کرپٹو کرنسی ٹریڈنگ سرگرمی، ٹریڈز کے درمیانی اوقات اور ملٹی فریکٹیلٹی

خلاصہ

یہ تجزیہ متعدد پلیٹ فارمز پر ٹریڈ ہونے والی بڑی کرپٹو کرنسیوں کے ٹک لیول ڈیٹا کا جائزہ لیتا ہے۔ یہ لین دین کی گنتی، ٹریڈنگ کے حجم اور اتار چڑھاؤ کے ساتھ لین دین کے درمیانی وقت کا مطالعہ کرتا ہے۔ مصنفین لین دین کے درمیانی اوقات میں طویل فاصلے کی پاور لا آٹو کوریلیشن رپورٹ کرتے اور اس انداز کو ملٹی فریکٹیلٹی سے جوڑتے ہیں۔ سنگولیرٹی اسپیکٹرا غیر متناسب ہیں، اور زیادہ سرگرمی کے ادوار میں پُرسکون ادوار کے مقابلے میں ملٹی فریکٹیل رویہ زیادہ بھرپور ہوتا ہے۔

مطالعہ مشاہدہ شدہ مقداروں کے لیے ممکنہ تقسیموں کا بھی موازنہ کرتا ہے۔ نہ اسٹریچڈ ایکسپونینشل اور نہ پاور لا ٹیل تقسیم تمام پلیٹ فارم اور مقدار کے امتزاج پر فٹ بیٹھتی ہے: کچھ صورتوں میں ان میں سے ایک کام کر سکتی ہے، جبکہ دوسری صورتوں میں دونوں ناکام رہتی ہیں۔ مختلف پلیٹ فارمز کے متوازی ڈیٹا سیٹس کی شماریاتی خصوصیات نمایاں طور پر مختلف ہو سکتی ہیں۔ اقتباس پلیٹ فارمز، نمونے کی مدت یا کسی آفاقی ماڈل کی نشاندہی نہیں کرتا، اس لیے نتائج کسی ایک ٹریڈنگ قاعدے کے بجائے پلیٹ فارم کے لحاظ سے مخصوص رویے اور وسیع تقسیماتی مفروضوں کی حدود کی طرف اشارہ کرتے ہیں۔

اہم خیالات

• زیرِ مطالعہ کرپٹو ڈیٹا میں لین دین کے درمیانی اوقات طویل فاصلے کی پاور لا آٹو کوریلیشن دکھاتے ہیں۔
• زیادہ سرگرمی کے ادوار میں پُرسکون ادوار کے مقابلے میں زیادہ بھرپور ملٹی فریکٹیل رویہ دیکھا جاتا ہے۔
• اسٹریچڈ ایکسپونینشل اور پاور لا ٹیل تقسیم ہر ناپی گئی مقدار یا ڈیٹا سیٹ پر فٹ نہیں بیٹھتیں۔
• مختلف پلیٹ فارمز کے ڈیٹا سیٹس کی شماریاتی خصوصیات خاصی مختلف ہو سکتی ہیں۔
• اقتباس مارکیٹ کے ڈھانچے سے متعلق مشاہدات دیتا ہے، کوئی مخصوص ٹریڈنگ اسٹریٹیجی نہیں۔

ٹیگز

# Analysis of inter-transaction time fluctuations in the cryptocurrency market


# Analysis of inter-transaction time fluctuations in the cryptocurrency market









We analyse tick-by-tick data representing major cryptocurrencies traded on some different cryptocurrency trading platforms. We focus on such quantities like the inter-transaction times, the number of transactions in time unit, the traded volume, and volatility. We show that the inter-transaction times show long-range power-law autocorrelations. These lead to multifractality expressed by the right-side asymmetry of the singularity spectra $f(α)$ indicating that the periods of increased market activity are characterised by richer multifractality compared to the periods of quiet market. We also show that neither the stretched exponential distribution nor the power-law-tail distribution are able to model universally the cumulative distribution functions of the quantities considered in this work. For each quantity, some data sets can be modeled by the former, some data sets by the latter, while both fail in other cases. An interesting, yet difficult to account for, observation is that parallel data sets from different trading platforms can show disparate statistical properties.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔