💰 quantitative finance

Time-dependent weighted directed networks of cryptocurrency interaction from high-frequency returns

Unter Verwendung von Hochfrequenzdaten aus dem Zeitraum von 2020 bis 2025 konstruiert diese Studie auf Basis von Granger-Kausalität zeitabhängige gewichtete gerichtete Netzwerke, um eine dynamisch evolvierende Hierarchie in den Kryptowährungsmärkten aufzuzeigen, in der Ethereum Bitcoin konsequent als den einflussreichsten Vermögenswert übertrifft, was die kompetitive und instabile Natur des Ökosystems hervorhebt.

Ursprüngliche Autoren: Shubhangam Shukla, Mahesh Peyyala, Abhijit Chakraborty

Veröffentlicht 2026-06-25

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Shubhangam Shukla, Mahesh Peyyala, Abhijit Chakraborty

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich den Kryptowährungsmarkt nicht als eine Sammlung isolierter Münzen vor, sondern als eine geschäftige, chaotische Stadt, in der jede Münze wie eine Person ist, die ständig mit allen anderen spricht. Manche Menschen sind laut und einflussreich und schreien Neuigkeiten heraus, die andere zur Reaktion bewegen. Andere sind stille Zuhörer oder sprechen vielleicht nur, wenn die „Lauten“ sprechen.

Dieses Papier ist wie eine Detektivgeschichte, bei der die Autoren eine spezielle Art von „Mikrofon“ benutzt haben, um den Gesprächen zwischen diesen Münzen über fünf Jahre hinweg (2020–2025) zuzuhören. Hier ist das, was sie herausgefunden haben, einfach erklärt:

1. Das Setup: Dem Flüstern lauschen

Die Forscher haben nicht nur auf den Preis einer Münze geschaut; sie haben untersucht, wie sich der Preis jede einzelne Minute bewegte. Sie behandelten diese Preisbewegungen wie ein Gespräch. Wenn der Preis von Coin A springt, springt der Preis von Coin B einen Moment später auch?

Sie verwendeten ein statistisches Werkzeug namens Granger-Kausalität. Betrachten Sie dies als einen „Vorhersage-Test“. Er fragt: „Wenn ich weiß, was in der Vergangenheit mit Coin A passiert ist, kann ich besser vorhersagen, was Coin B tun wird, als wenn ich nur raten würde?“ Wenn die Antwort ja lautet, ziehen sie einen Pfeil von A nach B und sagen: „A beeinflusst B.“

2. Das Rauschen: Wilde Schwankungen

Zuerit überprüften sie die „Stimme“ der Münzen. Sie fanden heraus, dass Preisänderungen wild und unvorhersehbar sind. Meistens flüstern die Münzen, aber gelegentlich schreien sie.

Die Analogie: Stellen Sie sich einen ruhigen See vor, der plötzlich massive, seltene Tsunamis erlebt. Das Papier fand, dass diese „Tsunamis“ (riesige Preissprünge oder -stürze) häufiger vorkommen, als man es in einer normalen, ruhigen Welt erwarten würde. Dies ist ein gemeinsames Merkmal von Finanzmärkten, ist hier aber sehr ausgeprägt.

3. Die Landkarte: Eine einseitige Stadt

Als sie kartierten, wer wen beeinflusst, fanden sie keinen Kreis von Gleichen. Sie fanden eine sehr ungleiche Hierarchie.

Die Analogie: Stellen Sie sich eine Stadt vor, in der 90 % der Menschen stille Nachbarn sind, aber eine winzige Gruppe von 5 % Megafon-schwingenden Prominenten existiert. Diese wenigen „Promi-Coins“ sind für fast den gesamten Lärm und den Einfluss in der Stadt verantwortlich.
Das Ergebnis: Das Netzwerk ist „heterogen“, was bedeutet, dass der Einfluss nicht gleichmäßig verteilt ist. Eine Handvoll Münzen treibt die Marktdynamik voran.

4. Das Ranking: Der wechselnde Thron

Der spannendste Teil der Studie ist, wie sich die „Anführer“ im Laufe der Zeit veränderten. Die Autoren rankten die Münzen basierend darauf, wie sehr sie andere beeinflussten (ihre „Out-Strength“).

Ethereum (ETH): Diese Münze war über die gesamten fünf Jahre der unangefochtene König. Sie besetzte konsistent den ersten Platz. Die Autoren vermuten, dass dies daran liegt, dass sich Ethereum ständig weiterentwickelt (wie etwa seinen Motor auf ein neues, effizienteres System aufrüstet) und so das Vertrauen in seine Zukunft stärkt.
Bitcoin (XBT): Einst der klare Anführer, ist Bitcoins relativer Einfluss langsam abgeebbt. Es ist immer noch ein Riese, aber es ist nicht mehr der Einzige, der das Sagen hat.
Der Umschlag: Die Top-5-Plätze waren eine Drehtür. Münzen wie Ripple (XRP) starteten stark, gerieten aber aus der Gunst (teils aufgrund rechtlicher Probleme mit Regulierungsbehörden). Neuere Münzen wie Solana (SOL) kletterten schnell in den Rang auf.
Die große Lektion: Im Gegensatz zu anderen komplexen Systemen (wie dem menschlichen Gehirn oder dem Internet), in denen die „Superstars“ Jahrzehnte lang Superstars bleiben, ist der Kryptomarkt eine hochkompetitive Reality-Show. Die Spitzenposition wechselt häufig, und niemand ist sicher vor der Ablösung.

5. Der „Echo“-Check: Ist es echter Einfluss?

Ein Skeptiker könnte fragen: „Vielleicht reden diese Münzen gar nicht miteinander; vielleicht reagieren sie alle nur gleichzeitig auf dieselben großen Nachrichten (wie einen Markteinbruch).“

Um dies zu testen, entfernten die Forscher das „gemeinsame Hintergrundrauschen“ (die allgemeine Marktstimmung) aus ihren Daten und führten den Test erneut durch.

Das Ergebnis: Die Landkarte sah fast identisch aus. Dies beweist, dass die gefundenen Verbindungen echte, direkte Gespräche zwischen spezifischen Münzen sind und nicht nur eine Reaktion aller Beteiligten auf das gleiche Wetter.

Zusammenfassung

Dieses Papier sagt uns, dass der Kryptowährungsmarkt ein dynamisches, kompetitives Ökosystem ist. Es ist kein stabiler Club, in dem dieselben Anführer ewig regieren. Stattdessen ist es eine schnelllebige Arena, in der der Einfluss stark von einigen wenigen Schlüsselspielern ausgeht, die Besetzung dieser Spieler sich jedoch ständig ändert. Ethereum hat den Thron in Bezug auf den Einfluss von Bitcoin übernommen, und der Markt bleibt ein Ort konstanter, „Heavy-Tailed“-Volatilität, an dem große Überraschungen jederzeit möglich sind.

Technische Zusammenfassung: Zeitabhängige gewichtete gerichtete Netzwerke der Kryptowährungs-Interaktion aus Hochfrequenzrenditen

Problem und Motivation
Kryptowährungsmärkte operieren als ein komplexes, interagierendes System, das durch dezentrale Governance, kontinuierlichen Handel und ausgeprägte Preisschwankungen über mehrere Zeitskalen hinweg gekennzeichnet ist. Im Gegensatz zu traditionellen Finanzmärkten sind diese Assets nicht isoliert; sie bilden ein dynamisches Netzwerk, in dem Informationen und Schocks über gemeinsames Sentiment, Arbitrage und externe Einflüsse propagieren. Während frühere Studien Kryptowährungsnetzwerke unter Verwendung von Transaktionsebene-Daten oder kürzeren Zeitfenstern untersucht haben, besteht ein Bedarf daran, die zeitliche Entwicklung kausaler Interaktionen mittels Hochfrequenzdaten über längere Zeiträume zu verstehen. Diese Studie adressiert die Herausforderung, den Fluss des Einflusses zwischen Assets zu quantifizieren und die strukturelle Stabilität (oder deren Fehlen) des Kryptowährungs-Ökosystems von 2020 bis 2025 zu charakterisieren.

Methodik
Die Autoren konstruieren zeitabhängige, gerichtete und gewichtete Netzwerke basierend auf Hochfrequenz-Preisdaten, die von der Kraken Crypto Exchange bezogen wurden. Die Methodik gliedert sich in folgende Schritte:

Datenvorverarbeitung:
- Quelle: Handelsdaten auf Transaktionsebene (Zeitstempel, Preise in USD, Volumina) von 2020 bis März 2025.
- Aggregation: Die Preise werden in 1-Minuten-Intervalle unter Verwendung des volumengewichteten Durchschnittspreises (VWAP) aggregiert.
- Renditen: Logarithmische Renditen werden berechnet als $R(t) = \log P(t + \Delta t) - \log P(t)$ , wobei $\Delta t = 1$ Minute.
- Stationarität: Der Augmented Dickey–Fuller (ADF)-Test wird angewendet, um Stationarität sicherzustellen. Ungefähr 99,06 % der Daten werden als streng stationär bestätigt; nicht-stationäre Instanzen (veraltete Preisgestaltung/Stale Pricing) werden ausgeschlossen.
- Fensterung: Die Zeitreihen werden in nicht-überlappende wöchentliche Fenster (jeweils 10.080 Datenpunkte) unterteilt, was zu 275 wöchentlichen Netzwerken führt.
Netzwerkkonstruktion:
- Granger-Kausalität (GC): Interaktionen werden mithilfe des GC-Frameworks abgeleitet. Für jedes Paar von Assets $(X, Y)$ wird ein eingeschränktes autoregressives Modell (das nur die Vergangenheit von $Y$ nutzt) mit einem vollen Modell (das auch die Vergangenheit von $X$ einschließt) verglichen.
- Gewichtedefinition: Die GC-Stärke wird als Logarithmus des Varianzverhältnisses der Residuen quantifiziert: $G_{X \to Y} = \ln(\sigma^2_r / \sigma^2_f)$ .
- Signifikanzprüfung: Um das Problem des multiplen Testens bei paarweisen Vergleichen ( $N(N-1)$ Tests) zu adressieren, wird das Benjamini–Hochberg (BH)-Verfahren angewendet, um die False Discovery Rate (FDR) bei $q=0,05$ zu kontrollieren. Verbindungen werden nur beibehalten, wenn ihre p-Werte den BH-Schwellenwert erfüllen.
- Robustheitsprüfung: Um sicherzustellen, dass Verbindungen echte paarweise Einflüsse widerspiegeln und nicht bloß eine durch einen gemeinsamen Marktschock getriebene Koinzidenz, wiederholen die Autoren die Analyse nach der Regression der ersten Hauptkomponente (PC1) der Renditematrix.
Analyse:
- Statistische Eigenschaften der Renditen (Heavy Tails) werden mittels komplementärer kumulativer Verteilungsfunktionen (CCDF) analysiert.
- Netzwerk-Heterogenität wird über Verbindungsgewichte und Knotenstärken (In-Stärke $s_{in}$ und Out-Stärke $s_{out}$ ) bewertet.
- Die zeitliche Entwicklung wird durch die Rangfolge der Assets basierend auf ihrer durchschnittlichen quartalsweisen Out-Stärke verfolgt.

Kernergebnisse

Statistische Eigenschaften der Renditen: Normalisierte 1-Minuten-Log-Renditen weisen Heavy-Tailed-Verteilungen auf, die konsistent mit den Stylized Facts der Finanzmärkte sind. Sowohl die positiven als auch die negativen Tails folgen einer Potenzgesetzform $P(r) \sim r^{1-\gamma}$ . Die geschätzten Exponenten ( $\gamma \approx 3,66 - 4,08$ ) sind höher als die in früheren Studien berichteten Werte (z. B. $\gamma \approx 3$ für Bitcoin), was auf strukturelle Veränderungen und eine Marktreife hindeutet.
Netzwerk-Heterogenität: Die resultierenden Netzwerke zeigen eine ausgeprägte Heterogenität. Sowohl die Verbindungsgewichte als auch die Knotenstärken folgen breiten, Heavy-Tailed-Verteilungen, was darauf hindeutet, dass eine kleine Teilmenge von Kryptowährungen überproportional zum gesamten Einflussfluss beiträgt.
Skalierungsbeziehung: Es besteht eine starke positive Korrelation zwischen der Knotendurchschnitts-Out-Stärke ( $s_{out}$ ) und der In-Stärke ( $s_{in}$ ). Die Beziehung ist jedoch sublinear und folgt einem Potenzgesetz $s_{out} \sim s_{in}^{\alpha}$ mit $\alpha = 0,909$ . Dies zeigt, dass zwar hoch vernetzte Knoten in beiden Richtungen einflussreich sind, der Zuwachs des ausgehenden Einflusses jedoch langsamer als linear im Verhältnis zum eingehenden Einfluss erfolgt. Diese sublineare Skalierung wurde als strukturelle Eigenschaft bestätigt und ist kein Artefakt der Asset-Liquidität (Handelsvolumen).
Zeitliche Dynamik und Ranking:
- Ethereum (ETH): Belegt über den gesamten Zeitraum von 2020 bis 2025 konsistent die Spitzenposition in den Einflussrankings, was die anhaltende Dominanz widerspiegelt.
- Bitcoin (XBT): Zeigt eine graduelle Abnahme der relativen Bedeutung im Zeitverlauf.
- Volatilität: Die Ranking-Struktur weist eine erhebliche zeitliche Variabilität auf. Im Gegensatz zu „superstabilen“ Knoten in anderen komplexen Systemen werden die Spitzenpositionen häufig von unterschiedlichen Assets besetzt. Über den Fünfjahreszeitraum tauchten 17 verschiedene Kryptowährungen in den Top 5 auf.
- Marktereignisse: Die Zusammensetzung der Top-gerankten Assets verschiebt sich signifikant, insbesondere zwischen Q3 2022 und Q1 2025, was mit Ereignissen wie dem Kollaps von FTX und regulatorischen Maßnahmen (z. B. der SEC-Klage gegen Ripple) korreliert.
Robustheit: Die Netzwerkstruktur, einschließlich Knotenstärken und Verbindungsgewichten, bleibt nahezu unverändert (Spearman-Korrelation $\rho > 0,99$ ), nachdem der gemeinsame Marktfaktor (PC1) entfernt wurde. Dies bestätigt, dass die abgeleiteten Granger-kausalen Verbindungen echte paarweise Interaktionen darstellen.

Bedeutung und Ansprüche
Das Paper beansprucht, eine präzisere und zeitlich detailliertere Rekonstruktion der Einflussnetzwerke von Kryptowährungen im Vergleich zu vorangegangenen Arbeiten (speziell Scagliarini et al., 2021) zu liefern. Durch die Erweiterung der Analyse von einem 2-Jahres-Fenster auf 5 Jahre und die Erhöhung des Asset-Universums von ~30 auf ~390 Coins offenbart die Studie eine hochgradig kompetitive und nicht-stationäre Organisation des Kryptowährungs-Ökosystems.

Zu den Kernbeiträgen gehören:

Dynamische Hierarchie: Aufdeckung einer dynamisch evolvierenden Hierarchie, in der sich die Dominanz von Bitcoin zu Ethereum verschiebt, was im Gegensatz zu den stabilen Hierarchien in anderen Systemen steht.
Sublineare Skalierung: Identifizierung einer bisher nicht berichteten, nicht-trivialen sublinearen Skalierungsbeziehung zwischen In-Stärke und Out-Stärke, die auf eine inhärente Asymmetrie in der Einflusspropagation hindeutet.
Methodische Stringenz: Demonstration der Effektivität der Kombination von Hochfrequenzdaten mit strengen Stationaritätsprüfungen und FDR-Korrektur zur Kartierung des Einflussflusses.

Die Autoren kommen zu dem Schluss, dass der Kryptowährungsmarkt intrinsisch dynamisch ist, wobei der Einfluss kontinuierlich zwischen den Assets umverteilt wird und netzwerkbasierte Frameworks effektive Werkzeuge sind, um diese sich verschiebenden Treiber des Marktverhaltens zu identifizieren.