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

Resumo Técnico: Redes direcionadas ponderadas dependentes do tempo de interação de criptomoedas a partir de retornos de alta frequência

Problema e Motivação
Os mercados de criptomoedas operam como um sistema complexo e interativo, caracterizado por governança descentralizada, negociação contínua e flutuações de preços pronunciadas em múltiplas escalas temporais. Diferente dos mercados financeiros tradicionais, esses ativos não são isolados; eles formam uma rede dinâmica onde a informação e os choques se propagam via sentimento compartilhado, arbitragem e influências externas. Embora estudos anteriores tenham examinado redes de criptomoedas utilizando dados de nível de transação ou janelas de tempo mais curtas, há uma necessidade de compreender a evolução temporal das interações causais usando dados de alta frequência ao longo de períodos estendidos. Este estudo aborda o desafio de quantificar o fluxo de influência entre ativos e caracterizar a estabilidade estrutural (ou a falta dela) do ecossistema de criptomoedas de 2020 a 2025.

Metodologia
Os autores constroem redes dependentes do tempo, direcionadas e ponderadas baseadas em dados de preços de alta frequência obtidos da exchange de criptomoedas Kraken. A metodologia procede através das seguintes etapas:

1. Pré-processamento de Dados:

   • Fonte: Dados de nível de negociação (marcas temporais, preços em USD, volumes) de 2020 a março de 2025.
   • Agregação: Os preços são agregados em intervalos de 1 minuto usando o Preço Médio Ponderado pelo Volume (VWAP).
   • Retornos: Retornos logarítmicos são calculados como $R(t) = \log P(t + \Delta t) - \log P(t)$, onde $\Delta t = 1$ minuto.
   • Estacionariedade: O teste de Dickey–Fuller Aumentado (ADF) é aplicado para garantir a estacionariedade. Aproximadamente 99,06% dos dados foram confirmados como estritamente estacionários; instâncias não estacionárias (preços obsoletos/estagnados) foram excluídas.
   • Janelamento: A série temporal é dividida em janelas semanais não sobrepostas (10.080 pontos de dados cada), resultando em 275 redes semanais.

2. Construção da Rede:

   • Causalidade de Granger (GC): As interações são inferidas usando o framework de GC. Para cada par de ativos $(X, Y)$, um modelo autorregressivo restrito (usando apenas o passado de $Y$) é comparado contra um modelo completo (incluindo o passado de $X$).
   • Definição de Peso: A força de GC é quantificada como a razão do logaritmo da variância dos resíduos: $G_{X \to Y} = \ln(\sigma^2_r / \sigma^2_f)$.
   • Teste de Significância: Para abordar o problema de múltiplos testes inerente às comparações de pares ($N(N-1)$ testes), o procedimento de Benjamini–Hochberg (BH) é aplicado para controlar a Taxa de Descoberta Falsa (FDR) em $q=0,05$. Os elos são mantidos apenas se seus valores-p satisfizerem o limiar de BH.
   • Teste de Robustez: Para garantir que os elos reflitam uma influência genuína de par em vez de um movimento conjunto impulsionado por um choque de mercado comum, os autores repetem a análise após regredir o primeiro componente principal (PC1) da matriz de retornos.

3. Análise:

   • Propriedades estatísticas dos retornos (caudas pesadas) são analisadas usando Funções de Distribuição Acumulada Complementar (CCDF).
   • A heterogeneidade da rede é avaliada via pesos de elos e forças nodais (força de entrada $s_{in}$ e força de saída $s_{out}$).
   • A evolução temporal é rastreada classificando os ativos com base em sua força de saída média trimestral.

Principais Resultados

• Propriedades Estatísticas dos Retornos: Os log-retornos normalizados de 1 minuto exibem distribuições de caudas pesadas consistentes com fatos estilizados de mercados financeiros. Tanto as caudas positivas quanto as negativas seguem uma forma de lei de potência $P(r) \sim r^{1-\gamma}$. Os expoentes estimados ($\gamma \approx 3,66 - 4,08$) são superiores aos reportados em estudos anteriores (ex: $\gamma \approx 3$ para Bitcoin), sugerindo mudanças estruturais e maturação do mercado.
• Heterogeneidade da Rede: As redes resultantes exibem uma heterogeneidade pronunciada. Tanto os pesos dos elos quanto as forças nodais seguem distribuições amplas de cauda pesada, indicando que um pequeno subconjunto de criptomoedas contribui desproporcionalmente para o fluxo total de influência.
• Relação de Escala: Existe uma forte correlação positiva entre a força de saída nodal ($s_{out}$) e a força de entrada ($s_{in}$). No entanto, a relação é sublinear, seguindo uma lei de potência $s_{out} \sim s_{in}^{\alpha}$ com $\alpha = 0,909$. Isso indica que, embora nós altamente conectados sejam influentes em ambas as direções, o aumento na influência de saída é mais lento do que o linear em relação à influência de entrada. Esta escala sublinear é confirmada como uma propriedade estrutural, não um artefato da liquidez do ativo (volume negociado).
• Dinâmica Temporal e Classificação:
  • Ethereum (ETH): Ocupa consistentemente a primeira posição nos rankings de influência durante todo o período de 2020–2025, refletindo uma dominância sustentada.
  • Bitcoin (XBT): Mostra um declínio gradual na importância relativa ao longo do tempo.
  • Volatilidade: A estrutura de classificação exibe uma variabilidade temporal substancial. Ao contrário de nós "superestáveis" encontrados em outros sistemas complexos, as primeiras posições são frequentemente ocupadas por diferentes ativos. Ao longo do período de cinco anos, 17 criptomoedas distintas apareceram no top cinco.
  • Eventos de Mercado: A composição dos ativos classificados no topo muda significativamente, particularmente entre o terceiro trimestre de 2022 e o primeiro trimestre de 2025, coincidindo com eventos como o colapso da FTX e ações regulatórias (ex: o processo da SEC contra a Ripple).
• Robustez: A estrutura da rede, incluindo forças nodais e pesos de elos, permanece virtualmente inalterada (correlação de Spearman $\rho > 0,99$) após a remoção do fator de mercado comum (PC1), confirmando que os elos de causalidade de Granger inferidos representam interações genuínas de par a par.

Significância e Alegações
O artigo afirma fornecer uma reconstrução mais rigorosa e detalhada temporalmente das redes de influência de criptomoedas em comparação com trabalhos anteriores (especificamente Scagliarini et al., 2021). Ao estender a análise de uma janela de 2 anos para 5 anos e aumentar o universo de ativos de ~30 para ~390 moedas, o estudo revela uma organização altamente competitiva e não estacionária do ecossistema de criptomoedas.

As principais contribuições incluem:

1. Hierarquia Dinâmica: Revelar uma hierarquia que evolui dinamicamente, onde a dominância muda do Bitcoin para o Ethereum, contrastando com as descobertas de hierarquias estáveis em outros sistemas.
2. Escala Sublinear: Identificar uma relação de escala sublinear não trivial, anteriormente não relatada, entre força de entrada e força de saída, apontando para uma assimetria inerente na propagação de influência.
3. Rigor Metodológico: Demonstrar a eficácia da combinação de dados de alta frequência com testes rigorosos de estacionariedade e correção de FDR para mapear o fluxo de influência.

Os autores concluem que o mercado de criptomoedas é intrinsecamente dinâmico, com a influência sendo continuamente redistribuída entre os ativos, e que as estruturas baseadas em redes são ferramentas eficazes para identificar esses impulsionadores de comportamento de mercado em mudança.