Collapsing bubbles in the prices of cryptocurrencies
Notice bibliographique
Résumé
This paper investigates the existence of bubbles in the daily prices of the most popular cryptocurrencies, Bitcoin (BTC), Ether (ETH), and Ripple (XRP), employing the recursive methods of Phillips et al. (2015) and Phillips et al. (2011) for testing and date-stamping episodes of exuberant behaviour over a period spanning seven years (2018–2024), including the COVID-19 pandemic crisis (2020–2021). The critical values of the tests are computed through the composite wild bootstrap technique by Phillips and Shi (2020) to make them robust to time-varying unconditional heteroscedasticity and the multiplicity issue in recursive tests. Results indicate that the prices of the most popular cryptocurrencies traded on decentralized ledgers, BTC and ETH, exhibited multiple episodes of exuberant behaviour, unambiguously for BTC and depending on the tests for ETH. Bubbles detected in the prices of BTC were due to the halving of the crypto, to market exuberance and to the pandemic crisis; bubbles detected on ETH prices were due to the launch of NFTs on the Ethereum blockchain, and to the change in investors’ expectations (from exuberant to pessimistic); the change in the stance of monetary policy burst the bubbles of BTC and ETH prices in 2024. No test supports the exuberance of XRP that is traded on a centralized ledger; weekly data confirm the absence of multiple bubbles. By looking at the presence of bubbles in these different digital ecosystems, we also consider how the technological differences can impact, possibly asymmetrically, bubbles' formation.
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 | 0,002 | 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 | 0,002 | 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 ».