Time and frequency dynamics between NFT coins and economic uncertainty
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Non-fungible tokens (NFTs) are one-of-a-kind digital assets that are stored on a blockchain. Examples of NFTs include art (e.g., image, video, animation), collectables (e.g., autographs), and objects from games (e.g., weapons and poisons). NFTs provide content creators and artists a way to promote and sell their unique digital material online. NFT coins underpin the ecosystems that support NFTs and are a new and emerging asset class and, as a new and emerging asset class, NFT coins are not immune to economic uncertainty. This research seeks to address the following questions. What is the time and frequency relationship between economic uncertainty and NFT coins? Is the relationship similar across different NFT coins? As an emerging asset, do NFT coins exhibit explosive behavior and if so, what role does economic uncertainty play in their formation? Using a new Twitter-based economic uncertainty index and a related equity market uncertainty index it is found that wavelet coherence between NFT coin prices (ENJ, MANA, THETA, XTZ) and economic uncertainty or market uncertainty is strongest during the periods January 2020 to July 2020 and January 2022 to July 2022. Periods of high significance are centered around the 64-day scale. During periods of high coherence, economic and market uncertainty exhibit an out of phase relationship with NFT coin prices. Network connectedness shows that the highest connectedness occurred during 2020 and 2022 which is consistent with the findings from wavelet analysis. Infectious disease outbreaks (COVID-19), NFT coin price volatility, and Twitter-based economic uncertainty determine bubbles in NFT coin prices.
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.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle