Sustainable versus Conventional Cryptocurrencies in the Face of Cryptocurrency Uncertainty Indices: An Analysis across Time and Scales
Notice bibliographique
Résumé
Are conventional and sustainable cryptocurrencies effective hedging instruments for high cryptocurrency uncertainty? This paper examines co-movements between conventional (Bitcoin, Ethereum, Binance Coin, Tether) and sustainable (Cardano, Powerledger, Stellar, Ripple) cryptocurrencies and two cryptocurrency uncertainty indices (UCRY price and UCRY policy). Using weekly returns from 1 October 2017 to 30 March 2021, the paper employs the bivariate wavelet coherence method considering three investment horizons, short-term, medium-term, and long-term. The results confirm that conventional and sustainable cryptocurrencies show consistent positive and identical co-movements with both cryptocurrency uncertainty indices at the short-term horizon during COVID-19 and negative co-movement at the medium-term investment horizon, suggesting the short-term hedging ability of dirty/green cryptocurrencies for high UCRY price and policy. Evidence of negative coherences shows that higher cryptocurrency prices and policy uncertainties lead to lower cryptocurrency returns, reflecting the adverse impact of higher uncertainties on the trust of crypto traders and investors. Weak co-movement is found between dirty/green cryptocurrencies and UCRY price/policy indices, which suggests the possible role of dirty/green cryptocurrencies as a weak hedge for UCRY price and policy indices. These findings provide potential avenues to hedge cryptocurrency uncertainties using conventional and sustainable cryptocurrencies across multiple investment horizons.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».