Analyzing Safe Haven, Hedging and Diversifier Characteristics of Heterogeneous Cryptocurrencies against G7 and BRICS Market Indexes
Notice bibliographique
Résumé
Cryptocurrency markets have experienced large growth in recent years, with an increase in the number and diversity of traded assets. Previous work has addressed the economic properties of Bitcoin with regards to its hedging or diversification properties. However, the surge of many alternatives, applications, and decentralized finance services on a variety of blockchain networks requires a re-examination of those properties, including indexes from outside the big economies and the inclusion of a variety of cryptocurrencies. In this paper, we report the results of studying the most representative cryptocurrency of each consensus mechanism by trading volume, forming a list of twenty-four cryptocurrencies from the 1st of January 2018 to the 30th of September 2022. Using the Baur and McDermott model, we examine hedge, safe haven, and diversifier properties of all assets for all G7 country’s major indexes as well as all BRICS major indexes breaking it down by two attributes: kind of blockchain technology and pre/during COVID health crisis. Results show that both attributes play an important role in the hedge, safe haven, and diversifier properties associated with the asset. Concretely: stablecoins appear to be the only ones to maintain hedge property in most analyzed markets pre- and during-COVID; Bitcoin investment properties shifted after the COVID crisis started; China and Russia stopped being correlated with the cryptocurrency after the COVID crisis hit.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».