ردپای دیجیتال حباب ها: چرخه های بازخورد بین سیگنال های اجتماعی-اقتصادی در اقتصاد بیت کوین

نقش تعاملات اجتماعی در ایجاد حباب قیمتی چیست؟پاسخ به این سوال مستلزم به دست آوردن ردپای رفتاری جمعی است که در اثر فعالیت تعداد زیادی از بازیگران ایجاد می شود. ارزهای دیجیتال امکان منحصر به فردی را برای اندازه گیری سیگنال های اجتماعی-اقتصادی از چنین ردپای دیجیتالی ارائه می دهند. در اینجا، ما بر روی بیت کوین، محبوب ترین ارز دیجیتال تمرکز می کنیم. بیت کوین دوره هایی از افزایش سریع نرخ ارز (قیمت) و به دنبال آن کاهش شدید را تجربه کرده است. ما فرض می کنیم که این نوسانات عمدتاً ناشی از تأثیر متقابل بین پدیده های مختلف اجتماعی است. بنابراین ما چهار سیگنال اجتماعی-اقتصادی در مورد بیت کوین را از مجموعه داده های بزرگ تعیین می کنیم: قیمت در مبادلات آنلاین، حجم ارتباطات دهان به دهان در رسانه های اجتماعی آنلاین، حجم جستجوی اطلاعات و رشد پایگاه کاربر. با استفاده از خودرگرسیون برداری، دو حلقه بازخورد مثبت را شناسایی می‌کنیم که در غیاب محرک‌های بیرونی منجر به حباب‌های قیمتی می‌شوند: یکی از طریق دهان به دهان و دیگری توسط پذیرندگان جدید بیت‌کوین. ما همچنین مشاهده می‌کنیم که جهش‌های جستجوی اطلاعات، که احتمالاً به رویدادهای خارجی مرتبط است، قبل از کاهش شدید قیمت‌ها رخ می‌دهد. درک تأثیر متقابل بین سیگنال‌های اجتماعی-اقتصادی که اندازه‌گیری کردیم، می‌تواند منجر به کاربردهایی فراتر از ارزهای دیجیتال به پدیده‌های دیگری شود که ردپای دیجیتالی از خود بر جای می‌گذارند، مانند استفاده از شبکه‌های اجتماعی آنلاین.

1. معرفی

بیت‌کوین [1]، شناخته‌شده‌ترین ارز رمزنگاری‌شده، به‌اندازه ارزهای رایج، منادی شکست قریب‌الوقوع [2،3] است که منادی موفقیت بلندمدت است [4]. در طول عمر 5 ساله خود، مورد توجه فزاینده ای قرار گرفته است که بخشی از آن به دلیل نرخ تبدیل سریع و بسیار نوسان آن به سایر ارزها است. در میان هیاهویی که در مورد ارز دیجیتال وجود دارد، تشخیص اینکه چه عواملی در رشد آن نقش دارند و بر ارزش آن تأثیر می‌گذارند، دشوار است. ساختار غیرمتمرکز بیت کوین، بر اساس مشارکت کاربران آن به جای یک مقام مرکزی، نشان می دهد که پویایی اقتصاد آن ممکن است به شدت توسط عوامل اجتماعی، که از تعاملات بین بازیگران بازار تشکیل شده است، هدایت شود. این مقاله وابستگی متقابل بین سیگنال‌های اجتماعی و قیمت را در اقتصاد بیت‌کوین نشان می‌دهد، یعنی یک چرخه بازخورد اجتماعی مبتنی بر اثر دهان به دهان و یک چرخه پذیرش کاربر محور.

اقتصاد بیت کوین در واقع با سرعت حیرت انگیز در حال رشد است: ارزش بازار همه بیت کوین ها در گردش از حدود 277 دلار دلار در حالی که بیت کوین ها برای اولین بار در ژوئیه سال 2010 معامله شدند ، به بیش از 14B دلار در دسامبر 2013 رسید ، از این رو 50 000 هزار دلار-افزایش در آن دوره [5]. این امر به همراه افزایش شدید علاقه عمومی ، همانطور که توسط داده های جستجوی اینترنتی نشان داده شده است: در همین مدت ، حجم جستجوهای مرتبط با بیت کوین در موتور جستجوی Google بیش از 10 000 ٪ رشد کرد [6]. فرضیه ما این است که این رشد توسط اقدامات آنلاین و تعامل کاربران انفرادی هدایت می شود که اثری از فعالیت آنها را به جا می گذارد. چگونه می توانیم از این آثار دیجیتال برای گرفتن پیوند بین پویایی بازار و علاقه عمومی استفاده کنیم؟در این مقاله ، ما شواهدی ارائه می دهیم که می توان این بازخورد را با درج دو نوع سیگنال درک کرد: قیمت و اطلاعات اجتماعی. تأثیر اول از طریق کار بنیادی FAMA [7] و بعداً گروسمن [8] مورد بررسی قرار گرفت ، که نشان داد که نمایندگان اقتصادی به سرعت منابع مشترک اطلاعات را برای اختصاص قیمت به یک کالای خوب ، از جمله خود قیمت ادغام می کنند. نقش اطلاعات صرفاً اجتماعی برای تشکیل قیمت برای اولین بار توسط Bikhchandani مورد بررسی قرار گرفت [9] ، که نشان داد تقلید یک استراتژی منطقی در دوره هایی از نوسانات بزرگ یا در صورت عدم وجود منابع دیگر اطلاعات است.

در اقتصاد بیت کوین ، عرضه ثابت و کمبود قابل پیش بینی ، هر دو مستقل از پایگاه کاربر ، پیوند محکمی بین منافع عمومی ، پذیرش کاربر و قیمت ایجاد می کنند (در سری زمانی شکل 1 A نشان داده شده است). به دنبال فرضیه ما در مورد نقش تعامل های اجتماعی ، یک مسئله مهم توصیف تأثیر تأثیر اجتماعی [10،11] در تغییرات قیمت است. ما این سیگنال های اقتصادی و اجتماعی را تعیین می کنیم تا یک دیدگاه تحلیلی در مورد رابطه بین نرخ ارز بیت کوین و جنبه های اجتماعی اقتصاد آن ارائه دهیم. با اتخاذ این دیدگاه ، ما چندین وابستگی زمانی را نشان می دهیم که منجر به تشکیل حباب های قیمت بیت کوین می شود.

شکل 1. (الف) سری زمانی از قیمت (سیاه) در Mt. Gox (بالا) ، تعداد توییت های مربوط به بیت کوین در هر میلیون توییت (نسبت توییت-BLUE) ، حجم جستجو (قرمز) در Google (وسط) و شمارهکاربران جدید در شبکه بیت کوین (بنفش) و تعداد بارگیری مشتری بیت کوین (سبز) (پایین). پس زمینه های مختلف رنگی نشانگر سه دوره تجزیه و تحلیل ما است.(ب) نمودار بازخورد برای متغیرهای تحلیل ما. افزایش قیمت بیت کوین توجه جمعی را از طریق حجم جستجو ایجاد می کند ، که به نوبه خود باعث ایجاد کلمه دهان در مورد بیت کوین می شود و منجر به قیمت های بالاتر می شود. یک حلقه مشابه با میزان کاربران در اقتصاد بیت کوین وجود دارد. حجم جستجوی بسیار بالا به عنوان شاخصی از الگوهای جستجوی اطلاعات قبل از اینکه کاربران بیت کوین خود را بفروشند و قیمت را پایین بیاورند ، خدمت می کنند. فلش های اتصال متغیرها دارای عرض متناسب با نتایج VAR جدول 2 هستند. (نسخه آنلاین در رنگ.)

1. 1داده های چهار لایه

ما از یک مجموعه داده چهار لایه (جدول 1) متشکل از سوابق داده های مبادله ، فعالیت رسانه های اجتماعی ، روند جستجو و پذیرش کاربر بیت کوین استفاده می کنیم.

جدول 1. اندازه نمونه های مجموعه داده های توییتر ، ویکی پدیا ، فیس بوک ، شبکه بیت کوین و منبع داده های Sourceforge (بالا) و BTC Exchange Markets (پایین).

1. 2زنجیره بلوک بیت کوین و نرم افزار مشتری: پایگاه کاربر

زنجیره بلوک بیت کوین یک دفترچه عمومی است که حاوی سابقه کامل کلیه معاملات عمومی در تاریخ ارز بیت کوین است [1]. هر گره از شبکه بیت کوین ، که یک مشتری نرم افزار بیت کوین را اجرا می کند ، یک کپی از زنجیره بلوک را نگه می دارد. تجزیه و تحلیل ما از زنجیره بلوک و همچنین تعداد بارگیری مشتری نرم افزار ، دو تقریب برای تعداد واقعی کاربران جدید بیت کوین در هر زمان ارائه می دهد. تعداد کاربران جدید بیت کوین که ارز را در زمان T اتخاذ می کنند توسط متغیر U نشان داده شده است_tدر شکل 1 b.

1. 3نرخ ارز بیت کوین

بیت کوین ها (BTC) برای سایر ارزها در مبادلات اینترنتی عمومی معامله می شوند. از دسامبر سال 2013 ، قدیمی ترین مبادله عمومی و بزرگترین تجارت BTC برای دلار آمریکا (USD) و یورو (یورو) ، کوهستان Gox است. بزرگترین مبادله با حجم BTC BTC-China است که BTC را برای Renminbi چینی (CNY) معامله می کند [12]. برای تجزیه و تحلیل ما ، ما از داده های معاملاتی از این دو مبادله و یک مبادله سوم که در اروپا میزبانی شده است ، BTC-DE ، از جمله نرخ ارز در سه ارز USD ، EUR و CNY ، با استفاده از BTC/USD به عنوان یک مرجع تاریخی استفاده می کنیم. قیمت معاملات توسط متغیر P نشان داده شده است_tدر شکل 1 b.

1. 4جستجوی اطلاعات

ما علاقه به کسب اطلاعات در مورد بیت کوین را از طریق حجم جستجوی عادی برای اصطلاح "بیت کوین" در موتور جستجوی Google اندازه گیری می کنیم. داده های حجم جستجو برای گرفتن مرحله جمع آوری اطلاعات از روند تصمیم گیری افراد مفید است و منجر به بینش در مورد حجم و نوسانات [13،14] و همچنین بازده مالی می شود [15]. از طرف دیگر ، استفاده از ویکی پدیا [16] می تواند به عنوان شاخص جمع آوری اطلاعات استفاده شود.

هر دو شاخص نشان داده شده است که قیمت بیت کوین را هدایت می کند [17] ، و انگیزه اعتبار متقابل نتایج ما را با تعداد نماهای ویکی پدیا برای صفحه بیت کوین در ویکی پدیا انگلیسی ایجاد می کند. حجم جستجو توسط متغیر s نشان داده شده است_tدر شکل 1 b.

1. 5به اشتراک گذاری اطلاعات

در تجزیه و تحلیل ما ، جستجوی اطلاعات یک اقدام خصوصی است که نیازی به اشتراک گذاری در بین افراد ندارد ، در حالی که به اشتراک گذاری اطلاعات کاملاً اجتماعی است. تعامل اجتماعی بین افراد را می توان از طریق سطح ارتباط آنها اندازه گیری کرد. آثار قبلی تجزیه و تحلیل احساسات را در پیام های عمومی در توییتر (توییت) برای پیش بینی تغییرات قیمت سهام [18] یا الگوهای زبانی در پیام های فوری برای پیش بینی نوسانات سهام اعمال کردند [10]. علاوه بر احساسات ، سطح مطلق کلمه به دهان ، مانند تعداد کل توییت ها یا مقالات خبری ، در پیش بینی تغییرات قیمت مفید است [19]. ما به اشتراک گذاری اطلاعات ، یا ارتباطات آنلاین از طریق دهان را از طریق تعداد روزانه توییت های مربوط به بیت کوین b اندازه می گیریم_tدر هر میلیون پیام در توییتر ما_t، محاسبه شده (b_t/t_t) × 10 6. برای اعتبار سنجی بیشتر ، ما با جایگزین کردن تعداد توییت های مربوط به بیت کوین با تعداد "تغییر شکل" پیام های ارسال شده در قدیمی ترین ، به طور مرتب فعال عمومی فیس بوک اختصاص داده شده به بیت کوین ، یک جایگزین را محاسبه می کنیم. کلمه آنلاین دهان توسط متغیر w نشان داده شده است_tدر شکل 1 b.

2. مواد و روشها

2. 1مجموعه داده های اینترنتی

ما کل زنجیره بلوک بیت کوین را که حاوی رکورد مفصلی از هر بلوک است ، از وب سایت http://blockexplorer.com تا 5 نوامبر 2013 بارگیری کردیم. ما داده های حجم جستجو را از Google Trends در 5 نوامبر 2013 بازیابی کردیم (http: //www.google.com/trends/explore). ما برای اصطلاح "بیت کوین" برای مجموعه ای از فواصل زمانی پرسیدیم: ابتدا کل دوره زمانی (که حجم هفتگی را برمی گرداند) ، سپس یک پنجره نورد دو ماه (بازگشت حجم روزانه). ما نتایج این نمایش داده ها را ترکیب کردیم (به مواد مکمل الکترونیکی ، §S1. 1 ، شکل S1 و S2) مراجعه کنید تا حجم جستجوی روزانه عادی را برای کل دوره زمانی تولید کنیم. ما با استفاده از رابط JSON از http://stats. grok. se ، تعداد روزانه صفحه بیت کوین را در ویکی پدیا انگلیسی (http://en. wikipedia.org/wiki/bitcoin) بازیابی کردیم. ما هر ماه از مجموعه داده ها پرس و جو کردیم و کل مبلغ صفحه را برای صفحه هر روز از ماه پرس و جو دریافت کردیم. ما در 5 نوامبر 2013 با تقسیم تعداد توییت های حاوی حداقل یکی از اصطلاحات زیر ، حجم نسبی توییت در مورد بیت کوین را از طریق Topsy (http://topsy.com) جمع آوری کردیم: "BTC" ، "#BTC" ، "بیت کوین 'یا' #bitcoin 'با تعداد کل توییت ها برای هر روز از دوره مطالعه. ما تعداد "reshares" از موارد ارسال شده را در قدیمی ترین (به بهترین دانش ما) ، به طور مرتب صفحه عمومی فیس بوک اختصاص داده شده به بیت کوین (http://www.facebook.com/bitcoins) استخراج کردیم. ما داده های بازار بیت کوین را از http://bitcoincharts.com بارگیری کردیم ، و بزرگترین بازارهای سه ارز را پوشش می دهیم: Mt. Gox برای USD ، BTC-China برای CNY ، و Mt. Gox و BTC-DE برای EUR. در متن اصلی ، ما از سری زمان Mt. Gox BTC/USD به عنوان مرجع قیمت در غیر این صورت استفاده می کنیم ، زیرا این بزرگترین بازار از نظر حجم در طول دوره مطالعه است [12].

2. 2بازسازی تعداد کاربران شبکه بیت کوین

ما از دو پروکسی برای تعداد کاربران بیت کوین استفاده کردیم: اولین مورد بارگیری روزانه مشتری نرم افزار رسمی بیت کوین از پلت فرم SourceForge (http://sourceforge. net/projects/bitcoin) است. ما همچنین زنجیره بلوک کامل را مورد تجزیه و تحلیل قرار دادیم. پروتکل بیت کوین به گونه ای طراحی شده است که تا حدودی ناشناس بودن کاربران و فعالیتهای آنها را با شناسایی آنها فقط از طریق کلیدهای عمومی حفظ کند [1]. با این حال ، اکتشافی اعمال شده در سیاهههای مربوط به معاملات ، این امکان را فراهم می کند تا تقریباً مجموعه ای از کلیدهای عمومی را برای کاربران منحصر به فرد نقشه برداری کنید [20،21]. ما با تجزیه و تحلیل مجموعه کاملی از معاملات از داده های زنجیره بلوک و استفاده از یک قانون برای جمع آوری کلیدی و یک اکتشافی برای شناسایی تغییر ، تعداد کاربران شبکه بیت کوین را بازسازی کردیم (این موارد در مواد مکمل الکترونیکی ، §S1 به تفصیل شرح داده شده است. 2)

2. 3ایستاده سریال زمان

قبل از تجزیه و تحلیل ما ، ما تست های ثابت از سری زمانی را انجام دادیم_t , P_t , S_tو w_t، آشکار می شود که این متغیرها از سفارش 1 یکپارچه شده اند: در حالی که نمی توان سری زمانی از سطوح ثابت را تصور کرد ، سری زمانی تفاوت های آنها است. در ادامه ، برای هر سری زمانی x (t) ، سری زمانی متمایز Δ x (t) = x (t)-x (t-1) را محاسبه می کنیم. برای هر یک از چهار متغیر ما ، فرضیه عدم ایست بودن را می توان در سطح اطمینان 0. 01 رد کرد ، و فرضیه ثابت بودن را نمی توان با اطمینان رد کرد (مواد مکمل الکترونیکی ، جدول S1).

2. 4پیش بینی

از آنجا که اولین تفاوت های چهار متغیر ما ثابت است ، یک تکنیک اتور کننده بردار (VAR) می تواند تعامل بین متغیرها را نشان دهد. ما یک تاخیر 1 را با یک روند خطی و یک روند فصلی قرار دادیم و روابط وابسته به زمان بین تغییرات عادی چهار متغیر مطالعه ما را اندازه گیری کردیم. اهمیت رابطه بین متغیرها به عنوان یک پسوند چند بعدی از یک آزمون Granger (غیر) -مقادیر کمتری عمل می کند: مقادیر کم P به ما امکان می دهد این فرضیه را رد کنیم که تغییرات در یک متغیر هیچ رابطه خطی با تغییرات متغیر دیگر در آن نداردروز قبل. علاوه بر این ، ما توابع پاسخ تکانه [22] از هر متغیر را به شوک های برونزا بر روی متغیرهای دیگر ، در حضور نویز همبسته محاسبه کردیم. ما تصمیم گرفتیم که توابع پاسخ VAR و IMPULSE را ترکیب کنیم تا ماهیت چند بعدی تجزیه و تحلیل خود و اندازه نمونه محدود داده های خود را به خود اختصاص دهیم. این یک مزیت را در مقایسه با تجزیه و تحلیل همبستگی بین جفت متغیرها فراهم می کند [22] ، که منجر به نتایج ناقص می شود ، همانطور که در مواد مکمل الکترونیکی ، §S3 گزارش می کنیم.

2. 5ارزش اساسی

محاسبه برآوردی از ارزش اساسی یا ذاتی یک بیت کوین ، که با ارزش عادلانه آن متفاوت است دشوار است [23]. با این حال ، ما استدلال می کنیم که ارزش اساسی یک بیت کوین حداقل با هزینه درگیر در تولید آن (از طریق استخراج) برابر است ، بنابراین می توانیم از این هزینه به عنوان یک برآورد پایین تر از ارزش اساسی استفاده کنیم. این تعریف این مزیت را دارد که از هرگونه ارزیابی ذهنی از بازده های آینده استقلال داشته باشد. این برآورد با تقسیم نرخ هش معدن جمع آوری شده در یک روز توسط تعداد بیت کوین های استخراج شده [5] ، برای به دست آوردن تعداد هش های SHA-256 مورد نیاز برای معدن یک بیت کوین ارائه شده است (این روش دیگری برای بیان مشکل است [1]). سپس ما از تقریب الزامات قدرت برای استخراج 0. 5 W در هر MHASH/s استفاده می کنیم ، که این میانگین کارایی متداول ترین واحدهای پردازش گرافیکی است که برای استخراج بیت کوین ها استفاده می شود [24] در دوره مطالعه ما (اواسط سال 2010 تا اواخر سال 2013)و تقریب هزینه های برق 0. 15 کیلووات ساعت - 1 دلار ، که به طور متوسط قیمت ایالات متحده و اتحادیه اروپا است [25]. این برآورد محدود پایین ما از ارزش اساسی یک بیت کوین ، در $/BTC است.

3. نتایج

3. 1حلقه های بازخورد بین متغیرها

ما چرخه بازخورد را در سیستم خود با استفاده از یک وار [26] ، که روابط خطی چند بعدی وابسته به زمان را بین چهار متغیر تجزیه و تحلیل ، با تاخیر 1 روز ضبط می کند ، جدا می کنیم. در این مدل آماری ، تغییر در هر متغیر در یک روز معین_t، Δ P_t، δ s_t، Δ W_t >ترکیبی خطی از تغییرات در همه متغیرها است_{t −1}، Δ P_{t −1}، δ s_{t −1}، Δ W_{t −1}>در روز قبل ، از جمله قطعی ، یک دوره ای و یک اصطلاح خطا [26،27]. وزن تغییر متغیر x_{t −1}در معادله توصیف تغییر در متغیر y_tمشخص شده است_{X ، y}بشرشکل 1 B و جدول 2 خلاصه ای از این روابط چند متغیره را ارائه می دهد. VAR چرخه بازخورد زیر را نشان می دهد:

- چرخه "اجتماعی": حجم جستجو با قیمت افزایش می یابد (_P,S= 0. 386) ، کلمه دهان با حجم جستجو افزایش می یابد (_S,W= 0. 243) ، و افزایش قیمت با کلمه دهان (_W,P= 0. 1). به طور همزمان حسابداری برای همه وابستگی های بین چهار متغیر تأکید می کند که تأثیر کلمه دهان بر قیمت را تأکید می کند ، و یک رابطه قوی تر از آنچه را که نمی توان با تجزیه و تحلیل همبستگی زوجی مشاهده کرد (جزئیات بیشتر در مواد مکمل الکترونیکی ، §S3) نشان داد. حلقه سه طرفه بین s_t , W_tو ص_tنشان دهنده چرخه بازخورد بین پویایی اجتماعی و قیمت در اقتصاد بیت کوین است.

- چرخه "پذیرش کاربر": حجم جستجو با قیمت افزایش می یابد (_P,S= 0. 386) ، تعداد کاربران جدید با علاقه جستجو افزایش می یابد (_S,U= 0. 158) و افزایش قیمت با افزایش پذیرش کاربر (_U,P= 0. 137). این حلقه سه طرفه دوم بین S_t , U_tو ص_tمدل هایی که نرخ ارز بیت کوین به سایر ارزها به تعداد کاربران در اقتصاد بیت کوین بستگی دارد.

جدول 2. نتایج VAR (وزن و مقادیر p) برای P_tبه عنوان قیمت Gox ، s_tبه عنوان حجم جستجوی گوگل ، شما_tبه عنوان تعداد بارگیری مشتری بیت کوین و W_tبه عنوان نسبت توییت. نتایج در Boldface در سطح 0. 05 معنی دار است.

علاوه بر این دو چرخه ، ما از جستجو تا قیمت رابطه منفی می یابیم (_S,P= −0. 233). این با یک رابطه دیمیک روشن بین افراط و تفریط دو متغیر نشان داده شده است: سه مورد از چهار قطره بزرگ قیمت روزانه قبل از روز گذشته قبل از اول ، چهارم و هشتمین افزایش در حجم جستجوی گوگل انجام شده است. مواد تکمیلی الکترونیکی ، جدول S2 نتایج همان VAR را با سری زمانی غیر عادی ارائه می دهد. به این ترتیب ، روابط بین متغیرها به طور مؤثر قابل اندازه گیری است (به عنوان مثال افزایش 10 000 بارگیری مشتری منجر به افزایش 3. 80 دلار قیمت می شود)

این دو چرخه بازخورد و نقش منفی جستجو در قیمت زمانی که برازش VAR ها با استفاده از تعداد کاربران در شبکه به جای دانلودهای مشتری به عنوان سیگنال کاربر U استفاده می شود، سازگار است._t، ویکی پدیا به جای حجم جستجوی گوگل به عنوان سیگنال جستجو S_t، و صفحه بیت کوین فیس بوک به جای توییت های مربوط به بیت کوین به عنوان W_t(مواد تکمیلی الکترونیکی، جدول S3). همه این نتایج همچنین هنگام استفاده از جفت ارزهای دیگر (BTC/EUR و BTC/CNY) و داده‌های سایر پلتفرم‌های مبادلات (BTC-China و BTC-de) برای تجزیه و تحلیل (مواد تکمیلی الکترونیکی، جدول S4) سازگار هستند.

برای تأیید بیشتر ارتباط بین متغیرها در چرخه های اجتماعی و پذیرش کاربر، توابع پاسخ ضربه ای نتایج VAR نشان داده شده در جدول 2 را محاسبه کردیم. تابع پاسخ ضربه انتشار شوک 1 انحراف استاندارد را بر روی یک متغیر به متغیر تخمین می زند. سایر متغیرهابرای کنترل اندازه نمونه محدود خود، 10000 تخمین تقویت‌شده را انجام دادیم و نویز همبسته را با روش استاندارد HAC تصحیح کردیم [28]. نتایج برآورد پاسخ متغیرها و فواصل اطمینان 95% آنها در شکل 2 نشان داده شده است. تمام روابط زوجی چرخه های بازخورد نشان داده شده در شکل 1 زمانی که از طریق توابع پاسخ ضربه ای تجزیه و تحلیل می شوند، معنی دار هستند. سطوح جستجو 2 تا 4 روز پس از افزایش قیمت افزایش قابل توجهی را تجربه می‌کنند، و هم تبلیغات دهان به دهان و هم تعداد کاربران 1 تا 2 روز پس از افزایش شدید حجم جستجو افزایش می‌یابد. افزایش قیمت در نتیجه شوک‌ها در پذیرش کاربر و تبلیغات دهان به دهان و تأثیر منفی جستجو در قیمت نیز مشهود است. برخلاف یافته‌های دوره‌های زمانی قبلی [17]، این توابع پاسخ برای گرایش‌های جستجوی Google و بازدیدهای صفحه ویکی‌پدیا مشابه هستند. برای ارزیابی بیشتر اهمیت این پاسخ‌ها، ما تخمین پاسخ را بین هر جفت سیگنال برای افزایش زمان 1 و 2 روز اندازه‌گیری کردیم، و برای رسیدن به سطح اطمینان 95 درصد پس از تصحیح بونفرونی، آزمون معنی‌داری 97. 5 درصد را انجام دادیم. همه روابط در چرخه های بازخورد حداقل یک تغییر قابل توجه دارند، از جمله تأثیر منفی روند جستجو بر قیمت (جزئیات بیشتر در مواد تکمیلی الکترونیکی، جدول S7).

شکل 2. تابع پاسخ ضربه ای برای حلقه های بازخورد بین متغیرها در مدل ما، به علاوه رابطه منفی بین جستجو و قیمت. Inset نتایجی را با بازدیدهای ویکی‌پدیا به‌جای حجم جستجوی Google به‌عنوان تخمین‌گر برای S نشان می‌دهد.

3. 2بازتولید قیمت و پویایی اجتماعی

چرخه های ارائه شده در بالا توضیحی برای تولید حباب در اقتصاد بیت کوین ارائه می دهد. یافته های اخیر نشان می دهد که نیروهای محرک از قیمت بیت کوین از زمان اختراع آن تغییر کرده اند [29] ، و انگیزه تجزیه ما از دوره مطالعه را به پنجره های زمانی مشخص که هر یک از آنها مربوط به یک حباب مشخص است. ما این کار را با برآورد محدودیت پایین تر برای ارزش اساسی بیت کوین انجام می دهیم: ما هزینه انرژی تولید یک بیت کوین را تقریب می دهیم ، که مستقیماً از مشکل بیت کوین حاصل می شود [1] (به مواد و روش ها مراجعه کنید). در طول دوره مطالعه ما ، قیمت تقریباً همیشه بالاتر از ارزش اساسی باقی مانده است (شکل 3 الف: مسیر میانگین وزن وزنی هفتگی تقریباً منحصراً در سمت چپ خط قیمت/برابری اساسی است). تجارت بیت کوین با قیمت بسیار بالاتر نشانگر حضور احتمالی حباب است [30] ، و رویدادهایی که قیمت بازار شروع می شود از ارزش اساسی شروع می شود ، آغاز حباب ها را نشان می دهد. ما دو رویداد از این دست را شناسایی می کنیم: یکی در حدود 18 اکتبر 2011 ، که پایان حباب 2011 [31] و یکی دیگر از حدود 28 نوامبر 2012 بود ، که تاریخ آن است که پاداش های معدن نصف شده است ("روز نیمه" [32])، ناگهان ارزش اساسی را بالا ببرید. در طول دوره مطالعه ، قیمت هرگز به طور قابل توجهی پایین تر از ارزش اساسی کاهش نیافته است ، که برآورد ما را برای آن تأیید می کند: افت قیمت زیر ارزش اساسی ، پارادوکس را معرفی می کند که در آن نگهداری دفترچه عمومی توسط معدنچیان سود بیشتری نداردآنهابنابراین ما سه دوره مشخصه یا حباب را تعریف می کنیم (شکل 1 B): قبل از رویداد اول (P1) ، بین رویدادهای اول و دوم (P2) و بعد از رویداد دوم (P3). اجرای تجزیه و تحلیل VAR مستقل در سه دوره نشان می دهد که دو چرخه بازخورد هنگام در نظر گرفتن سه دوره با هم یا P3 به تنهایی در سیستم وجود دارد ، اما نه اگر فقط تا 28 نوامبر 2012 داده ها را در نظر بگیریم (مواد مکمل الکترونیکی ، جدول S5). در ادامه ، ما در آخرین دوره برای ارزیابی کیفیت تکنیک VAR در تولید مثل تغییرات در چهار متغیر در آخرین حباب تمرکز می کنیم.

شکل 3. (الف) مسیر میانگین وزنی قیمت و میانگین ارزش پایه در پنجره های هفتگی نورد بین 1 مارس 2011 و 1 مارس 2013. خط قرمز نشان دهنده برابری دقیق بین قیمت و ارزش اساسی است. نقطه‌های آبی مقادیر قبل از اولین رویداد ضربه (18 اکتبر 2011)، نقاط سبز مقادیر پس از آخرین رویداد ضربه (30 نوامبر 2012) و نقاط خاکستری نشان‌دهنده دوره زمانی بین آن‌ها هستند.(ب، ج) سری زمانی قیمت تجمعی و نسبت توییت (نقاط سیاه)، و مقادیر تخمینی تجمعی توسط مدل برای دوره از 30 نوامبر 2012. Insets: سری زمانی برآوردها و تغییرات تجربی قیمت و نسبت توییت برایدوره بین 1 مارس و 30 مه 2013. (نسخه آنلاین رنگی.)

نتایج نشان داده شده در جدول 2، با یک روز تاخیر، به ما اجازه می دهد تا نتایج خود را بر اساس چرخه های بازخورد تفسیر کنیم. با این وجود، یک VAR توسعه‌یافته با تاخیر طولانی‌تر، علی‌رغم نداشتن تفسیر ساده، می‌تواند قدرت توضیح بیشتری داشته باشد [26،33]. با ارزیابی کیفیت مدل از طریق معیار شوارتز [34]، قدرت توضیحی بهینه مربوط به تاخیر 4 روزه است (مواد تکمیلی الکترونیکی، شکل S4). در این بهترین برازش، تغییرات هر متغیر به صورت ترکیب خطی تغییرات همه متغیرها تا 4 روز قبل محاسبه می‌شود. ما از این مدل بهینه‌سازی شده برای تخمین تغییرات روزانه در چهار متغیر Δ U استفاده می‌کنیم_t، Δ P_t، δ s_t، Δ W_tبر اساس داده های تجربیبا افزودن تغییرات روزانه، یک بازسازی گام به گام سری زمانی هر متغیر به دست می آید. شکل 3 b, c سری زمان های روی هم رفته قیمت تخمینی و تجربی و سطوح دهان به دهان را نشان می دهد. در حالی که این روش با تغییرات روزانه متغیرها مطابقت دارد، می‌توانیم کیفیت بلندمدت VAR را با همبستگی سری‌های زمانی تجمعی آن‌ها با مقادیر بازسازی‌شده ارزیابی کنیم. ما یک ضریب همبستگی پیرسون ρ مثبت را بین سری‌های زمانی مشاهده‌شده و تخمینی برای هر چهار متغیر پیدا می‌کنیم، با مقایسه قیمت بازده ρ = 0. 8422، و مقایسه دهان به دهان ρ = 0. 6155. علاوه بر این، سری های زمانی بازسازی شده برای تعداد کاربران (ρ = 0. 2261) و حجم جستجو (ρ = 0. 6838) نیز دقیق هستند (ρ).< 10 − 10 ) for all correlations. Residuals from the fit of the changes are approximately normally distributed (electronic supplementary material, figure S5), which means that within period P3 there are no structural deficiencies in our model. Finally, the VAR model correctly identifies the sign of all of the 10 largest daily price increases, and nine of the 10 largest price drops during P3 (electronic supplementary material, table S6).

4. بحث

با توجه به شخصیت غیر متمرکز ارز بیت کوین ، پویایی اقتصاد آن تا حد زیادی به رفتار کاربران خود بستگی دارد ، که (من) بیت کوین های جدید را معدن می کنند و زنجیره بلوک را حفظ می کنند و (ب) با تجارت بیت کوین به و از آن تأثیر می گذاردارزهای دیگر ؛این تعامل بین کاربران ستون فقرات اجتماعی بیت کوین را تشکیل می دهد. در این مقاله ، ما از آثار دیجیتالی فعالیت کاربر در اقتصاد بیت کوین برای جدا کردن روابط بین متغیرهای مختلف آن استفاده کردیم: پایگاه کاربر ، جستجوی اطلاعات ، اشتراک اطلاعات و قیمت. در حالی که هر یک از این چهار سیگنال اقتصادی و اجتماعی را می توان به طور مستقل مورد مطالعه قرار داد ، جدید بودن رویکرد ما در ترکیب همه آنها به یک رویکرد تحلیلی قوی است. با هم ، این سیگنال ها تصویر دقیقی از رشد بیت کوین در مدت 3 ساله ای که مورد مطالعه قرار داده ایم ، ارائه می دهند ، از اولین باری که بیت کوین ها در اواسط سال 2010 از طریق افزایش قیمت پی در پی تا پایان سال 2013 معامله شدند. این فعالیت های دیجیتالی [35] یک منبع اطلاعاتی منحصر به فرد برای توصیف کمی پویایی سیستم های بزرگ اقتصادی و اجتماعی است [13،15] ؛تجزیه و تحلیل ما برای اولین بار عوامل اجتماعی ، اقتصادی و فناوری را در یک دیدگاه یکپارچه در مورد یک سیستم چنین قرار می دهد.

این تجزیه و تحلیل ترکیبی دو حلقه بازخورد مثبت را نشان می دهد: یک چرخه تقویت بین حجم جستجو ، کلمه دهان و قیمت (چرخه اجتماعی) و چرخه دوم بین حجم جستجو ، تعداد کاربران جدید و قیمت (چرخه پذیرش کاربر). چرخه اجتماعی شواهدی را برای تأثیر بین فردی در تصمیم به خرید بیت کوین ارائه می دهد. این ترجمه به شرح زیر است: محبوبیت روزافزون بیت کوین منجر به حجم جستجوی بالاتر می شود ، که به نوبه خود منجر به افزایش فعالیت رسانه های اجتماعی در موضوع بیت کوین می شود. علاقه بیشتر خرید بیت کوین ها توسط کاربران شخصی را ترغیب می کند ، و قیمت ها را بالا می برد ، که در نهایت به حجم جستجو باز می گردد. ما فرض می کنیم که همبستگی زمانی بین قیمت و حجم جستجو توسط گزارش رسانه ای در مورد افزایش قیمت واسطه می شود ، در نتیجه باعث کنجکاوی کاربر و ایجاد فعالیت جستجوی آنها می شود. دومین حلقه بازخورد که ما شناسایی می کنیم چرخه پذیرش کاربر است که چرخه اجتماعی را تکمیل می کند: کاربران جدید بیت کوین مشتری را بارگیری می کنند و پس از کسب اطلاعات در مورد فناوری ، به شبکه معامله می پیوندند. این رشد در پایگاه کاربر به افزایش قیمت ترجمه می شود ، زیرا تعداد بیت کوین های موجود برای تجارت به تقاضا بستگی ندارد ، بلکه با گذشت زمان به صورت خطی رشد می کند. این یک نتیجه مستقیم از ماهیت تورم کننده بیت کوین به عنوان ارز است. نتیجه مهم دیگر VAR ، وزن منفی جستجو در قیمت است. این نشان دهنده اتصالات پراکنده بین قطرات قیمت بزرگ و سنبله در حجم جستجو است که پیش از آنها بود. به عبارت دیگر ، فعالیت جستجوی کاربر سریعتر به وقایع منفی ، مانند نقض امنیتی در مبادله بیت کوین ، نسبت به قیمت پاسخ می دهد. در این راستا ، سنبله های جستجو شاخص های اولیه افت قیمت هستند.

ما استحکام تجزیه و تحلیل VAR خود را نشان دادیم ، محاسبه توابع پاسخ تکانه از اتصالات کلیدی بین متغیرها در حلقه های بازخورد. علاوه بر این ، ما تأیید کردیم که یافته های ما ساختاری از ویژگی های Mt. Gox به عنوان یک مبادله آنلاین نیست و نتایج ما را در سه بازار ارز مختلف (USD ، EUR و CNY) بازتولید می کند. تجزیه و تحلیل ما از سیگنال های رفتاری نیز به انتخاب منابع داده قوی است ، زیرا نتایج ما نیز هنگام استفاده از منابع جایگزین برای جستجو ، کلمه دهان و پذیرش کاربر ظاهر می شود. در مورد پذیرش کاربر ، ما دریافتیم که تعداد کاربران جدید شناسایی شده پس از پردازش زنجیره بلوک اطلاعات مربوط به تغییرات قیمت را بازده می دهد ، که هنگام استفاده از آدرس های بیت کوین خام بدون پیش پردازش مشاهده نمی شود (به مواد مکمل الکترونیکی ، جدول S3 مراجعه کنید)بشراین نشان می دهد که شناسایی کاربران از آدرس ها برای توصیف صحیح اکوسیستم بیت کوین ، که در مطالعات قبلی نادیده گرفته شده است ، مهم است [36].

ما بر اساس هزینه انرژی درگیر در معدن ، تخمین کمتری از ارزش اساسی بیت کوین را معرفی کردیم. این به ما اجازه می دهد سه دوره زمانی مشخص را شناسایی کنیم. با مطالعه سه دوره به طور مستقل ، دریافتیم که دو چرخه بازخورد در آخرین دوره داده ها ریشه دارد (P3 ، پایان 2012 تا پایان سال 2013) ، که ممکن است نشان دهد که ظاهر این چرخه ها اخیر است ، یا احتمالاًاینکه مقدار بیشتری از داده ها از دوره آخر نسبت سیگنال به نویز بالاتری را به همراه داشته باشد ، بنابراین به توصیف چرخه ها کمک می کند. این فرضیه دوم همچنین یافته های ظریف تر حاصل از تجزیه و تحلیل ما را در مقایسه با کار قبلی در مجموعه داده های قبلی توضیح می دهد [17].

ما نتایج تکنیک VAR را در این دوره آخر با مقایسه خروجی بهترین VAR متناسب با سری زمانی تجربی چهار متغیر ما تأیید کردیم. توجه به این نکته حائز اهمیت است که VAR تناسب تغییرات روزانه را فراهم می کند ، اما در این مرحله اعتبار سنجی ما سطح تجمعی را مقایسه می کنیم. اگر خطاهای VAR به طور موقت همبستگی داشته باشند ، این امر باعث ایجاد واگرایی ساختاری در برآورد VAR سطح می شود. با این حال ، این چیزی نیست که ما می یابیم: سطوح تولید شده توسط VAR با مقادیر تجربی به طور قابل توجهی در ارتباط هستند و باقیمانده تخمین ها به طور معمول توزیع می شوند (مواد مکمل الکترونیکی ، شکل S5). ما همچنین می یابیم که پویایی هر دو از نظر کیفی مطابقت دارند (شکل 3) ، و VAR به درستی علامت بزرگترین تغییرات قیمت را طبقه بندی می کند (مواد مکمل الکترونیکی ، جدول S6). بنابراین تکنیک آماری که در این مقاله از آن استفاده کردیم ، به این ترتیب یک روش قوی برای شناسایی پویایی همراه متغیرهای اجتماعی و اقتصادی که ما مطالعه می کنیم ، اثبات می کند. همچنین بر اساس تاریخ گذشته سیستم ، تخمین های دقیقی از سطح آینده هر متغیر (از جمله قیمت و کلمه دهان) ارائه می دهد.

دو حلقه بازخورد مثبت که ما شناسایی کردیم دلالت بر افزایش مداوم در قیمت دارد که باید نرخ ارز بیت کوین را به طرز ناپایدار بالا ببرد. این توضیحی برای دوره های پی در پی رشد تقریبا بی وقفه مشاهده شده از اواسط سال 2010 تا ژوئن 2011 و اوایل 2012 تا آوریل 2013 ارائه می دهد. با این وجود قطرات ناگهانی مشاهده شده در پایان این دوره ها توضیح نمی دهد. این تصادفات را می توان به محرکهای خارجی مانند حمله به پلت فرم Mt. Gox ژوئن 2011 نسبت داد. رابطه ای که ما بین قطره های قیمت و سنبله های جستجوی قبلی پیدا کردیم ، در حالی که وقوع تصادفات را توضیح نمی دهد ، با گذشته سازگار استمطالعات مرتبط با حجم جستجو به نوسانات قیمت در بازارهای مالی [14،15]. در حالی که کار قبلی حاکی از آن بود که منابع خبری پیش بینی کننده خوبی در مورد تغییرات قیمت آینده نیستند [37] ، تجزیه و تحلیل ما نشان می دهد که افزایش قیمت پی در پی در اقتصاد بیت کوین عمدتاً به دلیل توجه عمومی آن است. در ابتدا ، بیت کوین ها دارای ارزش تبادل ناچیز بودند و فقط توسط یک جامعه کوچک از کاربران با تجربه فنی شناخته می شدند. تجزیه و تحلیل ما نشان می دهد که امواج پی در پی رشد اقتصاد بیت کوین توسط امواج مربوط به کاربران جدید از محافل عمومی به تدریج به ارز باز می گردد. پایگاه کاربر رو به رشد فرصت های تبادل بیشتری را برای بیت کوین ایجاد کرد که در زمان نوشتن ، توسط طیف گسترده ای از مشاغل پذیرفته می شود ، از خدمات میزبانی گرفته تا فروشگاه های خرده فروشی و بازارهای غیرقانونی. از دسامبر 2013 ، قدرت محاسباتی شبکه معدن بیت کوین در حدود 7 × 10 19 عملیات شناور در ثانیه قرار دارد [38]-فقط 300 برابر قدرت ترکیبی 500 ابر رایانه برتر [39]. این شکل قابل توجه اهمیت روزافزون بیت کوین را در مناظر فناوری ، اجتماعی و اقتصادی نشان می دهد و باعث ایجاد طراحی سیاست ها برای تنظیم استفاده و تبادل بیت کوین می شود. برای مؤثر بودن چنین مقررات ، سیاست گذاران نیاز به درک تجربی از پویایی اتخاذ و تجارت بیت کوین دارند. آثار دیجیتالی به جا مانده از میلیون ها کاربر شبکه بیت کوین ، تبادل بازارهای ، شبکه های اجتماعی آنلاین و موتورهای جستجو به ما امکان می دهد پویایی اتخاذ بیت کوین را بطور منظم توصیف کنیم. تجزیه و تحلیل ما از سیگنال های اجتماعی و اقتصادی جمعی می تواند فراتر از مطالعه ارزهای رمزنگاری شود ، برای درک سایر پدیده هایی که مقادیر زیادی از داده ها در دسترس هستند ، مانند رفتار پذیرش در جوامع آنلاین [40،41].

بیانیه بودجه

کار D. G توسط بنیاد ملی علوم سوئیس (CR21I1_1464991) تأمین شد. ما از فرانک شوویتزر برای حمایت از این پروژه سپاسگزاریم.