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

Technische Samenvatting: Tijdgebonden gewogen gerichte netwerken van cryptovaluta-interacties vanuit hoogfrequente rendementen

Probleem en Motivatie
Cryptomarkten opereren als een complex, interagerend systeem dat wordt gekenmerkt door decentrale governance, continue handel en uitgesproken prijsschommelingen over meerdere tijdschalen. In tegenstelling tot traditionele financiële markten zijn deze activa niet geïsoleerd; ze vormen een dynamisch netwerk waarin informatie en schokken zich voortplanten via gedeelde sentimenten, arbitrage en externe invloeden. Hoewel eerdere studies de netwerken van cryptovaluta hebben onderzocht met behulp van transactiegegevens of kortere tijdvensters, is er een behoefte aan het begrijpen van de temporele evolutie van causale interacties met behulp van hoogfrequente gegevens over langere perioden. Deze studie adresseert de uitdaging om de stroom van invloed over activa te kwantificeren en de structurele stabiliteit (of het gebrek daaraan) van het cryptovaluta-ecosysteem van 2020 tot 2025 te karakteriseren.

Methodologie
De auteurs construeren tijdgebonden, gerichte en gewogen netwerken op basis van hoogfrequente prijsgegevens verkregen van de Kraken Crypto Exchange. De methodologie verloopt via de volgende stappen:

1. Data-preprocessing:

   • Bron: Handelsniveau-data (tijdstempels, prijzen in USD, volumes) van 2020 tot maart 2025.
   • Aggregatie: Prijzen worden geaggregeerd in intervallen van 1 minuut met behulp van de Volume-Weighted Average Price (VWAP).
   • Rendementen: Logaritmische rendementen worden berekend als $R(t) = \log P(t + \Delta t) - \log P(t)$, waarbij $\Delta t = 1$ minuut.
   • Stationariteit: De Augmented Dickey–Fuller (ADF) test wordt toegepast om stationariteit te waarborgen. Ongeveer 99,06% van de data wordt bevestigd als strikt stationair; niet-stationaire instanties (verouderde prijsstelling) worden uitgesloten.
   • Venstering: De tijdreeks wordt verdeeld in niet-overlappende wekelijkse vensters (10.080 datapunten elk), wat resulteert in 275 wekelijkse netwerken.

2. Netwerkconstructie:

   • Granger Causaliteit (GC): Interacties worden afgeleid met behulp van het GC-framework. Voor elk paar activa $(X, Y)$ wordt een beperkt autoregressief model (dat alleen het verleden van $Y$ gebruikt) vergeleken met een volledig model (dat ook het verleden van $X$ bevat).
   • Definitie van Gewicht: De GC-sterkte wordt gekwantificeerd als de log-variantieratio van de residuen: $G_{X \to Y} = \ln(\sigma^2_r / \sigma^2_f)$.
   • Significantietoetsing: Om het probleem van meervoudig testen dat inherent is aan paargewijze vergelijkingen ($N(N-1)$ tests) aan te pakken, wordt de Benjamini–Hochberg (BH) procedure toegepast om de False Discovery Rate (FDR) te controleren op $q=0,05$. Koppelingen worden alleen behouden als hun p-waarden aan de BH-drempel voldoen.
   • Robuustheidscontrole: Om te garanderen dat koppelingen werkelijke paargewijze invloed reflecteren in plaats van samenbeweging gedreven door een gemeenschappelijke marktschok, herhalen de auteurs de analyse na het wegregresseren van de eerste hoofdcomponent (PC1) van de rendementenmatrix.

3. Analyse:

   • Statistische eigenschappen van rendementen (heavy tails) worden geanalyseerd met behulp van Complementary Cumulative Distribution Functions (CCDF).
   • Netwerkheterogeniteit wordt beoordeeld via linkgewichten en nodale sterktes (in-sterkte $s_{in}$ en uit-sterkte $s_{out}$).
   • Temporele evolutie wordt gevolgd door activa te rangschikken op basis van hun gemiddelde kwartaalwijze uit-sterkte.

Belangrijkste Resultaten

• Statistische Eigenschappen van Rendementen: Genormaliseerde 1-minuut log-rendementen vertonen heavy-tailed distributies die consistent zijn met de 'stylized facts' van financiële markten. Zowel positieve als negatieve staarten volgen een machtswetvorm $P(r) \sim r^{1-\gamma}$. De geschatte exponenten ($\gamma \approx 3,66 - 4,08$) zijn hoger dan gerapporteerd in eerdere studies (bijv. $\gamma \approx 3$ voor Bitcoin), wat duidt op structurele veranderingen en marktrijping.
• Netwerkheterogeniteit: De resulterende netwerken vertonen een uitgesproken heterogeniteit. Zowel linkgewichten als nodale sterktes volgen brede, heavy-tailed distributies, wat aangeeft dat een kleine subset van cryptovaluta onevenredig veel bijdraagt aan de totale stroom van invloed.
• Schaalrelatie: Er bestaat een sterke positieve correlatie tussen nodale uit-sterkte ($s_{out}$) en in-sterkte ($s_{in}$). De relatie is echter sublineair, volgend een machtswet $s_{out} \sim s_{in}^{\alpha}$ met $\alpha = 0,909$. Dit geeft aan dat hoewel sterk verbonden knopen invloedrijk zijn in beide richtingen, de toename van de uitgaande invloed trager is dan lineair ten opzichte van de inkomende invloed. Deze sublineaire schaling wordt bevestigd als een structurele eigenschap, en niet als een artefact van activiteit-liquiditeit (verhandeld volume).
• Temporele Dynamiek en Rangschikking:
  • Ethereum (ETH): Bezet consequent de hoogste positie in de invloedsrangschikking gedurende de gehele periode van 2020–2025, wat duidt op aanhoudende dominantie.
  • Bitcoin (XBT): Vertoont een geleidelijke daling in relatieve belangrijkheid over de tijd.
  • Volatiliteit: De rangschikkingsstructuur vertoont aanzienlijke temporele variabiliteit. In tegen tegenoverstelling van "super-stabiele" knopen gevonden in andere complexe systemen, worden de topposities regelmatig ingenomen door verschillende activa. Over de vijfjarige periode verschenen 17 verschillende cryptovaluta in de top vijf.
  • Marktevenementen: De samenstelling van de hoogst gerangschikte activa verschuift significant, met name tussen Q3 2022 en Q1 2025, wat samenvalt met gebeurtenissen zoals de ineenstorting van FTX en regulerende acties (bijv. de rechtszaak van de SEC tegen Ripple).
• Robuustheid: De netwerkstructuur, inclusief nodale sterktes en linkgewichten, blijft vrijwel onveranderd (Spearman correlatie $\rho > 0,99$) na het verwijderen van de gemeenschappelijke marktfactor (PC1), wat bevestigt dat de afgeleide Granger causale links echte paargewijze interacties vertegenwoordigen.

Betekenis en Claims
Het artikel claimt een rigoureuzere en temporeel meer gedetailleerde reconstructie te bieden van de invloedsnetwerken van cryptovaluta vergeleken met eerder werk (specifiek Scagliarini et al., 2021). Door de analyse uit te breiden van een venster van 2 jaar naar 5 jaar en de asset-universe te vergroten van ~30 naar ~390 munten, onthult de studie een zeer competitieve en niet-stationaire organisatie van het cryptovaluta-ecosysteem.

Kernbijdragen zijn onder meer:

1. Dynamische Hiërarchie: Het blootleggen van een dynamisch evoluerende hiërarchie waarbij de dominantie verschuift van Bitcoin naar Ethereum, wat contrasteert met de bevindingen van stabiele hiërarchieën in andere systemen.
2. Sublineaire Schaling: Het identificeren van een voorheen niet gerapporteerde, niet-triviale sublineaire schalingsrelatie tussen in-sterkte en uit-sterkte, wat wijst op een inherente asymmetrie in de propagatie van invloed.
3. Methodologische Rigor: Het demonstreren van de effectiviteit van het combineren van hoogfrequente data met strikte stationariteitstoetsing en FDR-correctie om de stroom van invloed in kaart te brengen.

De auteurs concluderen dat de cryptomarkt intrinsiek dynamisch is, waarbij invloed continu wordt herverdeeld onder activa, en dat netwerkgebaseerde kaders effectieve instrumenten zijn voor het identificeren van deze verschuivende drijvers van marktbewegingen.