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

Sintesi Tecnica: Reti dirette pesate dipendenti dal tempo delle interazioni tra criptovalute da rendimenti ad alta frequenza

Problema e Motivazione
I mercati delle criptovalute operano come un sistema complesso e interagente, caratterizzato da una governance decentralizzata, scambi continui e marcate fluttuazioni di prezzo su molteplici scale temporali. A differenza dei mercati finanziari tradizionali, questi asset non sono isolati; essi formano una rete dinamica in cui l'informazione e gli shock si propagano tramite il sentiment condiviso, l'arbitraggio e influenze esterne. Mentre studi precedenti hanno esaminato le reti di criptovalute utilizzando dati a livello di transazione o finestre temporali brevi, vi è la necessità di comprendere l'evoluzione temporale delle interazioni causali utilizzando dati ad alta frequenza su periodi estesi. Questo studio affronta la sfida di quantificare il flusso di influenza tra gli asset e caratterizzare la stabilità strutturale (o la sua mancanza) dell'ecosistema delle criptovalute dal 2020 al 2025.

Metodologia
Gli autori costruiscono reti dipendenti dal tempo, dirette e pesate basate su dati di prezzo ad alta frequenza ottenuti dall'exchange Kraken Crypto. La metodologia procede attraverso i seguenti passaggi:

1. Pre-elaborazione dei Dati:

   • Fonte: Dati a livello di scambio (timestamp, prezzi in USD, volumi) dal 2020 a marzo 2025.
   • Aggregazione: I prezzi sono aggregati in intervalli di 1 minuto utilizzando il Volume-Weighted Average Price (VWAP).
   • Rendimenti: I rendimenti logaritmici sono calcolati come $R(t) = \log P(t + \Delta t) - \log P(t)$, dove $\Delta t = 1$ minuto.
   • Stazionarietà: Viene applicato il test di Dickey–Fuller aumentato (ADF) per garantire la stazionarietà. Circa il 99,06% dei dati è confermato strettamente stazionario; le istanze non stazionarie (prezzi obsoleti/stale pricing) sono escluse.
   • Suddivisione in finestre (Windowing): La serie temporale è divisa in finestre settimanali non sovrapposte (10.080 punti dati ciascuna), che risultano in 275 reti settimanali.

2. Costruzione della Rete:

   • Causalità di Granger (GC): Le interazioni sono inferite utilizzando il framework GC. Per ogni coppia di asset $(X, Y)$, un modello autoregressivo ristretto (utilizzando solo il passato di $Y$) viene confrontato con un modello completo (includendo il passato di $X$).
   • Definizione del Peso: La forza della GC è quantificata come il rapporto di log-varianza dei residui: $G_{X \to Y} = \ln(\sigma^2_r / \sigma^2_f)$.
   • Test di Significatività: Per affrontare il problema dei test multipli inerente ai confronti a coppie ($N(N-1)$ test), viene applicata la procedura di Benjamini–Hochberg (BH) per controllare il tasso di falsa scoperta (FDR) a $q=0,05$. I collegamenti vengono mantenuti solo se i loro p-value soddisfano la soglia BH.
   • Controllo di Robustezza: Per garantire che i collegamenti riflettano una genuina influenza a coppia piuttosto che un co-movimento guidato da uno shock di mercato comune, gli autori ripetono l'analisi dopo aver rimosso tramite regressione la prima componente principale (PC1) della matrice dei rendimenti.

3. Analisi:

   • Le proprietà statistiche dei rendimenti (code pesanti) sono analizzate utilizzando le Funzioni di Distribuzione Cumulata Complementare (CCDF).
   • L'eterogeneità della rete è valutata tramite i pesi dei collegamenti e le forze nodali (forza in entrata $s_{in}$ e forza in uscita $s_{out}$).
   • L'evoluzione temporale è tracciata classificando gli asset in base alla loro forza in uscita media trimestrale.

Risultati Chiave

• Proprietà Statistiche dei Rendimenti: I rendimenti logaritmici normalizzati a 1 minuto esibiscono distribuzioni a code pesanti coerenti con i fatti stilizzati dei mercati finanziari. Sia le code positive che quelle negative seguono una forma a legge di potenza $P(r) \sim r^{1-\gamma}$. Gli esponenti stimati ($\gamma \approx 3,66 - 4,08$) sono più elevati di quelli riportati in studi precedenti (ad esempio, $\gamma \approx 3$ per Bitcoin), suggerendo cambiamenti strutturali e maturazione del mercato.
• Eterogeneità della Rete: Le reti risultanti mostrano una pronunciata eterogeneità. Sia i pesi dei collegamenti che le forze nodali seguono distribuzioni ampie e a code pesanti, indicando che un piccolo sottoinsieme di criptovalute contribuisce in modo sproporzionato al flusso totale di influenza.
• Relazione di Scaling: Esiste una forte correlazione positiva tra la forza in uscita del nodo ($s_{out}$) e la forza in entrata ($s_{in}$). Tuttavia, la relazione è sublineare, seguendo una legge di potenza $s_{out} \sim s_{in}^{\alpha}$ con $\alpha = 0,909$. Ciò indica che, sebbene i nodi altamente connessi siano influenti in entrambe le direzioni, l'aumento dell'influenza in uscita è più lento rispetto al lineare rispetto all'influenza in entrata. Questa scalatura sublineare è confermata essere una proprietà strutturale, non un artefatto della liquidità dell'asset (volume scambiato).
• Dinamiche Temporali e Classifica:
  • Ethereum (ETH): Occupa costantemente la posizione di vertice nelle classifiche di influenza durante tutto il periodo 2020–2025, riflettendo una dominanza sostenuta.
  • Bitcoin (XBT): Mostra un declino graduale della rilevanza relativa nel tempo.
  • Volatilità: La struttura della classifica esibisce una sostanziale variabilità temporale. A differenza dei nodi "super-stabili" trovati in altri sistemi complessi, le posizioni di vertice sono frequentemente occupate da diversi asset. Nell'arco di cinque anni, 17 criptovalute distinte sono apparse nei primi cinque posti.
  • Eventi di Mercato: La composizione degli asset in cima alla classifica cambia significativamente, in particolare tra il Q3 2022 e il Q1 2025, in coincidenza con eventi come il collasso di FTX e le azioni normative (ad esempio, la causa della SEC contro Ripple).
• Robustezza: La struttura della rete, inclusi le forze nodali e i pesi dei collegamenti, rimane pressoché invariata (correlazione di Spearman $\rho > 0,99$) dopo la rimozione del fattore di mercato comune (PC1), confermando che i collegamenti di causalità di Granger inferiti rappresentano genuine interazioni a coppie.

Significatività e Rivendicazioni
L'articolo sostiene di fornire una ricostruzione più rigorosa e temporalmente dettagliata delle reti di influenza delle criptovalute rispetto al lavoro precedente (specificamente Scagliarini et al., 2021). Estendendo l'analisi da una finestra di 2 anni a 5 anni e aumentando l'universo degli asset da circa 30 a circa 390 monete, lo studio rivela un'organizzazione altamente competitiva e non stazionaria dell'ecosistema delle criptovalute.

I contributi chiave includono:

1. Gerarchia Dinamica: Scoprire una gerarchia in evoluzione dinamica dove la dominanza si sposta da Bitcoin a Ethereum, contrastando con le scoperte di gerarchie stabili in altri sistemi.
2. Scalatura Sublineare: Identificare una relazione di scalatura sublineare non banale e precedentemente non riportata tra forza in entrata e forza in uscita, puntando a un'asimmetria intrinseca nella propagazione dell'influenza.
3. Rigore Metodologico: Dimostrare l'efficacia della combinazione di dati ad alta frequenza con rigorosi test di stazionarietà e correzione FDR per mappare il flusso di influenza.

Gli autori concludono che il mercato delle criptovalute è intrinsecamente dinamico, con l'influenza che viene continuamente ridistribuita tra gli asset, e che i framework basati sulla rete sono strumenti efficaci per identificare questi driver di comportamento del mercato in mutamento.