Подобное решение было принято в первую очередь из-за того, что привязать какие-либо числовые значения к изменению курса криптовалют достаточно проблематично. Это связано с тем, что курс криптовалют не привязывается к конкретным ставкам, а сами криптовалюты не имеют однозначной географической локации.

Помимо этого, криптовалюты, как уже было сказано ранее, зачастую рассматриваются как инновационный товар с плавающей стоимостью. С этой точки зрения можно провести аналогию изменения курса криптовалюты с понятием «цикла хайпа» (Gartner Hype Cycle Hype Cycle Research Methodology [Электронный ресурс] // Интернет-портал 'Gartner.com', 2017. Режим доступа: https://www.gartner.com/technology/research/methodologies/hype-cycle.jsp, свободный - Загл. с экрана.), который предполагает, что ожидания относительно новой технологии проходят примерно одинаковый путь: за стремительным ростом ажиотажа следует такое же стремительное падение, после чего происходит стабилизация на среднем уровне.



Рис. 4 «Цикл хайпа» Гартнера

[Источник: Hype Cycle Research Methodology [Электронный ресурс] // Интернет-портал 'Gartner.com', 2017. Режим доступа: https://www.gartner.com/technology/research/methodologies/hype-cycle.jsp, свободный - Загл. с экрана.]

Подобные колебания были замечены и при появлении криптовалют. После того, как технология дошла до массового пользователя, она испытала сильный подъём, вслед за которым последовало падение и последующее начало стабилизации.

Рис. 5 Сравнение «цикла хайпа» Гартнера и курса Bitcoin c 2017 г.

[Источник: Hype Cycle Research Methodology [Электронный ресурс] // Интернет-портал 'Gartner.com', 2017. Режим доступа: https://www.gartner.com/technology/research/methodologies/hype-cycle.jsp, свободный - Загл. с экрана.]

Проведённая аналогия с «циклом хайпа» Гартнера позволяет сделать несколько важных предположений, на основе которых и будет обоснован выбор метода исследования:

1) Если в основе изменения курса криптовалют действительно лежат схожие процессы с теми, которые отмечались в «цикле хайпа», то строить единую факторную модель было бы неверно.

2) Отдельные события и ситуации, тем не менее, могли создавать небольшие колебания курса криптовалюты.

3) Изучение данных колебаний на долгосрочных промежутках времени достаточно проблематично из-за постоянно изменяющегося ажиотажа.

Главный вывод, который может следовать из данных предположений, если они являются истинными, заключается в том, что строить прогнозную модель для курса криптовалют крайне затруднительно до тех пор, пока ажиотаж вокруг новой технологии не пропадёт, и она не выйдет в стадию, названную «плато продуктивности».

Тем не менее, из этого не следует, что изучение криптовалют на данном этапе не имеет смысла. Скорее всего, существует множество разных факторов, которые не оказали существенного влияния на данном этапе, но вполне могут оказаться одними из ключевых в будущем.

Для выявления данных факторов и будет использован метод анализа влияния событий. Данный метод позволяет обнаружить возможное наличие реакции курса криптовалюты на определённые новостные шоки, связанные с криптовалютным рынком.

Например, как уже говорилось в первой части данной работы, в 2017 году изменение курса криптовалют нередко связывали с новостями от китайского правительства, которое то ужесточало криптовалютное законодательство, то вновь ослабляло его. Данные события, по мнению многих, напрямую могли повлиять на курс Bitcoin и, как следствие, остальных криптовалют, что действительно кажется логичным.

2.1 Особенности моделирования цены криптовалют

2.1.1 Модель для Bitcoin

Для изучения влияния тех или иных факторов и событий на стоимость криптовалюты, необходимо построить модель, которая бы описывала «нормальное» поведение её стоимости.

При анализе поведения цен акций на фондовом рынке традиционно используется т.н. рыночная модель, которая устанавливает связь доходности акций компании с доходностью рынка в целом. Из этого можно было бы выдвинуть предположение, что аналогичный анализ можно провести и для криптовалютного рынка, где также можно определить общую рыночную доходность и связать её с доходностью отдельных его элементов.

Тем не менее, подобный анализ не даст возможности выявить реакцию отдельных криптовалют на события, происходящие на рынке. В первую очередь это связано с тем, что доля Bitcoin в общей рыночной капитализации крайне велика. Таким образом, рыночная доходность практически полностью повторяет доходность Bitcoin, что сильно осложняет практически любую интерпретацию подобной модели.

Помимо этого, другую сложность представляет и то, что многие события, анализируемые в данной работе, влияют на все криптовалюты сразу. Таким образом, вывод об отсутствии реакции в сравнении с рынком совсем не означал бы, что сам по себе рынок никак не отреагировал на событие.

К данному выводу пришли и многие финансисты, ранее занимавшиеся построением моделей криптовалют. Поэтому для моделирования стоимости криптовалюты зачастую прибегают An Empirical Study on Modeling and Prediction of Bitcoin Prices With Bayesian Neural Networks Based on Blockchain Information [Электронный ресурс] // IEEE Xplore Digital Library, 2017. Режим доступа: https://ieeexplore.ieee.org/document/8125674/, свободный - Загл. с экрана. к использованию внутренних параметров данных криптовалют, которые доступны в интернете.

В частности, для моделирования стоимости Bitcoin используется модель, по которой цена криптовалюты связывается с количеством транзакций в день и объемом криптовалюты, выпущенным на данный день Prediction of bitcoin price -linear regression. Alisa Aleksanyan [Электронный ресурс] // Интернет-портал 'Kaggle.com', 2017. Режим доступа: https://www.kaggle.com/alisaaleksanyan/prediction-of-bitcoin-price-linear-regression/data, свободный - Загл. с экрана. Bitcoin Historical Regression Analysis. Tyler Virkler [Электронный ресурс] // Интернет-портал 'Kaggle.com', 2017. Режим доступа: https://www.kaggle.com/tyvirk/bitcoin-historical-regression-analysis/data, свободный - Загл. с экрана. An Empirical Study on Modeling and Prediction of Bitcoin Prices With Bayesian Neural Networks Based on Blockchain Information [Электронный ресурс] // IEEE Xplore Digital Library, 2017. Режим доступа: https://ieeexplore.ieee.org/document/8125674/, свободный - Загл. с экрана..

Для Bitcoin используется следующая модель:

Price = const + a * Transactions + b * Supply,

где Price - моделируемая стоимость Bitcoin, Transactions - число транзакций в день и Supply - общий объем Bitcoin, доступный на рынке.

Данная модель отражает ту простоту, которой и был изначально наделен Bitcoin. Его стоимость неизменно связана с ажиотажем, который он вызывает, который и отражается в количестве транзакций. Популяризация криптовалюты приводит к увеличению желающих приобрести её, что, в свою очередь, увеличивает число сделок по нему.

В некоторых моделях учитывается и ещё одна переменная: средний объём блока. Тем не менее, попытка учесть данный фактор в рамках этой работы показала, что его включение позитивно влияет лишь на модели, составленные в долгосрочной перспективе, а то время как для краткосрочных моделей точность прогнозирования снижается.

2.1.2 Модель для Ethereum

В случае с Ethereum, для включения в модель также доступны данные, касающиеся количества транзакций и общего предложения криптовалюты на рынке Prediction of bitcoin price -linear regression. Alisa Aleksanyan [Электронный ресурс] // Интернет-портал 'Kaggle.com', 2017. Режим доступа: https://www.kaggle.com/alisaaleksanyan/prediction-of-bitcoin-price-linear-regression/data, свободный - Загл. с экрана. Bitcoin Historical Regression Analysis. Tyler Virkler [Электронный ресурс] // Интернет-портал 'Kaggle.com', 2017. Режим доступа: https://www.kaggle.com/tyvirk/bitcoin-historical-regression-analysis/data, свободный - Загл. с экрана.. Однако так как данная криптовалюта имеет значительно больший спектр применения благодаря наличию дополнительного функционала в виде смарт-контрактов, были проанализированы и другие факторы, которые могли бы быть включены в модель.

Как и в случае с Bitcoin, внедрение в модель среднего объёма одного блока не улучшало её качество в краткосрочной перспективе. Однако для Ethereum была введена ещё одна переменная, которая показывает сложность успешного подбора блока в данный момент.

Данная переменная не используется в Bitcoin в связи с тем, что показатель сложности там может держаться на одном уровне на протяжении нескольких недель, что не позволяет адекватно использовать его в моделях, построенных на небольших промежутках времени.

Тем не менее, в случае с Ethereum данный показатель постоянно изменяется, благодаря чему его удалось успешно включить в модель.

Как итог, модель стоимости Ethereum можно представить следующим образом:

Price = const + a * Transactions + b * Supply + c * Difficulty,

где Price - моделируемая стоимость Ethereum, Transactions - число транзакций в день, Supply - общий объем Ethereum, доступный на рынке и Difficulty - средняя сложность блока.

2.1.3 Модель для Ripple

Самые неожиданные результаты были получены при попытке смоделировать стоимость криптовалюты Ripple. По аналогии с Bitcoin, в модель была взята переменная, отвечающая за количество ежедневных транзакций. Так как общий объем выпущенной криптовалюты у Ripple является постоянным и неизменным числом, вместо этого была взята переменная, отвечающая за количество криптовалюты, находящееся в свободном обращении. Тем не менее, практика показала, что модель, построенная по этим факторам, не имеет никакого смысла.

По результатам моделирования на разных временных отрезках можно сделать вывод, что какой-либо корреляции между количеством проведённых транзакций, объемом Ripple в обращении и стоимостью данной криптовалюты выявлено не было. Несмотря на то, что формально отсутствие рабочей модели не позволяет выполнить поставленную цель для криптовалюты Ripple, само по себе отличие заслуживает отдельного внимания.

Тот факт, что факторы, которые были значимыми при построении модели для Bitcoin и Ethereum, не позволили построить сколь-либо значимую модель для Ripple, ещё раз подчёркивает её отличие от остальных криптовалют. В частности, если вспомнить конец 2017 года, многие эксперты отмечали, что в момент, когда все криптовалюты начали падать, Ripple продолжала демонстрировать рост Присмотритесь к Ripple -- это перспективная инвестиция [Электронный ресурс] // Интернет-портал «Пронедра», 2017. Режим доступа: https://pronedra.ru/economics/2017/12/26/prismotrites-k-ripple-eto-perspektivnaya-investitsiya-202755.html, свободный - Загл. с экрана..

На данном этапе можно сделать несколько выводов относительно формирования стоимости Ripple, которые следуют из вышесказанного:

1) Будучи единственной из рассматриваемых криптовалют, для которой возможно внутреннее регулирование стоимости (лишь ~30%-40% криптовалюты обращаются на рынке, остальная часть принадлежит непосредственно компании, которая и выпустила данную криптовалюту), Ripple имеет другой механизм формирования стоимости, отличающийся от таких крупных криптовалют, как Bitcoin и Ethereum.

2) Не существует никаких достоверных данных, подтверждающих, что регулирование стоимости ведётся путём изменения доли криптовалюты, доступной на открытом рынке. Несмотря на то, что данная переменная была включена в модель, на настоящем этапе это не позволило прояснить связь со стоимостью Ripple. Разумнее всего предположить, что существуют другие данные и факторы, влияющие на стоимость криптовалюты.

В связи с этим, на основании имеющихся данных не представляется возможным проведение полноценного анализа влияния событий на стоимость Ripple. Тем не менее, несмотря на отсутствие полноценной модели, данный анализ будет проведён с использованием модели постоянной доходности.

2.2 Метод анализа влияния событий

Исследования эффективности рынков капитала проводятся уже более 50 лет с момента публикации [Fama et al., 1969]. Одно из утверждений об эффективности рынка гласит, что если информация становится доступной всем участникам, то рыночные цены инструментов не изменятся. Эмпирическую проверку данного утверждения можно провести с помощью метода анализа влияния событий, описанный в том числе в [Окулов, 2010].

При появлении нового рынка криптовалют возникла потребность провести аналогичные исследования и для этого вида активов. Во многом данные исследования даже являются более актуальными, а результаты - более значимыми, потому что рынок криптовалют подвержен сильному влиянию со стороны внешней информации. В отличие от рынка акций, криптовалютный рынок значительно меньше поддаётся какому-либо контролю, а значит манипулировать им значительно проще.

В данной ситуации метод анализа влияния событий позволяет ответить на вопрос, действительно ли цена инструмента существенно изменилась после какого-либо события. В качестве подобных событий могут рассматриваться различные новости, связанные с регулированием криптовалюты, так как легальный статус инструмента достаточно часто изменяется в самых разных частях света.

В интернете существует достаточно большое количество исследований, которые графическим методом показывают реакцию рынка на происходящее событие Как влияют фундаментальные факторы на курс криптовалют [Электронный ресурс] // Интернет-портал Liteforex.com, 2017. Режим доступа: https://ru.liteforex.com/blog/for-professionals/vliyanie-fundamentalnih-faktorov-na-kurs-kriptovalyut/, свободный - Загл. с экрана.. Тем не менее, в таких исследованиях не приводятся никакие расчёты, доказывающие, что отклонение цены было действительно существенным.

Целью данного анализа является эмпирическая проверка гипотезы о реакции рынка на определённые события.

2.2.1 Алгоритм анализа влияния событий

При работе с методом анализа влияния событий выделяются два основных промежутка времени: «окно оценки» и «окно события». На «окне оценки» строится нормальная модель при условии, что в данный промежуток времени компания не была подвержена событиям, анализируемым при использовании метода. «Окно события» позволяет непосредственно сравнить реальную доходность, имевшую место в конкретном случае, и «нормальную», рассчитанную с помощью построенной ранее модели.

[Окулов, 2010] приводит следующую последовательность действий при использовании анализа влияния событий:

1. На первом этапе выбирается модель, описывающая доходность или цену исходного инструмента. Параметры модели оцениваются на «окне оценки», которое обычно выбирается длительностью от нескольких месяцев до нескольких лет до момента события, изучаемого при анализе, в зависимости от поставленной цели. Также выделяется «окно события», обычно начинающееся за несколько дней до первого появления публичных новостей о событии для того, чтобы определить, имелась ли у рынка инсайдерская информация.

2. На «окне события» рассчитывается ожидаемая доходность согласно модели, выбранной ранее. Ожидаемая доходность сравнивается с фактической, полученной в данный промежуток времени. Вычисляется разница между доходностями в каждый из дней AR.

3. Рассчитывается кумулятивный эффект на «окне события» как сумма всех AR в данном промежутке времени. Данная операция позволяет провести границу между естественными колебаниями стоимости инструмента и существенным изменениям цены в следствие рассматриваемого события.

2.2.2 Исходные данные

В качестве исходных данных были выбраны стоимости криптовалют и различные внутренние данные о транзакциях согласно моделям, описанным ранее в этой модели.

Так как криптовалюты характеризуются крайне нестабильным курсом, который может серьёзно подвергаться воздействию внешних факторов, не поддающихся моделированию, оценка параметров модели происходила на достаточно коротких промежутках, обычно составляющих около двух месяцев.

Для построения регрессионных моделей были использованы открытые данные из сети интернет с сайтов, специализированных на криптовалютной тематике и сохраняющих ежедневную статистику. В случае с Bitcoin был использован сайт Blockchain.info Bitcoin Charts & Graphics [Электронный ресурс] // Интернет-портал `Blockchain.info', 2017. Режим доступа: https://blockchain.info/charts, свободный - Загл. с экрана., для Ripple - Coinmarketcap Ripple (XRP) historical data [Электронный ресурс] // Интернет-портал `Coinmarketcap', 2017. Режим доступа: https://coinmarketcap.com/currencies/ripple/historical-data/, свободный - Загл. с экрана., а данные по Ethereum были взяты с сайта Etherscan Ethereum Charts & Statistics [Электронный ресурс] // Интернет-портал `Etherscan', 2017. Режим доступа: https://etherscan.io/charts, свободный - Загл. с экрана..



3. Моделирование и анализ результатов

Для анализа влияния событий на стоимость криптовалют были выбраны два крупных события, связанных с регулированием криптовалюты. Первое из них касается ограничений, наложенных на криптовалюту в Китае. Второе - легализация криптовалюты на территории Японии.

Выбор данных событий позволит сравнить реакцию различных криптовалют как на положительные, так и на отрицательные новости.

3.1 Сентябрьский криптовалютный кризис в Китае

Одно из самых громких событий, отразившихся на Bitcoin и других криптовалютах в 2017 году, произошло в начале сентября на территории Китая. Начало всему положило решение о запрете ICO (Initial Coin Offering, аналог IPO для криптовалют) со стороны Центробанка КНР от 4 сентября Криптовалюта обвалилась и рискует схлопнуться: Рынки: Экономика: Lenta.ru [Электронный ресурс] // Интернет-портал «Лента.ру», 2017. Режим доступа: https://lenta.ru/articles/2017/09/15/chinabit/, свободный - Загл. с экрана.. Согласно данному решению, компании, которые привлекали деньги с помощью ICO, были обязаны вернуть их, более того, ЦБ также начал проверку обменников, осуществляющих операции по конвертации криптовалют в фиатные деньги Криптовалюта обвалилась и рискует схлопнуться: Рынки: Экономика: Lenta.ru [Электронный ресурс] // Интернет-портал «Лента.ру», 2017. Режим доступа: https://lenta.ru/articles/2017/09/15/chinabit/, свободный - Загл. с экрана..

Данное решение совпало с резким падением курса как Bitcoin, так и других криптовалют. Во многом из-за того, что Китай являлся одним из самых активных участников криптовалютного рынка, падение моментально связали с решением, принятым правительством Китая. Многие сайты выпустили «анализ» влияния данного решения на стоимость криптовалюты, однако чаще всего подобные ресурсы ограничивались графическим изображением курса в качестве доказательства влияния данного события Как влияют фундаментальные факторы на курс криптовалют [Электронный ресурс] // Интернет-портал Liteforex.com, 2017. Режим доступа: https://ru.liteforex.com/blog/for-professionals/vliyanie-fundamentalnih-faktorov-na-kurs-kriptovalyut/, свободный - Загл. с экрана..

Именно поэтому, первым рассмотренным событием в данном анализе стал именно сентябрьский кризис криптовалют. Проявление кризиса не закончилось на 4 сентября: другой масштабный удар по криптовалюте был нанесён 14 сентября в том же Китае. На этот раз закон ограничил не только новые криптовалюты, но и вполне существующие: криптовалютным биржам запретили регистрировать новых пользователей. Во второй половине сентября курс как Bitcoin, так и других популярных криптовалют оказался значительно ниже прогнозируемого уровня. Если 1 сентября один Bitcoin можно было приобрести за 4911.74 долларов США, то 24 сентября его стоимость составила 3703 доллара, что составляет 75% от первоначальной стоимости.

Данное событие сказалось и на других криптовалютах, что являлось логичным результатом, так как ограничения затронули весь криптовалютный рынок. Если взять Ethereum, то его стоимость на 1 сентября составляла 391.42 доллара. Минимальной стоимости за месяц он достиг 14 сентября в день приостановки торгов на бирже, когда его стоимость составляла 223.14 доллара, или 57% от стоимости в начале месяца. Однако к 24 сентября, когда стоимость Bitcoin всё ещё продолжала снижаться, стоимость Ethereum возросла до 282.6 долларов, или 72% от стоимости в начале месяца.

Иными словами, если Bitcoin продемонстрировал достаточно плавное и затяжное снижение цены в течение сентября, то Ethereum, обрушившись достаточно сильно, сразу же начал медленное восстановление.

Что касается Ripple, то стоимость криптовалюты также снизилась в течение сентября. В отличие от других криптовалют, даже в конце месяца Ripple всё равно продолжала стоить больше, чем в середине августа. Общая потеря стоимости 24 сентября по сравнению с началом месяца составила около 30%.

3.1.1 Модель для Bitcoin

Для анализа влияния сентябрьского криптовалютного кризиса на обменный курс Bitcoin была построена двухфакторная регрессионная модель на двухмесячном «окне оценки» с 1 июля 2017 года по 31 августа 2017 года. Все факторы в модели оказались значимыми, а коэффициент детерминации составил 0.8487 ( - 0.8436).

Price = -345817.3 + 0.0035766 * Transactions + 0.0211248 * Supply,

где Price - моделируемая стоимость Bitcoin, Transactions - число транзакций в день и Supply - общий объем Bitcoin, доступный на рынке.

Таблица 5

Результаты моделирования Bitcoin

	0.8487
	0.8436
Transactions p-value	0.000
Supply p-value	0.005
P-value константы	0.000

[Источник: данные получены автором работы по результатам моделирования с использованием программ Stata и Microsoft Excel]

На основе данной модели были получены расчётные значения цены Bitcoin в окне события. Расчётные значения действительно превзошли фактические значения стоимости криптовалюты, и изначально заданный тренд практически не претерпевал изменений в дни сентябрьского криптовалютного кризиса.



Рис. 6 Сравнение фактической и расчётной цены Bitcoin

[Источник: данные получены автором работы по результатам моделирования с использованием программ Stata и Microsoft Excel]

На графике видно, что до 4 сентября 2017 года фактическая стоимость криптовалюты тесно переплетается с расчётным значением. Оба графика придерживаются одного тренда, а небольшие рывки вверх и вниз чаще всего совпадают у смоделированной и фактической цены. Тем не менее, после 4 сентября 2017 года фактическое значение резко падает. Разрыв становится ещё более очевидным 14 сентября, когда стоимость Bitcoin резко проваливается. При этом видно, что расчётный график в данные даты остаётся стабильным, никак не реагируя на происходящее. Таким образом, можно выдвинуть предположение, что если до 4 сентября факторы, включённые в модель, достаточно точно описывали любые крупные колебания стоимости Bitcoin, то в начале сентября на стоимость Bitcoin стали действовать новые факторы, которые и повлияли на снижение стоимости криптовалюты.

Для проверки данной гипотезы был проведён анализ влияния событий.



Таблица 6

Проведение анализа влияния событий для Bitcoin в сентябре 2017 года

Дата	R	R расч.	AR	CAR	AR знач.	CAR знач.
9/24/2017 0:00	-0.01942	-0.00538	-0.01404	-0.34329	не значима	значима
9/23/2017 0:00	0.038181	-0.00779	0.045968	-0.32925	не значима	значима
9/22/2017 0:00	-0.00585	-0.01163	0.005785	-0.37522	не значима	значима
9/21/2017 0:00	-0.08012	0.022257	-0.10237	-0.381	не значима	значима
9/20/2017 0:00	0.00866	-0.0257	0.034363	-0.27863	не значима	не значима
9/19/2017 0:00	-0.03662	0.053539	-0.09016	-0.31299	не значима	значима
9/18/2017 0:00	0.092699	0.021448	0.071251	-0.22283	не значима	не значима
9/17/2017 0:00	-0.00467	-0.01245	0.007788	-0.29408	не значима	значима
9/16/2017 0:00	-0.00282	-0.0351	0.03228	-0.30187	не значима	значима
9/15/2017 0:00	0.136954	0.026166	0.110788	-0.33415	не значима	значима
9/14/2017 0:00	-0.16198	0.012496	-0.17448	-0.44494	значима	значима
9/13/2017 0:00	-0.0611	0.015227	-0.07632	-0.27046	не значима	не значима
9/12/2017 0:00	-0.00684	0.012128	-0.01897	-0.19414	не значима	не значима
9/11/2017 0:00	-0.01891	0.056355	-0.07526	-0.17517	не значима	не значима
9/10/2017 0:00	-0.01042	-0.01103	0.000603	-0.09991	не значима	не значима
9/9/2017 0:00	0.015034	-0.0361	0.051134	-0.10052	не значима	не значима
9/8/2017 0:00	-0.07388	0.027203	-0.10109	-0.15165	не значима	не значима
9/7/2017 0:00	0.002765	-0.00515	0.007915	-0.05056	не значима	не значима
9/6/2017 0:00	0.034108	0.007748	0.02636	-0.05848	не значима	не значима
9/5/2017 0:00	0.033292	0.017882	0.015409	-0.08484	не значима	не значима
9/4/2017 0:00	-0.06542	0.071759	-0.13717	-0.10025	значима	не значима
9/3/2017 0:00	0.014796	-0.02429	0.039087	0.036928	не значима	не значима
9/2/2017 0:00	-0.06746	-0.02723	-0.04023	-0.00216	не значима	не значима
9/1/2017 0:00	0.034431	0.012531	0.0219	0.03807	не значима	не значима
8/31/2017 0:00	0.033355	0.017185	0.01617	0.01617	не значима	не значима

[Источник: данные получены автором работы по результатам моделирования с использованием программ Stata и Microsoft Excel]

Согласно результатам анализа, несмотря на то, что курс Bitcoin начал снижаться ещё 2 сентября, первое существенное изменение стоимости произошло 4 сентября, в день, когда и было объявлено об ограничениях, введённых по отношению к криптовалютам Криптовалюта обвалилась и рискует схлопнуться: Рынки: Экономика: Lenta.ru [Электронный ресурс] // Интернет-портал «Лента.ру», 2017. Режим доступа: https://lenta.ru/articles/2017/09/15/chinabit/, свободный - Загл. с экрана.. Таким образом, события 4 сентября действительно оказали влияние на стоимость Bitcoin.

Следующее изменение курса, заслуживающее внимания, случилось 14 сентября. В этот день и стало известно о следующем пакете ограничений, введённых китайским центральным банком. 16%-ый убыток в сравнении с ожидаемой 1%-ой доходностью также оказался значимым изменением курса криптовалюты. Более того, накопленное изменение доходности в данный день также превысило лимит: CAR оказались значимыми практически во все дни, начиная с 14 сентября. Таким образом, можно сделать вывод, что данные события оказали существенное влияние на курс криптовалюты. Более того, если ограничения от 4 сентября могли привести лишь к локальному снижению курса, то дополнительный пакет ограничений от 14 сентября привёл к тому, что курс криптовалюты во всей второй половине месяца оказался значительно ниже прогнозного.

3.1.2 Модель для Ethereum

В случае с Ethereum также была построена модель на основе данных за двухмесячный период. Примечательно, что изначальная модель, не содержащая параметра, отвечающего за среднюю сложность блока, и аналогичная модели, использованной для Bitcoin, получила коэффициент детерминации около ~0.65, тогда как включение данного параметра позволило увеличить его до ~0.75.

Тем не менее, коэффициент детерминации в данном случае всё равно был ниже, чем в случае с Bitcoin. Одной из возможных причин для этого может служить то, что по своему устройству Bitcoin является одной из наиболее примитивных криптовалют, тогда как стоимость Ethereum в действительности зависит от большого количества факторов.

Как и в случае с Bitcoin, все факторы в модели оказались значимыми. Значение составило 0.7462, - 0.7330. Итоговый вид модели оказался следующий:

Price = 9661.849 + 0.0004335 * Transactions - 0.0001047 * Supply + 0.1858133 * Difficulty,

где Price - моделируемая стоимость Ethereum, Transactions - число транзакций в день, Supply - общий объем Ethereum, доступный на рынке и Difficulty - средняя сложность блока.

Таблица 7

Результаты моделирования Ethereum

	0.7462
	0.7330
Transactions p-value	0.000
Supply p-value	0.000
Difficulty p-value	0.004
P-value константы	0.004

[Источник: данные получены автором работы по результатам моделирования с использованием программ Stata и Microsoft Excel]

Построенная модель позволяет сравнить расчётные значения стоимости Ethereum в дни сентябрьского криптовалютного кризиса с фактическими ценами в данный период времени.



Рис. 7 Сравнение фактической и расчётной цены Ethereum

[Источник: данные получены автором работы по результатам моделирования с использованием программ Stata и Microsoft Excel]

На графике видно, что ситуация с Ethereum схожа с колебаниями цены, которые произошли с Bitcoin. До 4 сентября два графика идут в тесной связке, придерживаясь одной линии тренда. После наступления первого события расчетный график цены продолжает колебаться вокруг той же линии тренда, тогда как реальная стоимость Ethereum снижается.

В общем и целом, можно также утверждать, что до наступления события модель достаточно точно описывала реальное поведение стоимости Ethereum, однако события 4 и 14 сентября изменили ситуацию.

Тем не менее, в конце месяца разрыв между фактическим и расчетным значением не так и велик. Для получения полного понимания ситуации обратимся к анализу влияния событий, проведенному для данной ситуации.



Таблица 8

Проведение анализа влияния событий для Ethereum в сентябре 2017 года

Дата	R	R расч.	AR	CAR	AR знач.	CAR знач.
9/24/2017	-0.012371566	0.011452204	-0.023823771	-0.390827718	не значима	значима
9/23/2017	0.088233057	-0.005722087	0.093955144	-0.367003948	не значима	значима
9/22/2017	0.02005664	0.238696805	-0.218640166	-0.460959092	значима	значима
9/21/2017	-0.090950769	-0.002806343	-0.088144426	-0.242318927	не значима	не значима
9/20/2017	0.001978799	-0.022516846	0.024495644	-0.154174501	не значима	не значима
9/19/2017	-0.048835412	-0.021879593	-0.026955819	-0.178670145	не значима	не значима
9/18/2017	0.151431889	0.070543718	0.080888171	-0.151714326	не значима	не значима
9/17/2017	0.015364061	-0.088593907	0.103957969	-0.232602497	не значима	не значима
9/16/2017	-0.019570829	-0.089793078	0.070222249	-0.336560466	не значима	значима
9/15/2017	0.163260733	0.093477294	0.069783439	-0.406782715	не значима	значима
9/14/2017	-0.191052784	0.011219874	-0.202272658	-0.476566154	не значима	значима
9/13/2017	-0.062087725	-0.075819893	0.013732167	-0.274293496	не значима	не значима
9/12/2017	-0.012921631	0.076595262	-0.089516893	-0.288025663	не значима	не значима
9/11/2017	-0.004211089	0.059906887	-0.064117976	-0.19850877	не значима	не значима
9/10/2017	-0.015076204	-0.091636796	0.076560592	-0.134390794	не значима	не значима
9/9/2017	-0.009552686	-0.104312519	0.094759833	-0.210951386	не значима	не значима
9/8/2017	-0.085428035	0.059459807	-0.144887842	-0.305711219	не значима	значима
9/7/2017	-0.010474448	-0.04709415	0.036619702	-0.160823378	не значима	не значима
9/6/2017	0.065987293	0.05464691	0.011340383	-0.197443079	не значима	не значима
9/5/2017	0.046888377	-0.009235204	0.056123581	-0.208783463	не значима	не значима
9/4/2017	-0.138317492	0.176550433	-0.314867925	-0.264907044	значима	не значима
9/3/2017	0.004045238	-0.032939446	0.036984685	0.049960882	не значима	не значима
9/2/2017	-0.103188391	-0.076847681	-0.02634071	0.012976197	не значима	не значима
9/1/2017	0.00795715	0.011717626	-0.003760477	0.039316908	не значима	не значима
8/31/2017	0.011644871	-0.031432514	0.043077384	0.043077384	не значима	не значима

[Источник: данные получены автором работы по результатам моделирования с использованием программ Stata и Microsoft Excel]

Согласно проведённому анализу, скачок стоимости 4 сентября действительно является значимым. В отличие от Bitcoin, изменение цены от 14 сентября само по себе значимым не оказалось, однако именно в этот день накопленная разница доходности за весь промежуток времени стала существенной.

3.1.2 Модель для Ripple

В случае с Ripple, как и отмечалось ранее, построить полноценную модель, описывающую стоимость или доходность криптовалюты, не удалось. Именно поэтому было решено использовать модель с фиксированной доходностью, которая была оценена как средняя на том же двухмесячном промежутке.

Расчётное значение доходности составило 0.0026. График ниже демонстрирует изменение стоимости Ripple до и во время наступления сентябрьских событий.

Рис. 8 Фактическая цена Ripple

[Источник: Ripple (XRP) historical data [Электронный ресурс] // Интернет-портал `Coinmarketcap', 2017. Режим доступа: https://coinmarketcap.com/currencies/ripple/historical-data/, свободный - Загл. с экрана.]

Данный график сразу демонстрирует, что ценообразование Ripple отличается от других криптовалют. В отличие от Bitcoin и Ethereum, в июле и большей части августа криптовалюта не испытывает подъем, а наоборот, находится в своеобразном кризисе. При этом скачок цены 4 сентября хоть и присутствует сам по себе, но моментально отыгрывается рынком за 1-2 дня. А вот 14 сентября случился более масштабный «провис», который может оказаться значимым. Для этого рассмотрим результаты анализа влияния событий.

Таблица 10

Проведение анализа влияния событий для Ripple в сентябре 2017 года

Дата	R	R расч.	AR	CAR	AR знач.	CAR знач.
9/24/2017	-0.01177747	0.002634323	-0.014411793	-0.274418604	не значима	значима
9/23/2017	0.025197395	0.002634323	0.022563072	-0.260006811	не значима	значима
9/22/2017	0.010223925	0.002634323	0.007589602	-0.282569883	не значима	значима
9/21/2017	-0.05708937	0.002634323	-0.059723692	-0.290159486	не значима	значима
9/20/2017	-0.010258584	0.002634323	-0.012892906	-0.230435793	не значима	не значима
9/19/2017	-0.030178955	0.002634323	-0.032813278	-0.217542887	не значима	не значима
9/18/2017	0.063763713	0.002634323	0.06112939	-0.184729609	не значима	не значима
9/17/2017	-0.002912014	0.002634323	-0.005546336	-0.245858999	не значима	значима
9/16/2017	-0.013476108	0.002634323	-0.016110431	-0.240312663	не значима	не значима
9/15/2017	0.104716539	0.002634323	0.102082216	-0.224202233	не значима	не значима
9/14/2017	-0.18364272	0.002634323	-0.186277042	-0.326284449	значима	значима
9/13/2017	-0.039206318	0.002634323	-0.041840641	-0.140007407	не значима	не значима
9/12/2017	-0.02395997	0.002634323	-0.026594293	-0.098166766	не значима	не значима
9/11/2017	0.006618755	0.002634323	0.003984432	-0.071572473	не значима	не значима
9/10/2017	0.014457487	0.002634323	0.011823165	-0.075556905	не значима	не значима
9/9/2017	-0.007200333	0.002634323	-0.009834655	-0.08738007	не значима	не значима
9/8/2017	-0.054203184	0.002634323	-0.056837506	-0.077545415	не значима	не значима
9/7/2017	-0.011256223	0.002634323	-0.013890545	-0.020707908	не значима	не значима
9/6/2017	0.051103913	0.002634323	0.048469591	-0.006817363	не значима	не значима
9/5/2017	0.049866321	0.002634323	0.047231998	-0.055286954	не значима	не значима
9/4/2017	-0.104203906	0.002634323	-0.106838229	-0.102518952	не значима	не значима
9/3/2017	0.009449903	0.002634323	0.00681558	0.004319277	не значима	не значима
9/2/2017	-0.087774017	0.002634323	-0.09040834	-0.002496303	не значима	не значима
9/1/2017	-0.027974025	0.002634323	-0.030608348	0.087912036	не значима	не значима
8/31/2017	0.121154706	0.002634323	0.118520384	0.118520384	не значима	не значима

[Источник: данные получены автором работы по результатам моделирования с использованием программ Stata и Microsoft Excel]

Как и отмечалось ранее, Ripple совершенно иначе повела себя в начале кризиса, 4 сентября. В период времени с 4 по 14 сентября не наблюдалось никаких значимых изменений цен, ни при рассматривании каждого дня отдельно, ни при рассматривании накопленных разниц доходности.

А вот 14 сентября происходит действительно значимое падение стоимости криптовалюты, после которого доходность Ripple находится ниже ожидаемого уровня до конца рассматриваемого промежутка времени.

Подводя итог, можно отметить, что криптовалютный кризис повлиял на все три рассматриваемых актива. Тем не менее, каждая криптовалюта отреагировала на данное событие по-своему. Если Bitcoin продолжал понемногу терять в течение всего сентября, то Ethereum испытала большое падение, после которого криптовалюта постепенно отыгрывала потерянную стоимость. Ripple и вовсе практически никак не отреагировал на события 4 сентября, упав лишь в начале торгов.

3.2 Легализация криптовалюты в Японии в начале 2017 года

Если предыдущее событие достаточно явно раскрыло влияние запретов и ограничений в крупных странах-пользователях криптовалюты, то следующее событие связано с проявлением обратного эффекта. Одна из самых крупных новостей, касающихся легализации криптовалюты, случилась в начале 2017 года на территории другой азиатской страны, Японии, которая также изначально была сильно вовлечена в майнинг и инвестиции в криптовалюту.

Помимо частных инвесторов, стремящихся заработать на Bitcoin, в Японии существует и большое количество фирм, которые с энтузиазмом восприняли идею об использовании криптовалюты для взаиморасчётов Япония легализовала криптовалюты [Электронный ресурс] // N+1, 2017. Режим доступа: https://nplus1.ru/news/2017/05/13/legalize/, свободный - Загл. с экрана.. Использование подобного метода имеет определённые преимущества над традиционными банковскими переводами: в первую очередь, это высокая скорость платежей и низкие комиссии. Смарт-контракты, использующиеся в Ethereum, также позволяют автоматизировать взаиморасчёты между компаниями.

Отдельное внимание было уделено и использованию криптовалют для повседневных расчётов. В Японии моментально появились рестораны и бары, принимающие Bitcoin к оплате, и хотя стоимость продуктов и услуг оказывалась чуть выше, чем в случае с фиатными деньгами, многие энтузиасты моментально взяли данный способ оплаты на вооружение Биткоин в Японии - ожидания и реальность [Электронный ресурс] // Bits Media, 2017. Режим доступа: https://bits.media/news/bitkoin-v-yaponii-ozhidaniya-i-realnost/, свободный - Загл. с экрана..

Сам закон, согласно которому с 1 апреля 2017 года криптовалюты официально приравнивались к платёжному средству на территории страны, был принят 27 февраля Bitcoin goes legit in Japan - will be legal currency starting in April [Электронный ресурс] // Интернет-портал `Disruptive Asia', 2017. Режим доступа: https://disruptive.asia/bitcoin-legit-japan/, свободный - Загл. с экрана.. При этом, статус йены в качестве единственной официальной валюты не оспаривался, однако Bitcoin и другие криптовалюты были серьёзно расширены в правах. Более того, данное решение фактически означало, что в ближайшее время криптовалютам не угрожают никакие законодательные ограничения на территории Японии. В связи с этим, прогнозы инвесторов относительно инвестиций в криптовалюту значительно улучшились Bitcoin goes legit in Japan - will be legal currency starting in April [Электронный ресурс] // Интернет-портал `Disruptive Asia', 2017. Режим доступа: https://disruptive.asia/bitcoin-legit-japan/, свободный - Загл. с экрана..

При этом нельзя сказать, что данная новость моментально распространилась по сети интернет. Во многих тематических порталах данная информация стала появляться лишь в начале февраля Bitcoin goes legit in Japan - will be legal currency starting in April [Электронный ресурс] // Интернет-портал `Disruptive Asia', 2017. Режим доступа: https://disruptive.asia/bitcoin-legit-japan/, свободный - Загл. с экрана. Countdown: Bitcoin Will Be a Legal Method of Payment in Japan in Two Months [Электронный ресурс] // Интернет-портал `Bitcoin.com', 2017. Режим доступа: https://news.bitcoin.com/countdown-bitcoin-legal-payment-japan-two-months/, свободный - Загл. с экрана.. В данных условиях будет наиболее интересно взглянуть на накопленные сверхдоходности CAR: если информация о легализации не моментально дошла до всех заинтересованных лиц, то многие решения могли быть приняты с опозданием.

3.2.1 Модель для Bitcoin

Построение моделей по данным 2016 года сразу выявило одну интересную особенность, отличающую их от моделей, построенным по данным 2017 года. Для более старых данных переменная, отвечающая за количество транзакций, становилась незначимой, причём это утверждение справедливо как для Bitcoin, так и для Ethereum.

Одной из возможных причин, способной объяснить, почему количество транзакций стало быть значимым лишь в 2017 году, может стать ажиотаж, возникший вокруг криптовалют в течение этого года. Если до 2017 года число пользователей криптовалют в основном включало в себя людей, давно увлечённых данной темой, то в дальнейшем рынок привлек инвесторов-любителей, которые стремились опробовать новую технологию.

Возможен и обратный эффект: раздувание рынка привело к тому, что многие инвестиционные группы, контролирующие существенные доли каждой из криптовалют, получили возможность оказывать влияние на стоимость инструмента.

Тем не менее, в данной ситуации можно лишь констатировать факт: переменная Transactions не является значимой для данных 2016 года, таким образом, модель сократилась до однофакторной и по сути представляет собой лишь возрастающий тренд, что, впрочем, вполне достаточно для проведения анализа влияния событий.



Рис. 9 Сравнение фактической и расчётной цены Bitcoin

[Источник: данные получены автором работы по результатам моделирования с использованием программ Stata и Microsoft Excel]

Таблица 11

Проведение анализа влияния событий для Bitcoin в начале 2017 года

Дата	R	R расч.	AR	CAR	AR знач.	CAR знач.
3/6/2017 0:00	0.003355074	0.002649789	0.000705285	0.209522314	не значима	значима
3/5/2017 0:00	0.003082886	0.002750636	0.000332249	0.208817029	не значима	значима
3/4/2017 0:00	-0.014094029	0.002476075	-0.016570104	0.20848478	не значима	значима
3/3/2017 0:00	0.02042954	0.002840526	0.017589014	0.225054884	не значима	значима
3/2/2017 0:00	0.030193403	0.002962142	0.02723126	0.207465869	не значима	значима
3/1/2017 0:00	0.029416584	0.002724271	0.026692313	0.180234609	не значима	значима
2/28/2017 0:00	-0.002676178	0.002902941	-0.005579119	0.153542296	не значима	значима
2/27/2017 0:00	0.013363009	0.002739665	0.010623344	0.159121415	не значима	значима
2/26/2017 0:00	0.021244494	0.003398038	0.017846456	0.148498071	не значима	значима
2/25/2017 0:00	-0.020649615	0.003198243	-0.023847858	0.130651615	не значима	не значима
2/24/2017 0:00	0.002430937	0.003131413	-0.000700476	0.154499472	не значима	значима
2/23/2017 0:00	0.043441021	0.002889997	0.040551025	0.155199948	не значима	значима
2/22/2017 0:00	-0.000502978	0.002665885	-0.003168863	0.114648923	не значима	не значима
2/21/2017 0:00	0.035983624	0.002673011	0.033310613	0.117817786	не значима	не значима
2/20/2017 0:00	0.030372679	0.002874949	0.02749773	0.084507174	не значима	не значима
2/19/2017 0:00	-0.003651066	0.002609787	-0.006260853	0.057009444	не значима	не значима
2/18/2017 0:00	0.001042396	0.002949554	-0.001907158	0.063270297	не значима	не значима
2/17/2017 0:00	0.019637331	0.00295828	0.016679052	0.065177455	не значима	не значима
2/16/2017 0:00	0.022603527	0.002967057	0.01963647	0.048498404	не значима	не значима
2/15/2017 0:00	0.000539383	0.002738745	-0.002199361	0.028861934	не значима	не значима
2/14/2017 0:00	0.011904335	0.003340966	0.008563369	0.031061296	не значима	не значима
2/13/2017 0:00	-0.000726811	0.003232769	-0.003959579	0.022497927	не значима	не значима
2/12/2017 0:00	-0.008169762	0.002784342	-0.010954105	0.026457506	не значима	не значима
2/11/2017 0:00	0.009751905	0.002772117	0.006979788	0.03741161	не значима	не значима
2/10/2017 0:00	0.023563599	0.002940284	0.020623316	0.030431823	не значима	не значима
2/9/2017 0:00	-0.072477487	0.003391791	-0.075869279	0.009808507	значима	не значима
2/8/2017 0:00	0.002158452	0.002938798	-0.000780345	0.085677785	не значима	не значима
2/7/2017 0:00	0.025484277	0.003048708	0.022435569	0.086458131	не значима	не значима
2/6/2017 0:00	0.009041864	0.00253015	0.006511714	0.064022562	не значима	не значима
2/5/2017 0:00	-0.015675749	0.003228743	-0.018904491	0.057510848	не значима	не значима
2/4/2017 0:00	0.017741297	0.00293272	0.014808577	0.076415339	не значима	не значима
2/3/2017 0:00	0.005372384	0.003043787	0.002328597	0.061606763	не значима	не значима
2/2/2017 0:00	0.028488034	0.003217531	0.025270503	0.059278166	не значима	не значима
2/1/2017 0:00	0.015546497	0.003950359	0.011596138	0.034007663	не значима	не значима
1/31/2017 0:00	0.047251115	0.002992271	0.044258844	0.022411525	значима	не значима
1/30/2017 0:00	0.005727848	0.002980492	0.002747356	-0.021847319	не значима	не значима
1/29/2017 0:00	-0.004758439	0.003468532	-0.008226971	-0.024594675	не значима	не значима
1/28/2017 0:00	0.001123162	0.003166985	-0.002043823	-0.016367704	не значима	не значима
1/27/2017 0:00	0.003628448	0.003554613	7.38353E-05	-0.014323881	не значима	не значима
1/26/2017 0:00	0.025654484	0.003251509	0.022402976	-0.014397717	не значима	не значима
1/25/2017 0:00	0.003061146	0.003135444	-7.42984E-05	-0.036800692	не значима	не значима
1/24/2017 0:00	-0.034436933	0.003145306	-0.037582239	-0.036726394	не значима	не значима
1/23/2017 0:00	0.003777459	0.002921613	0.000855846	0.000855846	не значима	не значима

[Источник: данные получены автором работы по результатам моделирования с использованием программ Stata и Microsoft Excel]

Проведённый анализ подтверждает изначальные предположения, которые выдвигались относительно изменения стоимости в данный промежуток времени. Каких-либо больших скачков стоимости не произошло, и к середине февраля значение CAR продолжало находиться около нуля.

Однако к концу месяца тренд изменился, и стоимость Bitcoin начала расти сильнее, чем предполагал предыдущий тренд. Легализация криптовалюты вполне могла изменить настроения в обществе, которое стало более лояльно относиться к активам, признаваемым в качестве платёжного инструмента технологически развитыми странами.

3.2.2 Модель для Ethereum

Для Ethereum, как и для Bitcoin, переменная, отвечающая за количество транзакций, оказалась незначимой. Тем не менее, две другие переменные, общий объём криптовалюты на рынке и сложность блока, вновь оказались включены в модель.

Рис. 10 Сравнение фактической и расчётной цены Ethereum

[Источник: данные получены автором работы по результатам моделирования с использованием программ Stata и Microsoft Excel]

На графике видно, что с момента начала события разрыв между фактическим и расчётным значением постепенно увеличивался, и к концу февраля данная разница стала очевидной.

Обращает на себя внимание и необычная плавность графика в сравнении с ситуацией, которая имелась при анализе событий сентября 2017 года. Как уже говорилось ранее, на там отрезке переменная, отвечающая за количество транзакций была значима, что может объяснять дополнительные колебания в том промежутке времени.

Таблица 12

Проведение анализа влияния событий для Ethereum в начале 2017 года

Дата	R	R расч.	AR	CAR	AR знач.	CAR знач.
3/6/2017 0:00	0.003355074	0.002649789	0.000705285	0.209522314	не значима	значима
3/5/2017 0:00	0.003082886	0.002750636	0.000332249	0.208817029	не значима	значима
3/4/2017 0:00	-0.014094029	0.002476075	-0.016570104	0.20848478	не значима	значима
3/3/2017 0:00	0.02042954	0.002840526	0.017589014	0.225054884	не значима	значима
3/2/2017 0:00	0.030193403	0.002962142	0.02723126	0.207465869	не значима	значима
3/1/2017 0:00	0.029416584	0.002724271	0.026692313	0.180234609	не значима	значима
2/28/2017 0:00	-0.002676178	0.002902941	-0.005579119	0.153542296	не значима	значима
2/27/2017 0:00	0.013363009	0.002739665	0.010623344	0.159121415	не значима	значима
2/26/2017 0:00	0.021244494	0.003398038	0.017846456	0.148498071	не значима	значима
2/25/2017 0:00	-0.020649615	0.003198243	-0.023847858	0.130651615	не значима	не значима
2/24/2017 0:00	0.002430937	0.003131413	-0.000700476	0.154499472	не значима	значима
2/23/2017 0:00	0.043441021	0.002889997	0.040551025	0.155199948	не значима	значима
2/22/2017 0:00	-0.000502978	0.002665885	-0.003168863	0.114648923	не значима	не значима
2/21/2017 0:00	0.035983624	0.002673011	0.033310613	0.117817786	не значима	не значима
2/20/2017 0:00	0.030372679	0.002874949	0.02749773	0.084507174	не значима	не значима
2/19/2017 0:00	-0.003651066	0.002609787	-0.006260853	0.057009444	не значима	не значима
2/18/2017 0:00	0.001042396	0.002949554	-0.001907158	0.063270297	не значима	не значима
2/17/2017 0:00	0.019637331	0.00295828	0.016679052	0.065177455	не значима	не значима
2/16/2017 0:00	0.022603527	0.002967057	0.01963647	0.048498404	не значима	не значима
2/15/2017 0:00	0.000539383	0.002738745	-0.002199361	0.028861934	не значима	не значима
2/14/2017 0:00	0.011904335	0.003340966	0.008563369	0.031061296	не значима	не значима
2/13/2017 0:00	-0.000726811	0.003232769	-0.003959579	0.022497927	не значима	не значима
2/12/2017 0:00	-0.008169762	0.002784342	-0.010954105	0.026457506	не значима	не значима
2/11/2017 0:00	0.009751905	0.002772117	0.006979788	0.03741161	не значима	не значима
2/10/2017 0:00	0.023563599	0.002940284	0.020623316	0.030431823	не значима	не значима
2/9/2017 0:00	-0.072477487	0.003391791	-0.075869279	0.009808507	значима	не значима
2/8/2017 0:00	0.002158452	0.002938798	-0.000780345	0.085677785	не значима	не значима
2/7/2017 0:00	0.025484277	0.003048708	0.022435569	0.086458131	не значима	не значима
2/6/2017 0:00	0.009041864	0.00253015	0.006511714	0.064022562	не значима	не значима
2/5/2017 0:00	-0.015675749	0.003228743	-0.018904491	0.057510848	не значима	не значима
2/4/2017 0:00	0.017741297	0.00293272	0.014808577	0.076415339	не значима	не значима
2/3/2017 0:00	0.005372384	0.003043787	0.002328597	0.061606763	не значима	не значима
2/2/2017 0:00	0.028488034	0.003217531	0.025270503	0.059278166	не значима	не значима
2/1/2017 0:00	0.015546497	0.003950359	0.011596138	0.034007663	не значима	не значима
1/31/2017 0:00	0.047251115	0.002992271	0.044258844	0.022411525	значима	не значима
1/30/2017 0:00	0.005727848	0.002980492	0.002747356	-0.021847319	не значима	не значима
1/29/2017 0:00	-0.004758439	0.003468532	-0.008226971	-0.024594675	не значима	не значима
1/28/2017 0:00	0.001123162	0.003166985	-0.002043823	-0.016367704	не значима	не значима
1/27/2017 0:00	0.003628448	0.003554613	7.38353E-05	-0.014323881	не значима	не значима
1/26/2017 0:00	0.025654484	0.003251509	0.022402976	-0.014397717	не значима	не значима
1/25/2017 0:00	0.003061146	0.003135444	-7.42984E-05	-0.036800692	не значима	не значима
1/24/2017 0:00	-0.034436933	0.003145306	-0.037582239	-0.036726394	не значима	не значима
1/23/2017 0:00

Подобные документы

• Криптовалюта Bitcoin как новейшая форма денег в современной экономике

  Фактографическая информация о формах денег как сущности и основы валютной системы разных времен. Принципы работы криптовалюты Bitcoin. Исследование положения и статуса цифровых форм денег. Обоснование методики получения экспертных оценок криптовалюты.
  
  курсовая работа [574,6 K], добавлен 04.05.2014
  

• Цели и факторы ценообразования

  Рассмотрение сущности денег. История изменения форм стоимости, видов цены (розничная, оптовая, закупочная). Определение понятия, целей (максимальный объем продаж с минимальной потерей равновесия), факторов (затраты, спрос, конкуренция) ценообразования.
  
  презентация [58,8 K], добавлен 10.04.2010
  

• Налог на добавленную стоимость: особенности определения налоговой базы

  Определение даты реализации товаров (работ, услуг) и роль счета-фактуры в расчете налога на добавленную стоимость. Анализ роли налога на добавленную стоимость в формировании доходов бюджета. Налоговый период и ставки налога на добавленную стоимость.
  
  курсовая работа [183,0 K], добавлен 19.11.2014
  

• Обзор перспективных блокчейн-проектов

  Изучение истории создании и принципов работы блокчейна как выстроенной цепочки информационных блоков, предназначенных для осуществления транзакций криптовалют. Анализ блокчейна электросетей на примере Эфириум. Раскрытие разницы между Bitcoin и Ethereum.
  
  курсовая работа [1,3 M], добавлен 25.04.2019
  

• Налог на добавленную стоимость в Российской Федерации

  Классификация налогов в РФ; история возникновения, принцип и особенности взимания НДС. Анализ сущности налогообложения добавленной стоимости, механизм взимания, виды ставок; определение объема доходов от налога. Пути реформирования налоговой системы РФ.
  
  курсовая работа [178,7 K], добавлен 09.02.2011
  

• Налог на добавленную стоимость

  Особенности косвенного налогообложения: российский и зарубежный опыт. Анализ экономического содержания, роли и функций налога на добавленную стоимость. Изучение порядка исчисления налога на добавленную стоимость, вносимого в бюджет и сроков его уплаты.
  
  контрольная работа [40,5 K], добавлен 21.09.2013
  

• Содержание, особенности исчисления и регулирующая роль налога на добавленную стоимость

  Налог на добавленную стоимость как один из важнейших налогов, история его становления и развития, содержание и основные элементы. Современное состояние и механизм исчисления налога; анализ поступлений в консолидированный бюджет; пути совершенствования.
  
  курсовая работа [53,7 K], добавлен 12.11.2014
  

• Особенности исчисления, уплаты и учета налога на добавленную стоимость

  Сущность, налогоплательщики и элементы налога на добавленную стоимость (НДС). Налоговый учет хозяйственных операций организации. Определение суммы налога на добавленную стоимость, подлежащую уплате в бюджет. Цели и задачи налогового планирования.
  
  курсовая работа [82,3 K], добавлен 22.09.2011
  

• Криптографические протоколы на основе скриптов Bitcoin

  Bitcoin как пиринговая система электронной наличности, использующая одноименную цифровую валюту. Характеристика протокола Zerocash, анализ особенностей. Знакомство с операционной системой криптофинансовой сферы. Рассмотрение систем электронных транзакций.
  
  курсовая работа [518,7 K], добавлен 25.05.2015
  

• Налог на добавленную стоимость как составляющая часть цены

  Виды налогов. Налог на добавленную стоимость в системе косвенных налогов Республики Узбекистан. Влияние НДС на деятельность производственных предприятий по цепочке создания стоимости. Анализ изменений в системе налогообложения Республики Узбекистан.
  
  курсовая работа [120,9 K], добавлен 29.05.2019
  

• главная
• рубрики
• по алфавиту
• вернуться в начало страницы
• вернуться к началу текста
• вернуться к подобным работам