Do The Stock Markets and The Leading Indicators of Bitcoin Act Together in The Special of Bitcoin Energy Consumption? The Evidence from Producing Countries of Bitcoin
Bibliographic record
Abstract
Bu çalışmada Bitcoin enerji tüketimi, Bitcoin fiyat ve Bitcoin hacim değişkenleri arasındaki ilişkinin incelenmesi ve öncü Bitcoin göstergeleriyle en çok Bitcoin üretimi yapan 5 ülkenin hisse senedi piyasalarının ortak hareket edip etmediklerinin araştırılması amaçlanmıştır. Bu bağlamda çalışmada Bitcoin enerji, Bitcoin fiyat, Bitcoin hacim, Amerika Birleşik Devletleri, Çin, Kazakistan, Rusya ve Kanada endeksleri 2011-2022 aylık verileri dikkate alınmıştır. Çalışmada Diebold ve Yılmaz (2012) yayılım endeksi ve zamanla değişen parametreli VAR (TVPVAR) yöntemleri kullanılmıştır. Diebold ve Yılmaz (2012) yayılım endeksi yöntemi sonucunda Bitcoin enerji değişkeninin Bitcoin fiyatına yayılım etkisinin %3.5 olduğu görülmüştür. Bitcoin öncü göstergelerinden incelenen tüm hisse senedi endekslerine yayılım olduğu görülürken en yüksek yayılımın ise Bitcoin fiyatından SP500 endeksine doğru olduğu görülmüştür. Diebold ve Yılmaz (2012) net yayılım endeksi %4.54 olarak hesaplanmıştır. Bununla birlikte kurulan TVPVAR modelinde değişkenlerin 4, 8 ve 12 aylık dönemlerdeki etki tepki fonksiyonları incelenmiştir. TVPVAR modeli etki tepki fonksiyonlarında Bitcoin enerji fiyatlarında 4, 8 ve 12 aylık dönemlerdeki şokların Bitcoin fiyatına benzer şiddetle yayıldığı gözlemlenmiştir. Çalışma sonucunda Bitcoin enerjide yaşanan şokların tüm dönemlerde, fiyat ve hacimde yaşanan şokların ise kısa dönemlerde SP500, Shangai, Kase ve RTSI endekslerinde benzer şiddette yayıldığı gözlemlenmiştir.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.003 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".