Which Came First, Price or Activity? A Vicious Circle of a Blockchain-Based Social Media in the Bear Market (Extended Abstract)
Notice bibliographique
Résumé
This paper explores the relationship between the user activity on Steemit---the most widely used blockchain-based social media---and the price of STEEM---the cryptocurrency that can be earned from the activity on Steemit. Users can get STEEM by writing posts or upvoting ("liking") posts on Steemit. One may expect that activities on Steemit may affect the STEEM price, or conversely, the STEEM price may affect the user activity. We measure the Steemit activity by DAU (Daily Active Users) which is calculated as the number of unique users who write posts or comments on Steemit each day. We conduct the VAR (vector autoregressive) model analysis and the bidirectional Granger causality test on the STEEM price and the Steemit DAU for three different time regimes: full, bull-market, and bear-market regimes. We show that in all regimes, the STEEM price Granger causes the Steemit DAU. Conversely, the Steemit DAU does not Granger cause the STEEM price in both the full and bull-market regimes. In contrast, in the bear-market regime, the Steemit DAU Granger causes the STEEM price. That is, the STEEM price and the Steemit DAU Granger cause each other in the bear market, which can be seen as a vicious circle. We also show that the same results hold with the Hive blockchain, which is a fork of the Steem blockchain.
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 | 0,000 |
| 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 ».