MétaCan
Menu
Retour à la cohorte
Enregistrement W2969940067 · doi:10.3390/jrfm12030135

Which Cryptocurrencies Are Mostly Traded in Distressed Times?

2019· article· en· W2969940067 sur OpenAlexvenueno aff
Νikolaos Kyriazis, Paraskevi Prassa

Notice bibliographique

RevueJournal of risk and financial management · 2019
Typearticle
Langueen
DomaineComputer Science
ThématiqueBlockchain Technology Applications and Security
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCryptocurrencyMarket liquidityHerdingMonetary economicsDigital currencyOrder (exchange)BusinessEconomicsCurrencyFinanceComputer scienceComputer securityGeography

Résumé

récupéré en direct d'OpenAlex

This paper investigates the level of liquidity of digital currencies during the very intense bearish phase in their markets. The data employed span the period from April 2018 until January 2019, which is the second phase of bearish times with almost constant decreases. The Amihud’s illiquidity ratio is employed in order to measure the liquidity of these digital assets. Findings indicate that the most popular cryptocurrencies exhibit higher levels of liquidity during stressed periods. Thereby, it is revealed that investors’ preferences for trading during highly risky times are favorable for well-known virtual currencies in the detriment of less-known ones. This enhances findings of relevant literature about strong and persistent positive or negative herding behavior of investors based on Bitcoin, Ethereum and highly-capitalized cryptocurrencies in general. Notably though, a tendency towards investing in the TrueUSD stablecoin has also emerged.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,798
Score d'incertitude au seuil0,269

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,005
Tête enseignante GPT0,201
Écart entre enseignants0,196 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations19
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of risk and financial managementMême sujetBlockchain Technology Applications and SecurityTravaux en français237 207