CC BY
4
EDN: VGPHEN
Е.В. Королёва - к.э.н., доцент, Санкт-Петербургский Политехнический университет Петра Великого, Санкт-Петербург, Россия, [email protected],
E.V. Koroleva - candidate of economics, associate professor, Peter the Great St Petersburg Polytechnic University, St Petersburg, Russia;
М.Д. Дьяченко - магистрант, Санкт-Петербургский Политехнический университет Петра Великого, Санкт-Петербург, Россия, [email protected],
M.D. Dyachenko - master's student, Peter the Great St Petersburg Polytechnic University, St Petersburg, Russia;
Ю.В. Задолинный - обучающийся, Санкт-Петербургский Политехнический университет Петра Великого, Санкт-Петербург, Россия, [email protected],
Yu.V. Zadolinny - student, Peter the Great St Petersburg Polytechnic University, St Petersburg, Russia.
ЦЕНООБРАЗОВАНИЕ КРИПТОВАЛЮТ: КАКИЕ ФАКТОРЫ СТАТИСТИЧЕСКИ ВАЖНЫ?
CRYPTOCURRENCY PRICING: WHAT FACTORS ARE STATISTICALLY IMPORTANT?
Аннотация. На сегодняшний день интерес к развитию и дальнейшей интеграции криптовалют в мировую валютную систему не уменьшается ни со стороны финансовых учреждений и правительств стран, ни со стороны частных инвесторов. Волатильность и рискованность криптовалют на рынке, отсутствие систематических исследований в научной литературе подчеркивают релевантность проведения исследований в области идентификации факторов, влияющих соответственно на цену и доходность криптовалют. Представленное исследование нацелено на восполнение пробелов и выявлении статистически значимых технических и социально-экономических факторов в отношении ценообразования криптовалют. Для проведения исследования в качестве объекта выбраны цены наиболее популярных на сегодняшний день криптовалют - Ethereum, Ripple, DOGE Coin. Временной период анализа данных составил с 1 января 2017 года по 31 декабря 2022 года. Методологической основой исследования являются общенаучные методы исследования, а также построение корреляционно-регрессионных моделей. Экономические факторы, в основном, находятся в прямой корреляционной зависимости с ценами криптовалют. Тем не менее, по результатам исследования индекс USD показал обратную корреляционную зависимость от цен криптовалют. Социальные факторы, измеренные через новостные публикации, показали неоднозначные результаты. Технические факторы в целом способствуют повышению спроса, что, в конечном счете, приводит к росту цен. Тем не менее, в процессе проведения исследования было выявлено отрицательное влияние технического фактора «Количество уникальных адресов крипто кошельков, участвующих в транзакциях блокчейн сети криптовалюты» на криптовалюту DOGE Coin. Полученные результаты носят как теоретический, так и практико-ориентированный характер и могут быть использованы для дальнейших исследований поведения рынка криптовалют.
Abstract. Today, interest in the development and further integration of cryptocurrencies into the global monetary system does not decrease either on the part of financial institutions and national governments, or on the part of private investors. The volatility and riskiness of cryptocurrencies in the market, the lack of systematic research in the scientific literature emphasize the relevance of conducting research in the field of identifying factors that influence, respectively, the price and profitability of cryptocurrencies. The presented research aims to fill the gaps and identify statistically significant technical and socio-economic factors in relation to the pricing of cryptocurrencies. To conduct the study, the prices of the most popular cryptocurrencies today - Ethereum, Ripple, DOGE Coin were chosen as the object. The time period for data analysis was from January 1, 2017 to December 31, 2022. The methodological basis of the study is general scientific research methods, as well as the construction of correlation and regression models. Economic factors are mainly in direct correlation with the prices of cryptocurrencies. However, according to the results of the study, the USD index showed an inverse correlation with cryptocurrency prices. Social factors measured through news publications have shown mixed results. Technical factors generally contribute to increased demand, which ultimately leads to higher prices. However, during the research, a negative impact of the technical factor "The number of unique addresses of crypto wallets participating in transactions of the cryptocurrency blockchain network" on the DOGE Coin cryptocurrency was revealed. The results obtained are both theoretical and practice-oriented in nature and can be used for further research into the behavior of the cryptocurrency market.
Ключевые слова: цена криптовалют, технические и социально-экономические факторы, регрессионное моделирование.
Keywords: cryptocurrency price, technical and socio-economic factors, regression modeling.
Благодарности: Авторы исследования благодарят Михаила Ивановича Аптекарева за помощь в сборе и анализа информации с использованием инструментов парсинга.
Acknowledgments: The authors of the study thank Mikhail Ivanovich Aptekarev for his assistance in collecting and analyzing information using parsing tools.
Введение
В 2009 году никому не известный пользователь сети Интернет под ником Сатоши Накамото опубликовал документ, содержащий принципы работы технологии блокчейн и концепцию первой мировой криптовалюты Bitcoin [1]. С момента публикации этого документа прошло более 15 лет. В течение этого времени финансовый рынок и технологии бурно развивались, что привело к появлению широкого ряда различных финансовых инструментов. По данным Statista, на сегодняшний день насчитывается более, чем 9 000 криптовалют, которые базируются на различных технологиях, созданы для различных целей, имеют различный уровень безопасности и ликвидности. Тем не менее, необходимо признать следующее: в сравнении с традиционными финансовыми инструментами криптовалюты являются более высокорискованными, а, следовательно, волатильными. Также отметим, что криптовалюты имеют сравнительно недлинную историю существования, что приводит к отсутствию комплексных исследований понимания природы существования данных инструментов. Перечисленные выше аргументы свидетельствуют о повышенном интересе, как со стороны практикующих инвесторов, так и со стороны научного сообщества. В рамках данного исследования будет предпринята попытка восполнения выявленного научного пробела, связанного с анализом влияния различных факторов на ценообразование криптовалют.
В рамках исследования был определен набор факторов социально-экономического и технического характера, который потенциально может оказать существенное влияние на ценообразование криптовалют, и с помощью статистического инструментария оценена степень их влияния. Авторами исследования был построен ряд эконометрических моделей для наиболее популярных криптовалют Ethereum, Ripple, DOGE Coin. Период анализа данных составил с 1 января 2017 года по 31 декабря 2022 года. В итоге было выявлена статистическая значимость следующего набора факторов: индекс USD, фьючерсные контракты на серебро и на нефть марки Brent,
количество уникальных адресов крипто кошельков и монет, находящихся в обращении. Влияние социальных факторов - преимущественно новостного фона не было однозначно доказано в отношении ценообразования криптовалют. Представленные результаты исследования дополняют существующие исследования в области ценообразования криптовалют, а также потенциально могут быть интересны для инвесторов при формировании своих стратегий и портфелей активов.
Теоретические основы исследования
Цена криптовалют, как и цена многих других рыночных активов, является интерсубъективной. Это означает, что пока инвесторы с ней согласны и считают ее справедливой, цена фиксируется на определенном уровне. Как только у инвесторов появляются сомнения в справедливости цены, то это приводит соответственно к изменению цены. Согласно результатам литературного обзора [2-5] факторы, оказывающие влияние на ценообразование криптовалют во многом схожи с факторами, влияющими на изменение цен других финансовых активов (например, акций или традиционных валют). В рамках данного исследования предполагается проверить влияние ряда факторов на цену криптовалют. Факторы классифицированы по трем категориям: экономические, технические и социальные.
Как и традиционные валюты, криптовалюты подчиняются основным экономическим теориям и моделям [6]. Следовательно, они находятся в некоторой зависимости от факторов, связанных с макроэкономической средой и мировыми финансовыми рынками: объем капитализации, цены на другие финансовые активы, объемы совершаемых сделок, инфляция и многие другие.
Категория социальных факторов включает в себя ряд аспектов, связанных с общественным восприятием криптовалют и их принятием. Влияние социальных факторов на цены криптовалют может быть значительным. Так, вдохновленный интернет-мемом с собакой альткойн DOGE Coin внезапно обрел фанбазу после случайно завирусившегося в середине 2020 года видео неизвестного пользователя в одной из социальных сетей. Подобный «памп» для крипторынка довольно обыденное явление, что придает многим криптоактивам черты финансовых пирамид: увеличение их курсовой стоимости удерживается спекулятивным спросом со стороны вновь входящих на рынок участников [7]. Крупные и опытные участники рынка выходят из пирамиды после значительного роста курса, при этом продавая свои активы новым пользователям, которые приобретают криптова-люту в надежде на рост ее цены в будущем и сами своим спросом стимулируют ее рост. При этом концентрация большого количества отдельных криптовалют в руках небольшого круга инвесторов создает возможности для манипулирования ценой [8]. После резкого роста в 2,5 раза от начальной цены альткойн DOGE постепенно лишился ажиотажа и вернулся обратно к значениям середины 2020 года. В 2021 году Илон Маск открыто поддержал проект в нескольких постах в Интернете, в результате чего цена монет выросла с 0,006 до 0,7 долл. США [9]. На данный момент альткойн DOGE Coin обрел признание и основном используется наравне с остальными криптовалютами для переводов и инвестирования [10].
С технической точки зрения, наиболее очевидное влияние на ценообразование криптовалют оказывает эмиссия монет. По характеру эмиссия монет бывает:
— ограниченной и одноразовой. Например, создатели Ripple (XRP) в момент общей эмиссии «заморозили» примерно половину своих монет, чтобы при необходимости потом возвращать их на рынок. Подобный подход позволяет создать искусственный ажиотаж вокруг криптоактива и дать его создателям некоторое время на популяризацию своей технологии и привлечение большего количества инвесторов [11];
— ограниченной и постепенно увеличиваемой за счет майнинга. Наиболее популярный способ эмиссии. Самым ярким примером является первая криптовалюта Bitcoin [12];
— неограниченной и постепенно увеличиваемой за счет майнинга. При таком типе эмиссии выпуск монет за счет майнинга абсолютно не ограничен, однако для защиты актива от обесценивания в будущем разработчики подобных криптовалют постепенно усложняют процесс майнинга для снижения темпа эмиссии, а в некоторых случаях и вовсе уничтожают часть монет из обращения, что так же способствует появлению дефицита. Ярким представителем такого типа эмиссии является вторая по объему капитализации криптовалюта -Ethereum.
Кроме количества уже выпущенных монет и эмиссии новых следует отметить важность такого технического фактора, как количество транзакций. Высокая активность и объем транзакций криптовалюты могут свидетельствовать о популярности и широком использовании данной криптовалюты, что может привлечь больше инвесторов и способствовать росту цены.
Также важным техническим фактором является постоянное обновление и развитие технологии крипто-валюты. Активная работа команды разработчиков над внедрением новых технологий, функций и улучшений в существующую систему может укрепить доверие к проекту и привлечь больше внимания со стороны инвесторов. Инновационные функции и технологические усовершенствования могут дать криптовалюте конкурентное преимущество и поспособствовать ее росту в долгосрочной перспективе.
Если говорить о стейблкойнах, то помимо вышеуказанных факторов, их цена определяется стоимостью обеспечивающих их активов.
В результате проведения литературного обзора авторами исследования был сформирован ряд гипотез о возможном влиянии факторов на ценообразование криптовалют:
H1 Рост рыночных индексов приводит к росту цен криптовалют.
H2 Рост валютных индексов приводит к росту цен криптовалют.
H3 Рост цены фьючерсных контрактов на драгоценные металлы приводит к росту цен криптовалют.
H4 Рост цены фьючерсного контракта на нефть марки Brent приводит к росту цен криптовалют.
H5 Рост оценки новостных публикаций в телеграмм-канале и в поисковых сетях приводят к росту цен криптовалют.
Н6 Рост количества монет, находящихся в публичном обращении, приводит к росту цен криптовалют.
Н7 Рост количества уникальных адресов крипто кошельков приводит к росту цен криптовалют
Анализ исходных данных и методология исследования
Для проведения исследования в качестве объекта выбраны цены наиболее популярных на сегодняшний день криптовалют- альткоинов: Ethereum, Ripple, DOGE Coin. Для получения данных о переменных использовались ежедневные значения зависимых и независимых переменных за период с 1 января 2017 года по 31 декабря 2022 года.
Для тестирования гипотезы H1 в качестве независимых переменных были выбраны следующие рыночные индексы: S&P 500, NASDAQ, MSCI World. Для тестирования гипотезы H2 индекс USD был выбран в качестве ключевого валютного индекса. В гипотезе Н3 исследовались цены фьючерсных контрактов на золото и серебро. Для оценки новостных публикация (гипотеза Н5) были проанализированы различные телеграмм -каналы (РБК-Крипто, MarketTwits).
Источником данных преимущественно является открытая документация интернет-портала CoinGecko, Investing, Google Trends, TradingView и Blockchair. Оценка новостных публикаций проводилась инструментами парсинга, автоматизированными средствами Python. Построение эконометрических моделей осуществлялось в программном пакете Stata.
В таблице 1 представлена описательная статистика для переменных, используемых в рамках исследования.
Таблица 1 - Описательная статистика для зависимых и независимых переменных
Обозначение Характеристика переменной Кол-во наблюдений Среднее значение Стандартное отклонение Минимум Максимум
Зависимые переменные
ETHprice Цена криптовалюты Ethereum 1 489 989.786 1153.806 9.627 4815.01
XRPPrice Цена криптовалюты Ripple 1 489 0.467 0.359 0.005 3.220
DOGEPrice Цена криптовалюты Dogecoin 1 489 0.052 0.093 0.0002 0.66
Независимые переменные
S&P 500 Индекс S&P 500 1 491 3 276.707 716.056 2 237.4 4 796.56
NASDAQ Индекс NASDAQ 1 491 9 709.293 2 997.594 5 429.08 16 057.44
MSCI Индекс MSCI World 1 493 2 366.076 407.333 1 602.11 3 248.12
USD index Индекс USD 1 493 96.286 4.851 88.17 114.047
GOLD Фьючерсный контракт на золото 1 493 1 549.127 260.994 1 162 2 069.4
SILVER Фьючерсный контракт на серебро 1 492 19.422 4.091 11.772 29.418
OIL Фьючерсный контракт на нефть марки Brent 1 493 67.157 18.961 19.33 127.98
Специфические факторы для каждой криптовалюты
Google Оценка уровня интереса пользователей поисковой сети Google к криптовалюте ETH 281 32.629 21.434 2 100
XRP 281 28.178 23.138 0 100
DOGE 281 34.217 21.746 2 100
MarketTwits Оценка новостных публикаций в телеграмм-канале MarketTwits ETH 606 0.295 0.524 -1 1
РБК Оценка новостных публикаций в телеграмм-канале РБК-Крипто ETH 1 117 0.431 0.549 -1 1
Supply Количество монет, находящихся в публичном обращении ETH 1 491 1.08e+08 9587285 8.76e+07 1.22e+08
XRP 1 491 4.32e+10 3.82e+09 3.63e+10 5.05e+10
DOGE 1 491 1.22e+11 8.39e+09 1.08e+11 1.39e+11
Unique addresses Количество уникальных адресов крипто кошельков, участвующих в транзакциях блок-чейн сети криптовалюты ETH 1 491 9.55e+07 6.79e+07 954 595 2.18e+08
XRP 1 491 28 042.41 41 642.9 994 245 373
DOGE 1 491 64 243.8 34 560.09 13 615 752 860
В процессе сбора информации по социальным факторам (оценка новостных публикаций) авторы исследования столкнулись со сложностями сбора информации либо с недостатком новостей по тем или иным крип-товалютам. В связи с этим по ряду криптовалют анализировались только определенные новостные ленты.
Отметим также разноразмерность, наличие потенциальных выбросов и ненормальность распределения данных. В связи с этим, авторами исследования было принято решение прологарифмировать следующие переменные - рыночные индексы S&P 500, NASDAQ, MSCI, а также цены на фьючерсный контракт на золото. Далее для исключения из моделей мультиколлинеарных факторов была построена корреляционная матрица (таблицу 2).
Таблица 2 - Корреляционная матрица
ETH XRP DOGE S&P 500 ln NASDAQ ln MSCI ln USD index GOLD ln SILVER OIL
1 2 3 4 5 6 7 8 9 10 11
S&P 500 ln 0.97 0.55 0.73 1.00
NASDAQ ln 0.92 0.52 0.69 0.98 1.00
MSCI ln 0.95 0.61 0.76 0.99 0.97 1.00
USD index 0.05 -0.32 -0.07 0.10 0.01 -0.02 1.00
GOLD ln 0.66 0.31 0.53 0.86 0.89 0.81 0.10 1.00
Продолжение таблицы
SILVER 0.68 0.39 0.62 0.79 0.83 0.81 -0.16 0.85 1.00
OIL 0.58 0.40 0.41 0.54 0.40 0.53 0.37 0.20 0.19 1.00
Google ETH 0.53 - - 0.51 0.49 0.50 -0.06 0.47 0.48 0.31
XRP - 0.32 - 0.48 0.44 0.44 0.21 0.41 0.29 0.38
DOGE - - -0.06 -0.07 -0.11 -0.08 0.07 -0.10 -0.16 0.09
Market Twits ETH 0.07 - - 0.04 0.07 0.05 -0.08 0.11 0.14 -0.08
РБК ETH 0.27 - - 0.29 0.26 0.26 0.12 0.29 0.24 0.19
Supply ETH 0.85 - - 0.86 0.78 0.77 0.42 0.76 0.57 0.61
XRP - 0.31 - 0.90 0.89 0.83 0.37 0.89 0.66 0.45
DOGE - - 0.58 0.92 0.92 0.86 0.29 0.89 0.68 0.45
Unique addresses ETH 0.86 - - 0.88 0.81 0.79 0.39 0.78 0.61 0.57
XRP - 0.57 - 0.81 0.75 0.79 0.26 0.63 0.52 0.66
DOGE - - 0.25 0.45 0.49 0.45 -0.25 0.38 0.29 0.22
Отметим, в целом коллинеарность между рыночными и валютными индексами, что не позволило нам одновременно протестировать Н1 и Н2. Для выбора факторов при построении моделей для цен трех выбранных криптовалют была заложена идея, что в первичную модель должны быть включены представители исследуемых категорий факторов: экономических, социальных, технических.
Таким образом, для оценки влияния факторов на цену криптовалюты Ethereum предлагается к построению следующая первичная модель:
ETHPriceln = р2 * USDindex + Р3 * SILVER + Р4 * OIL + Р5 * ETHGoogle + Р6 * MarketTwitsETH + Р7 * РБКЕТН + Р8 * ETHuniqueaddressesln + Рх ( )
В случае с криптовалютой Ripple авторы исследования будут ориентироваться на следующую первичную модель, предлагаемую к построению:
XRPPrice = Р2 * USDindex + Р3 * SILVER + Р4 * OIL + Р5 * XRPGoogle + Р6 * XRPuniqueaddressesln + ^ (2)
Для криптовалюты Dogecoin будет построена следующая первичная модель: OGEPrice = Р2 * USDindex + Р3 * SILVER + Р4 * OIL + Р5 * DOGEGoogle + Р6 * DOGEuniqueaddressesln + Р7 (3)
* DOGEsupplyln + ^
Результаты исследования
В таблице 3 представлены итоговые регрессионные модели для анализируемых криптовалют. Таблица 3 - Результаты регрессионного моделирования
Цена криптовалюты ETH XRP DOGE
USD index -0.0924**** -0.0406**** -0.0063****
(0.0057) (0.0014) (0.0005)
SILVER 0.02305*** (0.0087) - 0.0061**** (0.0007)
OIL 0.0279**** 0.0037**** 0.0015****
(0.0008) (0.0005) (0.0001)
Google - - -
MarketTwits - - -
РБК -0.0764***
(0.0285)
Supply - - 0.6071**** (0.0526)
Unique addresses 1 5176**** (0.0732) 01697**** (0.0071) -0.0416**** (0.0053)
cons -15 0575**** 2 5194**** -14 61****
(0.8272) 0.1339 (1.2645)
r2 0.8417 0.5566 0.5293
Adj r2 0.8409 0.5557 0.5277
Root MSE 0.4783 0.2393 0.064
* p < 0.1; ** p < 0.05; *** p < 0.01; **** p < 0.001
Для оценки качества итоговых результатов построенных моделей необходимо было проверить выполня-емость определенных условий и провести ряд тестов. Сначала необходимо было убедиться, что в итоговых моделях отсутствует мультиколлинеарность. Авторами исследования были получены значения VIF в диапазоне до 10, что указывает на наличие умеренной мультиколлинеарности. Также были проведены различные тесты на гомоскедастичность. Результаты указали на неустойчивость моделей для прогнозирования. Исходя из цели исследования, итоговые регрессионные модели не предполагалось использовать для прогнозирования и предлагалось ограничиться только анализом влияния переменных. Анализ линейности остатков выявил достаточную устойчивость моделей.
Исходя из проведенного анализа и представленных результатов в таблице 3 можно сделать следующие выводы:
- для всех трех анализируемых криптовалют наблюдалась обратная связь между ценой и индексом USD, т. е. при увеличении значения индекса цена криптовалюты снижается. Данный результат возможно интерпретировать следующим образом: криптовалюты воспринимаются инвесторами как альтернатива доллару США,
вследствие чего они часто используются для хеджирования в периоды неопределённости на традиционных рынках;
- в случае Ethereum и DOGE Coin была выявлена прямая связь между ценой криптовалют и ценой на фьючерсные контракты на серебро. Это может быть обусловлено тем, что инвесторы довольно часто используют криптовалюты и драгоценные металлы для диверсификации своего портфеля и минимизации рисков;
- для всех трех анализируемых криптовалют наблюдалась обратная связь между ценой и ценой на фьючерсные контракты на нефть. Данная связь обнаружена в силу присутствовавших на рынке положительных настроений и повышенного интереса инвесторов к высокорисковым активам;
- только в случае Ethereum была выявлена значимость социальных факторов, а именно новостных публикаций в телеграмм-канале РБК-Крипто. Более того фактор имеет обратную связь с ценой криптовалюты. Отметим, что авторы канала с некоторым промедлением реагировали на новости и тренды: так в один день может быть опубликована положительная новость, на фоне продолжающегося падения цены криптовалюты, а на следующий - отрицательная новость и рост цены на фоне новости прошлых дней. Кроме этого, каждое утро авторы РБК-Крипто размещают краткую аналитическую справку о состоянии крипторынка в целом, которая воспринималась программой для оценки новостей как положительная новость, из-за чего в исходных данных присутствуют периоды падения цены криптовалюты на положительном новостном фоне;
- в случае DOGE Coin количество монет, находящихся в публичном обращении, находятся в прямой связи с ценой криптовалюты;
- для всех трех анализируемых криптовалют наблюдалась статистически значимая связь между количеством уникальных адресов крипто кошельков и ценой криптовалюты. Для Ethereum и Ripple была выявлена прямая связь. Этот рост свидетельствует о возрастающем спросе на криптовалюту и может привести к повышению ее стоимости. В случае DOGE Coin была выявлена обратная связь. Это может быть обусловлено спекулятивной сущностью монеты и несколькими крупными продажами криптовалюты, которые значительно снизили цену на криптоактив, сохранив при этом рост участников сети.
Заключение
В результате исследования от тестирования гипотезы H1 пришлось отказаться вследствие сильной коллинеарности между рыночными и валютными индексами. Гипотеза H2 была подтверждена в отношении всех анализируемых криптовалют. Гипотеза H3 была протестирована в отношении цен фьючерсных контрактов на серебро и для двух из трех криптовалют подтвердила свою значимость. Гипотеза Н4 также была подтверждена. Отметим, что гипотезы Н1-Н4 ориентировались преимущественно на экономические факторы и доказали в целом статистическую значимость в отношении своего влияния на цены криптовалют. Гипотеза Н5, характеризующая социальные факторы, на взгляд автором, не получила должного подтверждения. Только в случае криптовалюты Ethereum нами была выявлена связь между ценой и оценкой новостной публикации. Гипотезы H6 и Н7 ориентировались на технические факторы и доказали статистическую значимость. Отметим, что характер связи между техническими факторами и ценой криптовалюты зависит от ее цели и назначения.
В целом наибольшее влияние на цену криптовалюты на сегодняшний день оказывают экономические факторы, так как за годы своего существования криптовалюты стали полноценным инвестиционным активом как для частных инвесторов, так и для крупных фондов. Социальные факторы также имеют влияние на крипто-валюты, но со статистической точки зрения на данный момент не до конца обоснованы. Технические факторы также оказывают значимое влияние на формирование цены, особенно для криптовалют, имеющих уникальные рабочие механизмы.
Представленные результаты имеют теоретическую и практическую значимость. Теорети-ческая значимость заключается в дополнении существующей литературы в части анализа вли-яния различных факторов на цену криптовалют. Практическая значимость определяется воз-можностью использования результатов инвесторами при формировании своей стратегии, а также диверсификации портфельных рисков.
Источники:
1. Bitcoin: A Peer-to-Peer Electronic Cash System (Электронный ресурс) / Сатоши Накамото [Электронный ресурс] - Режим доступа: https://bitcoin.org/bitcoin.pdf
2. Абдуллаева Ж. Ж. Факторы, оказывающие влияние на котировку криптовалюты //Инновационные научные исследования: теория, методология, практика. - 2020. - С. 99-105.
3. Хохлов В. В., Чайкина Е. В., Посная Е. А. Экономико-математическая модель зависимости курса криптовалюты от эксплораторных факторов //Финансовые исследования. - 2020. - №. 4 (69). - С. 118-130.
4. Козлова Е. И., Бессонова Д. А. Инвестиционные возможности криптовалюты (на примере Биткоина) //Вестник Удмуртского университета. Серия «Экономика и право». - 2021. - Т. 31. - №. 4. - С. 583-589.
5. Григорян А. А. Формирование курса криптовалют: причина волатильности цифровых денег // СИЛА систем. - 2018. - №. 3. - С. 6-9.
6. Синельникова-Мурылева Е. В., Кузнецова М. Н., Шилов К. Д. Факторные модели доходности криптовалют: подход финансовой теории //Экономическая политика. - 2022. - Т. 17. - №. 1. - С. 8-33.
7. Shilov K., Zubarev A. Не только Bitcoin: таксономия криптовалют в исторической перспективе (Beyond Bitcoin: A Taxonomy of Cryptocurrencies in a Historical Perspective) //Available at SSRN 4472446. - 2023.
8. Haykir O., Yagli I. Speculative bubbles and herding in cryptocurrencies //Financial innovation. - 2022. - Т. 8. - №. 1. - С. 78.
9. Dogecoin / Crypto.ru [Электронный ресурс] - Режим доступа: https://crypto.ru/dogecoin/#istoriya-dogecoin-doge (дата обращения: 01.06.2022).
10. The doge worth 88 billion dollars: A case study of Dogecoin / Albi Nani [Электронный ресурс] - Режим доступа: https://journals.sagepub.com/doi/epub/ 10.1177/13548565211070417 (дата обращения: 01.06.2022).
11. Что такое Ripple? / Binance Academy [Электронный ресурс] - Режим доступа: https://academy.binance.com/ru/articles/what-is-ripple
12. Как майнить Bitcoin? / Binance Academy [Электронный ресурс] - Режим доступа: https://academy.binance.com/ru/articles/how-to-mine-bitcoin
