💰 quantitative finance

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

En utilisant des données à haute fréquence de 2020 à 2025, cette étude construit des réseaux dirigés pondérés dépendants du temps basés sur la causalité de Granger pour révéler une hiérarchie en évolution dynamique dans les marchés de cryptomonnaies où l'Ethereum surpasse systématiquement le Bitcoin en tant qu'actif le plus influent, soulignant la nature compétitive et non stable de l'écosystème.

Auteurs originaux : Shubhangam Shukla, Mahesh Peyyala, Abhijit Chakraborty

Publié 2026-06-25

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Shubhangam Shukla, Mahesh Peyyala, Abhijit Chakraborty

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez le marché des cryptomonnaies non pas comme une collection de pièces isolées, mais comme une ville bouillonnante et chaotique où chaque pièce est une personne qui parle constamment à tout le monde. Certains sont bruyants et influents, criant des nouvelles qui font réagir les autres. D'autres sont des auditeurs silencieux, ou peut-être ne parlent-ils que lorsque les « bruyants » le font.

Ce document est comme une histoire de détective où les auteurs ont utilisé un type spécial de « microphone » pour écouter les conversations entre ces pièces sur cinq ans (2020–2025). Voici ce qu'ils ont trouvé, expliqué en termes simples :

1. La mise en place : Écouter les murmures

Les chercheurs n'ont pas seulement regardé le prix d'une pièce ; ils ont regardé comment le prix bougeait chaque minute. Ils ont traité ces mouvements de prix comme une conversation. Si le prix de la Pièce A bondit, est-ce que le prix de la Pièce B bondit un instant plus tard ?

Ils ont utilisé un outil statistique appelé Causalité de Granger. Voyez cela comme un « test prédictif ». Il demande : « Si je connais ce qui est arrivé à la Pièce A dans le passé, puis-je prédire ce que fera la Pièce B mieux que si je devinais simplement ? » Si la réponse est oui, ils dessinent une flèche de A vers B, disant : « A influence B. »

2. Le bruit : Des variations sauvages

D'abord, ils ont vérifié la « voix » des pièces. Ils ont découvert que les changements de prix sont sauvages et imprévisibles. La plupart du temps, les pièces murmurent, mais occasionnellement, elles hurlent.

L'analogie : Imaginez un lac calme qui subit soudainement de massifs et rares tsunamis. Le document a trouvé que ces « tsunamis » (des sauts ou des chutes de prix gigantesques) se produisent plus souvent que ce que l'on attendrait dans un monde normal et calme. C'est un trait commun aux marchés financiers, mais il est très prononcé ici.

3. La carte : Une ville disproportionnée

Lorsqu'ils ont cartographié qui influence qui, ils n'ont pas trouvé un cercle d'égaux. Ils ont trouvé une hiérarchie très inégale.

L'analogie : Imaginez une ville où 90 % des gens sont des voisins silencieux, mais où un petit groupe de 5 % sont des célébrités munies de mégaphones. Ces quelques « pièces célébrités » sont responsables de la quasi-totalité du bruit et de l'influence dans la ville.
La découverte : Le réseau est « hétérogène », ce qui signifie que l'influence n'est pas partagée équitablement. Une petite poignée de pièces dirige la dynamique du marché.

4. Le classement : Le trône changeant

La partie la plus excitante de l'étude est la façon dont les « leaders » ont changé au fil du temps. Les auteurs ont classé les pièces en fonction de leur degré d'influence sur les autres (leur « force de sortie » ou out-strength).

Ethereum (ETH) : Cette pièce a été le roi incontesté pendant les cinq années entières. Elle s'est systématiquement retrouvée à la 1ère place. Les auteurs suggèrent que c'est parce qu'Ethereum évolue constamment (comme mettre à jour son moteur vers un nouveau système plus efficace), ce qui maintient la confiance des gens dans son avenir.
Bitcoin (XBT) : Autrefois leader clair, l'influence relative de Bitcoin a lentement diminué. C'est toujours un géant, mais il n'est plus le seul à donner les ordres.
Le brassage : Le top 5 était une porte tournante. Des pièces comme Ripple (XRP) ont commencé fort mais ont perdu en popularité (en partie à cause de problèmes juridiques avec les régulateurs). De nouvelles pièces comme Solana (SOL) ont grimpé rapidement dans les rangs.
La grande leçon : Contrairement à d'autres systèmes complexes (comme le cerveau humain ou Internet) où les « superstars » restent des superstars pendant des décennies, le marché des cryptos est une émission de télé-réalité hautement compétitive. La première place change fréquemment, et personne n'est à l'abri d'être remplacé.

5. Le test de l'« écho » : Est-ce une influence réelle ?

Un sceptique pourrait demander : « Peut-être que ces pièces ne se parlent pas entre elles ; peut-être réagissent-elles toutes simplement à la même grande nouvelle (comme un krach boursier) en même temps. »

Pour tester cela, les chercheurs ont supprimé le « bruit de fond commun » (l'humeur générale du marché) de leurs données et ont relancé le test.

Le résultat : La carte ressemblait presque exactement à la même chose. Cela prouve que les connexions qu'ils ont trouvées sont de réelles conversations directes entre des pièces spécifiques, et non pas seulement tout le monde réagissant au même climat.

Résumé

Ce document nous dit que le marché des cryptomonnaies est un écosystème dynamique et compétitif. Ce n'est pas un club stable où les mêmes leaders règnent pour toujours. Au contraire, c'est une arène en mouvement rapide où l'influence coule massivement de quelques acteurs clés, mais où la composition de ces acteurs change constamment. Ethereum a pris la couronne de Bitcoin en termes d'influence, et le marché reste un lieu de volatilité constante à queue lourde où les grandes surprises sont toujours possibles.

Résumé technique : Réseaux dirigés pondérés dépendants du temps des interactions de cryptomonnaies à partir de rendements à haute fréquence

Problématique et motivation
Les marchés de cryptomonnaies fonctionnent comme un système complexe et interactif caractérisé par une gouvernance décentralisée, un trading continu et des fluctuations de prix prononcées sur plusieurs échelles de temps. Contrairement aux marchés financiers traditionnels, ces actifs ne sont pas isolés ; ils forment un réseau dynamique où l'information et les chocs se propagent via le sentiment partagé, l'arbitrage et des influences externes. Alors que des études précédentes ont examiné les réseaux de cryptomonnaies en utilisant des données de transaction ou des fenêtres temporelles courtes, il est nécessaire de comprendre l'évolution temporelle des interactions causales à l'aide de données à haute fréquence sur des périodes étendues. Cette étude aborde le défi de quantifier le flux d'influence entre les actifs et de caractériser la stabilité structurelle (ou l'absence de celle-ci) de l'écosystème des cryptomonnaies de 2020 à 2025.

Méthodologie
Les auteurs construisent des réseaux dépendants du temps, dirigés et pondérés basés sur des données de prix à haute fréquence obtenues de la plateforme d'échange Kraken Crypto. La méthodologie suit les étapes suivantes :

Prétraitement des données :
- Source : Données au niveau des transactions (horodatages, prix en USD, volumes) de 2020 à mars 2025.
- Agrégation : Les prix sont agrégés en intervalles de 1 minute en utilisant le prix moyen pondéré par le volume (VWAP).
- Rendements : Les rendements logarithmiques sont calculés comme $R(t) = \log P(t + \Delta t) - \log P(t)$ , où $\Delta t = 1$ minute.
- Stationnarité : Le test de Dickey–Fuller augmenté (ADF) est appliqué pour garantir la stationnarité. Environ 99,06 % des données sont confirmées strictement stationnaires ; les instances non stationnaires (prix obsolètes) sont exclues.
- Fenêtrage : La série temporelle est divisée en fenêtres hebdomadaires non chevauchantes (10 080 points de données chacune), ce qui donne 275 réseaux hebdomadaires.
Construction du réseau :
- Causalité de Granger (GC) : Les interactions sont déduites via le cadre de la GC. Pour chaque paire d'actifs $(X, Y)$ , un modèle autorégressif restreint (utilisant uniquement le passé de $Y$ ) est comparé à un modèle complet (incluant le passé de $X$ ).
- Définition du poids : La force de la GC est quantifiée comme le rapport des logarithmes des variances des résidus : $G_{X \to Y} = \ln(\sigma^2_r / \sigma^2_f)$ .
- Test de significativité : Pour traiter le problème des tests multiples inhérent aux comparaisons par paires ( $N(N-1)$ tests), la procédure de Benjamini–Hochberg (BH) est appliquée pour contrôler le taux de fausses découvertes (FDR) à $q=0,05$ . Les liens sont conservés uniquement si leurs p-valeurs satisfont le seuil BH.
- Test de robustesse : Pour s'assurer que les liens reflètent une véritable influence par paire plutôt qu'un mouvement conjoint piloté par un choc de marché commun, les auteurs répètent l'analyse après avoir effectué une régression pour éliminer la première composante principale (PC1) de la matrice des rendements.
Analyse :
- Les propriétés statistiques des rendements (queues épaisses) sont analysées à l'aide de fonctions de distribution cumulative complémentaire (CCDF).
- L'hétérogénéité du réseau est évaluée via les poids des liens et les forces nodales (force entrante $s_{in}$ et force sortante $s_{out}$ ).
- L'évolution temporelle est suivie en classant les actifs selon leur force sortante trimestrielle moyenne.

Résultats clés

Propriétés statistiques des rendements : Les rendements logarithmiques normalisés à 1 minute présentent des distributions à queues épaisses conformes aux faits stylisés des marchés financiers. Les deux queues (positive et négative) suivent une forme de loi de puissance $P(r) \sim r^{1-\gamma}$ . Les exposants estimés ( $\gamma \approx 3,66 - 4,08$ ) sont plus élevés que ceux rapportés dans des études antérieures (par exemple, $\gamma \approx 3$ pour le Bitcoin), suggérant des changements structurels et une maturation du marché.
Hétérogénéité du réseau : Les réseaux résultants présentent une hétérogénéité prononcée. Les poids des liens et les forces nodales suivent tous deux des distributions larges à queues épaisses, indiquant qu'un sous-ensemble restreint de cryptomonnaies contribue de manière disproportionnée au flux total d'influence.
Relation d'échelle : Une forte corrélation positive existe entre la force sortante ( $s_{out}$ ) et la force entrante ( $s_{in}$ ). Cependant, la relation est sous-linéaire, suivant une loi de puissance $s_{out} \sim s_{in}^{\alpha}$ avec $\alpha = 0,909$ . Cela indique que bien que les nœuds hautement connectés soient influents dans les deux directions, l'augmentation de l'influence sortante est plus lente que linéaire par rapport à l'influence entrante. Cette mise à l'échelle sous-linéaire est confirmée comme étant une propriété structurelle, et non un artefact de la liquidité des actifs (volume échangé).
Dynamique temporelle et classement :
- Ethereum (ETH) : Occupe systématiquement la première position dans les classements d'influence tout au long de la période 2020–2025, reflétant une domination soutenue.
- Bitcoin (XBT) : Montre un déclin progressif de son importance relative au fil du temps.
- Volatilité : La structure de classement présente une variabilité temporelle substantielle. Contrairement aux nœuds « super-stables » trouvés dans d'autres systèmes complexes, les premières positions sont fréquemment occupées par différents actifs. Sur l'ensemble des cinq années, 17 cryptomonnaies distinctes sont apparues dans le top cinq.
- Événements de marché : La composition des actifs les mieux classés change de manière significative, particulièrement entre le T3 2022 et le T1 2025, coïncidant avec des événements tels que l'effondrement de FTX et les actions réglementaires (par exemple, le procès de la SEC contre Ripple).
Robustesse : La structure du réseau, incluant les forces nodales et les poids des liens, reste pratiquement inchangée (corrélation de Spearman $\rho > 0,99$ ) après la suppression du facteur de marché commun (PC1), confirmant que les liens de causalité de Granger inférés représentent des interactions par paires authentiques.

Signification et revendications
L'article prétend fournir une reconstruction plus rigoureuse et temporellement plus détaillée des réseaux d'influence des cryptomonnaies par rapport aux travaux précédents (spécifiquement Scagliarini et al., 2021). En étendant l'analyse d'une fenêtre de 2 ans à 5 ans et en augmentant l'univers d'actifs d'environ 30 à environ 390 pièces, l'étude révèle une organisation hautement compétitive et non stationnaire de l'écosystème des cryptomonnaies.

Les principales contributions incluent :

Hiérarchie dynamique : Mise en évidence d'une hiérarchie évoluant dynamiquement où la dominance passe du Bitcoin à l'Ethereum, contrastant avec les découvertes de hiérarchies stables dans d'autres systèmes.
Mise à l'échelle sous-linéaire : Identification d'une relation de mise à l'échelle sous-linéaire non triviale et auparavant non rapportée entre la force entrante et la force sortante, pointant vers une asymétrie inhérente dans la propagation de l'influence.
Rigueur méthodologique : Démonstration de l'efficacité de la combinaison de données à haute fréquence avec un test de stationnarité strict et une correction du FDR pour cartographier le flux d'influence.

Les auteurs concluent que le marché des cryptomonnaies est intrinsèquement dynamique, avec une influence continuellement redistribuée entre les actifs, et que les cadres basés sur les réseaux sont des outils efficaces pour identifier ces moteurs changeants du comportement du marché.