خواص مختلف ارزهای رمزنگاری شده در مورد بازارهای دیگر را بدون در نظر گرفتن تکامل دینامیکی داخلی بازار ارزهای رمزنگاری شده به طور کلی تجزیه و تحلیل می کند [30-32]. توجه اصلی ما از طریق این مطالعه تلاش برای بررسی چگونگی تاثیر کووید-19 بر ساختار و پویایی بازار ارزهای دیجیتال است. برای این منظور به تحلیل ساختار بازار و رفتار جمعی موجودیتهایش بر اساس درخت پوشای کمینه [33-36] و گراف بیشینه فیلتر شده مسطح (37] میپردازیم که ضریب همبستگی پیرسون (که از این پس ضریب همبستگی نامیده میشود) و اطلاعات متقابل اعمال میشود.
مطالعات مربوط به ارتباط با مجموعه داده های داده شده در زمینه های مختلف به طور کلی بر اساس ضریب همبستگی [38] این یک اندازه گیری طولانی مدت از قدرت وابستگی است. تعیین رابطه بین دو متغیر تصادفی مفید است زیرا ضریب همبستگی نشان می دهد که چگونه ارزها در بازارهای جدید و بی ثبات با هم کار می کنند اما این رویکرد فقط می تواند روابط خطی را اندازه گیری کند [39]. توجه داشته باشید که برای درج وابستگیهای غیرخطی میتوان همبستگی رتبه اسپیرمن را به جای ضریب همبستگی جایگزین کرد. با این حال, مشکل با رویکرد همبستگی رتبه اسپیرمن این است که تنها یک نوع محدود از الگوی ارتباط در نظر, مانند عملکرد یکنواخت افزایش [40]. از سوی دیگر, اطلاعات متقابل [41] چنین محدودیت ندارد. اطلاعات متقابل اندازه گیری وابستگی بین دو متغیر تصادفی است که به طور همزمان نمونه برداری می شوند و یک رویکرد کلی تر برای اندازه گیری روابط غیر خطی است. می تواند برای شناسایی رابطه بین مجموعه داده هایی که با اندازه گیری همبستگی خطی معمول مورد استفاده قرار نمی گیرند مورد استفاده قرار گیرد. تحقیقات دانشگاهی شواهد گسترده ای از غیر خطی بودن در بازارهای مالی و رمزنگاری ارز فراهم می کند [42-46]. این رویکرد تجزیه و تحلیل امکانات اوراق بهادار اوراق بهادار را به یک دامنه گسترده تر فراهم می کند. همچنین تفاوت متمایز دیگر بین ضریب همبستگی و اطلاعات متقابل این است که دومی را می توان در توالی های عددی و توالی های نمادین به کار برد اما اولی فقط در توالی های عددی قابل استفاده است. بنابراین ضریب همبستگی فقط یک عدد واحد را برای کل دوره زمانی ایجاد می کند و تغییرات در طول زمان را در نظر نمی گیرد. بنابراین اطلاعات متقابل که از توالی نمادها استفاده می کند یک جایگزین طبیعی برای تابع ضریب همبستگی است.
مشارکت های کلیدی این مطالعه به شرح زیر است:
ابتدا برای درک ویژگیهای ورود به سیستم ارزهای دیجیتال از تحلیل سریهای زمانی نمادین استفاده میکنیم تا دادههای سری زمانی اصلی را به تعداد محدودی از فواصل تقسیم کنیم. مقادیر گسسته تازه تولید شده به ابزاری برای محاسبه اطلاعات متقابل تبدیل می شوند.
سپس محاسبه اطلاعات متقابل و ضریب همبستگی برای شیوع قبل و بعد از کووید - 19 را مورد بحث قرار می دهیم. ما بر اساس هر روش یک ماتریس فاصله ایجاد می کنیم که ویژگی های امار را مشخص می کند.
با در نظر گرفتن محدودیتهای فوق هدف ما ایجاد شبکههای رمزنگاری شده با استفاده از این روش و تحلیل دینامیک توپولوژیک و رفتار شبکه است تا مقایسه کنیم که چگونه شیوع کووید-19 رابطه بین ارزهای رمزنگاری شده را تغییر داده است.
از طریق تجزیه و تحلیل جامع دینامیک توپولوژیک و خصوصیات بازار نشان دادیم که تغییرات مختلفی در بازار رمزنگاری ارز به دلیل نفوذ شیوع کووید-19 رخ داده است. ما همچنین نتیجه گرفتیم که رویکرد از طریق اطلاعات متقابل در شناسایی این تغییرات موثرتر است. این اولین تلاش در ادبیات برای تجزیه و تحلیل شبکه با استفاده از رویکردهای خطی و غیر خطی برای بررسی اثر کووید-19 بر رفتار بازار ارزهای دیجیتال طی سالهای 2019 و 2020 است. مروری بر روش انجام شده برای این مطالعه در شکل 1 شرح داده شده است .
