Effets des forks du Bitcoin sur les rendements et la volatilité

Résumé

Cette étude examine les effets des forks de cryptomonnaies sur le Bitcoin, la monnaie d’origine. Elle utilise un modèle GARCH exponentiel modifié pour analyser les variations des rendements et de la volatilité, en tenant compte du regroupement de la volatilité et des distributions de rendements à queues épaisses. Le modèle prend également en compte la dynamique du marché, mais le document ne décrit pas les contrôles spécifiques ni les détails de l’estimation.

Les résultats rapportés indiquent que les forks n’ont pas d’effet significatif sur les rendements du Bitcoin, mais sont fortement associés à une hausse de la volatilité. Celle-ci reste élevée pendant les trois jours suivant un fork, et les forks simultanés n’ajoutent pas à l’effet sur la volatilité. Ces résultats décrivent les conclusions fondées sur le modèle de l’étude ; le résumé fourni ne précise ni la période d’échantillonnage, ni le nombre d’événements, ni les estimations d’incertitude, ni les tests de robustesse, ce qui limite l’évaluation de leur portée.

Idées clés

• Un modèle GARCH exponentiel modifié évalue la réaction du Bitcoin aux forks.
• Le modèle tient compte du regroupement de la volatilité et des distributions de rendements à queues épaisses.
• L’étude ne rapporte pas d’effet significatif sur les rendements, mais relève un effet positif sur la volatilité autour des forks.
• Selon les résultats rapportés, la volatilité reste élevée pendant trois jours après un fork.
• Les forks simultanés n’augmentent pas l’effet rapporté sur la volatilité.

Étiquettes

# The forking effect


# The forking effect









This study introduces the concept of the forking effect in the cryptocurrency market,specifically focusing on the impact of forking events on bitcoin, also called parent coin.We use a modified exponential GARCH model to examine the bitcoin's response inreturns and volatility. Our findings reveal that forking events do not significantlyaffect the bitcoin's returns but have a strong positive impact on its volatility, especially when considering market dynamics. Our model accounts for key features likevolatility clustering and fat-tailed distributions. Additionally, we observe that following a fork event, volatility remains elevated for the next three days, regardless ofother forking events, and the volatility impact does not increase when multiple forksoccur simultaneously on the same day.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.