Mipaka ya Soko Inadhoofika Chini ya Shinikizo: Je, Kripto, Fedha za Kigeni na Hisa Zinaunganishwa Kwenye Mtandao Mmoja w...

1. Kichwa

Makala haya yametayarishwa kutokana na utafiti wa kitaaluma unaochunguza jinsi uhusiano kati ya fedha za kripto, sarafu za kawaida, na hisa za S&P 500 unavyobadilika nyakati za shinikizo la soko. Utafiti uliochanganuliwa una jina la When market boundaries weaken: Network reconfiguration and regime-dependent cross-asset spillovers na umechapishwa kama nakala ya awali kwenye arXiv.

Swali la msingi la utafiti ni hili: Je, masoko ambayo yanaonekana kutengana katika nyakati za kawaida yanazidi kuunganishwa kweli wakati wa shinikizo? Ikiwa yanaungana, je, hii inamaanisha tu kuongezeka kwa uwiano, au mtandao wa soko unapitia mabadiliko ya kina ya kimuundo?

Ili kujibu swali hili, waandishi wanachunguza soko la fedha za kripto, soko la sarafu za kawaida, na soko la hisa la S&P 500 ndani ya muundo huo wa mtandao. Utafiti huu unatumia mitandao ya uwiano unaozunguka, utambuzi wa jamii kulingana na makubaliano, Kielezo cha Msukosuko, na uchanganuzi wa muunganiko unaozingatia VAR. Kwa njia hii, sio tu swali la "rasilimali zipi zinasonga pamoja?" linalochambuliwa, bali pia "shinikizo linaenea kupitia chaneli gani?".

Maudhui haya si ushauri wa uwekezaji. Utafiti unatoa uchanganuzi wa muundo wa soko na uenezi wa hatari kulingana na data za kihistoria. Matokeo ni muhimu kwa utofautishaji wa kwingineko, hatari ya kimfumo, na ufuatiliaji wa soko; hata hivyo, haipaswi kufasiriwa kama pendekezo la moja kwa moja la kununua au kuuza.

Utafiti mpya wa kitaaluma unaonyesha kuwa uhusiano kati ya fedha za kripto, sarafu za kawaida, na hisa za S&P 500 hubadilika sana wakati wa shinikizo. Katika nyakati za kawaida, makundi haya matatu ya rasilimali hufanya kazi kama jamii zinazojitegemea, lakini wakati wa msukosuko mkubwa, msongamano wa ndani huongezeka, mipaka ya soko hudhoofika, na makundi ya rasilimali huchanganyikana zaidi ndani ya jamii za mtandao huo. Moja ya matokeo ya kushangaza zaidi ya utafiti huu ni kwamba, chini ya hali ya msukosuko mkubwa, soko la fedha za kawaida (fiat) linakuwa chaneli kuu ya uenezaji wa msukosuko huo. Hali hii inaonyesha kuwa utofautishaji wa kwingineko unaweza kuwa dhaifu sana pindi unapohitajika zaidi.

2. Muhtasari mfupi

Masoko ya kifedha yanaweza kuonekana kama malimwengu tofauti wakati wa nyakati za kawaida. Inaweza kudhaniwa kuwa fedha za kripto zinasonga kwa mienendo yao zenyewe, soko la fedha za kigeni kulingana na hali ya kifedha duniani, na hisa kulingana na matarajio ya makampuni na uchumi mkuu. Hata hivyo, wakati wa majanga, mipaka hii inaweza kudhoofika.

Hili ni tatizo kuu katika usimamizi wa kwingineko. Kwa sababu wawekezaji wanalenga kupunguza hatari kwa kusambaza uwekezaji wao katika makundi tofauti ya rasilimali. Lakini ikiwa uwiano unaongezeka nyakati za shinikizo, faida ya utofautishaji inaweza kupungua pindi inapohitajika zaidi.

Utafiti huu hauchukulii tatizo hili kama ongezeko la uwiano pekee. Unauliza swali la kina zaidi: Mtandao wa soko unajipanga vipi upya nyakati za shinikizo? Ni soko lipi lenye msukosuko linalobeba habari kwa mengine? Je, soko la kripto linasalia huru kutokana na masoko ya kitamaduni, au linakuwa sehemu ya mfumo mpana wa kifedha wakati wa shinikizo?

3. Maelezo ya kina

Utafiti unachunguza makundi matatu ya rasilimali kwa pamoja: fedha za kripto, sarafu za kawaida (fiat), na hisa za S&P 500. Rasilimali 127 zilichaguliwa kutoka kila kundi, hivyo kuunda jopo la usawa la jumla ya rasilimali 381. Kipindi kilichochunguzwa kinashughulikia kati ya tarehe 15 Oktoba 2017 na tarehe 29 Februari 2024.

Hatua ya kwanza ya mbinu hii ni kupima msukosuko wa soko kutoka kwa faida za kila siku. Kielezo cha Msukosuko (Turbulence Index) kinachotegemea umbali wa Mahalanobis kilitumika kwa hili. Kielezo hiki kinapima ni kwa kiasi gani mienendo ya kila siku ya soko inapotoka kwenye tabia ya pamoja ya hivi karibuni.

Hatua ya pili ni muundo wa mtandao wa uwiano unaozunguka kati ya rasilimali. Kila rasilimali huchukuliwa kama nodi, na uhusiano chanya wa uwiano unachukuliwa kama kiunganishi cha mtandao. Kupitia mtandao huu, viashiria kama vile msongamano wa ndani, mpangilio, na utofauti wa makundi huhesabiwa.

Hatua ya tatu ni uchanganuzi wa muunganiko unaozingatia VAR. Sehemu hii inachunguza jinsi msukosuko wa soko, muundo wa mtandao, na vigezo vya makro-kifedha vinasambaza mishtuko kwa kila mmoja wao. Zaidi ya hayo, viwango vya msukosuko mdogo na mkubwa hutengwa kwa kutumia threshold VAR. Kwa hivyo, muundo wa mfumo katika nyakati za kawaida unalinganishwa na muundo wake katika nyakati za shinikizo.

4. Mbinu na matokeo ya utafiti

Fomula katika utafiti zinaonyesha jinsi msukosuko wa soko unavyopimwa, jinsi uenezaji wa mishtuko kati ya masoko unavyotengwa, na jinsi muundo wa mtandao kati ya rasilimali unavyowakilishwa.

1. Faida ya logi ya kila siku

Pembejeo kuu ya data katika utafiti ni faida ya logi ya kila siku:

\[ r_{i,t}=\ln\left(\frac{P_{i,t}}{P_{i,t-1}}\right) \]

Hapa, \(P_{i,t}\) inawakilisha bei ya rasilimali \(i\) katika siku \(t\). Faida ya logi hufanya rasilimali zilizo na viwango tofauti vya bei ziweze kulinganishwa.

2. Kusanifisha faida

Kabla ya kupima msukosuko, faida ya kila rasilimali inasanifishwa kulingana na wastani wake na mkengeuko sanifu:

\[ z_{i,t}=\frac{r_{i,t}-\bar{r}_i}{s_i} \]

Mchakato huu inaruhusu kulinganisha kwa kipimo sawa rasilimali zinazobadilikabadilika sana kama vile fedha za kripto na zile zinazosonga kwa utulivu kama sarafu za fiat.

3. Kielezo cha Msukosuko Kulingana na Soko

Kwa kundi maalum la soko, kielezo cha msukosuko huhesabiwa kama ifuatavyo:

\[ TI_{m,t}=(z_{m,t}-\mu_{m,t})^{\top} \left(\Sigma^{reg}_{m,t}\right)^{+} (z_{m,t}-\mu_{m,t}) \]

Hapa, \(z_{m,t}\) ni vekta ya faida iliyosanifiwa katika kundi husika la soko. \(\mu_{m,t}\) inawakilisha wastani wa hivi karibuni, \(\Sigma^{reg}_{m,t}\) ni matriki ya urekebishaji iliyosawazishwa, na alama ya \(+\) inawakilisha mchakato wa Moore–Penrose pseudoinverse.

Fomula hii si kipimo rahisi cha mabadiliko. Inapima ni kiasi gani mienendo ya pamoja ya soko la sasa imetoka mbali na tabia ya anuwai ya hivi karibuni.

4. Matriki ya covariance iliyosawazishwa

Katika seti za data zenye ukubwa wa juu, matriki ya covariance inaweza kuwa na kelele. Kwa sababu hii, ukadiriaji wa Ledoit–Wolf shrinkage na urekebishaji mdogo wa diagonal hutumiwa katika utafiti:

\[ \Sigma^{reg}_{m,t}=\Sigma^{LW}_{m,t}+\lambda I \]

Hapa, \(\lambda=10^{-5}\) imechukuliwa. Nyongeza hii ndogo husaidia kutumia matriki ya covariance kwa uthabiti zaidi wa nambari.

5. Kielezo cha Msukosuko wa mfumo mzima

Lini madarasa yote ya rasilimali yanapochukuliwa pamoja, misukosuko ya mfumo mzima huhesabiwa kama ifuatavyo:

\[ TI_t=(z_t-\mu_t)^{\top} \left(\Sigma^{reg}_{t}\right)^{+} (z_t-\mu_t) \]

Kiashiria hiki kinaonyesha jinsi mfumo mzima, sio soko moja tu, bali mtandao unaojumuisha kripto, fedha za kigeni, na hisa, unasonga kwa njia isiyo ya kawaida ikilinganishwa na siku za hivi karibuni. Katika utafiti, mifumo ya misukosuko ya chini na ya juu imetengwa kulingana na fahirisi hii ya mfumo mzima.

6. Tofauti ya kwanza ya kawaida kwa VAR

Viambishi vinavyoingia kwenye mfano wa VAR havitumiki katika ngazi, lakini katika umbo la kawaida la kwanza:

\[ \widetilde{X}_t=\frac{\Delta X_t-\overline{\Delta X}}{s_{\Delta X}}, \qquad \Delta X_t=X_t-X_{t-1} \]

Mabadiliko haya yanahakikisha kwamba vigezo vinaweza kulinganishwa kwa kiwango cha kawaida na kwamba mfano unazingatia mabadiliko ya kila siku badala ya viwango vya kudumu.

7. Mfano wa VAR

Jinsi vigeu katika mfumo vinavyoathiriana kwa muda huchunguzwa na kielelezo cha VAR:

\[ Y_t=\alpha+\sum_{\ell=1}^{p}\Phi_{\ell}Y_{t-\ell}+u_t \]

Hapa, \(Y_t\) ni vekta ya mtikiso wa soko, viashiria vya mtandao, na vigeu vya kifedha mkuu. \(\Phi_{\ell}\) inawakilisha athari za kuchelewa; \(u_t\) inawakilisha mishtuko ambayo kielelezo hakiwezi kuelezea.

8. Matrix ya covariance iliyobaki

Mtengano wa mishtuko katika mfano wa VAR umefafanuliwa kama ifuatavyo:

\[ \Sigma_u=E(u_tu_t^{\top}) \]

Matrix hii inaonyesha jinsi harakati zisizotarajiwa katika mfumo zinavyobadilika pamoja.

9. Uwiano unaosonga (Moving-average)

Mfano wa VAR unaweza kuandikwa kwa njia inayosonga ili kuonyesha jinsi mishtuko inavyoenea kwa muda:

\[ Y_t=\sum_{h=0}^{\infty}\Psi_h u_{t-h} \]

Hapa, \(\Psi_h\) inaonyesha jinsi mshtuko unavyozalisha athari kwenye mfumo baada ya siku \(h\).

10. Mtengano wa makosa ya utabiri mkuu

Mtengano huu unalenga utabiri kwa uchambuzi wa uunganisho wa Diebold-Yılmaz. Sehemu ya muachano wa jumla iliyotumika katika utafiti hutolewa kama ifuatavyo:

\[ \theta_{ij}^{(H)}= \frac{ \sigma^{-1}_{u,jj} \sum_{h=0}^{H-1} \left(e_i^{\top}\Psi_h\Sigma_u e_j\right)^2 }{ \sum_{h=0}^{H-1} e_i^{\top}\Psi_h\Sigma_u\Psi_h^{\top}e_i } \]

Fomula hii inaonyesha ni kiasi gani cha kutoaminika kwa utabiri wa usoni wa \(H\)-siku kwa kiambatisho \(i\) kinafafanuliwa na mishtuko inayotokana na kiambatisho \(j\).

11. Marekebisho ya mlalo

Marekebisho yanafanywa kwani ushiriki wa anuwai za ujumla zinaweza zisiongeze moja kwa moja kwenye kila mlalo:

\[ \widetilde{\theta}_{ij}^{(H)} = \frac{\theta_{ij}^{(H)}} {\sum_{j=1}^{K}\theta_{ij}^{(H)}}, \qquad \sum_{j=1}^{K}\widetilde{\theta}_{ij}^{(H)}=1 \]

Baada ya utaratibu huu, asilimia za kutoaminika kwa utabiri kwa kila kigezo zinaweza kufasiriwa kama hisa asilimia.

12. Inapokelewa, hutolewa na uenezaji wa jumla

Mtiririko wa kiambatisho unaopokelewa kutoka mfumo uliobaki umefafanuliwa kama ifuatavyo:

\[ From_i^{(H)}=\sum_{j\neq i}\widetilde{\theta}_{ij}^{(H)} \]

Uenezaji ambayo kiambatisho hutoa kwenye mfumo ni kama ifuatavyo:

\[ To_i^{(H)}=\sum_{j\neq i}\widetilde{\theta}_{ji}^{(H)} \]

Nafasi ya kiasi chote ni tofauti kati ya inayotolewa na inayopokelewa:

\[ Net_i^{(H)}=To_i^{(H)}-From_i^{(H)} \]

Thamani nzuri inaonyesha kwamba kigezo husika ni mtangazaji wa mshtuko zaidi; thamani hasi inaonyesha kwamba ni mpokeaji mshtuko zaidi.

13. Kielelezo cha Jumla cha Uenezaji (TSI)

Kiwango cha muunganisho cha mfumo mzima kwa kifupi kina muhtasari na kielezo hiki:

\[ TSI^{(H)}=\frac{1}{K} \sum_{i=1}^{K} \sum_{j\neq i} \widetilde{\theta}_{ij}^{(H)} \]

Kiashiria hiki kinaonyesha ni kiasi gani cha kutokuwa na uhakika cha utabiri katika mfumo hutoka kwa usambazaji wa mshtuko kati ya vigezo.

14. Mfumo wa msukosuko mdogo na mkubwa

Katika utafiti, mfumo umegeuzwa katika nyanja mbili. Mfumo umedhamiriwa kulingana na shida ya mfumo mzima katika siku iliyopita:

\[ s_t= \begin{cases} Low, & TI_{t-1}\leq \gamma\\ High, & TI_{t-1}>\gamma \end{cases} \]

Hapa, \(\gamma\) ni kiwango cha kizuizi cha msukosuko kilichochaguliwa na kielelezo. Kutumia kucheleweshwa kwa siku moja, kunapunguza shida ya kutumia mtikiso wa siku hiyo kufafanua mfumo wa siku hiyo.

15. Threshold VAR

Threshold VAR hutumika kufafanua mienendo mbalimbali kulingana na mfumo:

\[ Y_t=\alpha^{(s_t)}+ \sum_{\ell=1}^{p}\Phi_{\ell}^{(s_t)}Y_{t-\ell} +u_t^{(s_t)} \]

Katika mlingano huu, makadirio hutenganishwa kwa vipindi vya msukosuko mdogo na vya juu. Kwa hivyo, inachunguzwa kama mfumo wa kueneza mshtuko hubadilika nyakati za shinikizo.

16. Mabadiliko ya muunganiko wa jumla

Mabadiliko halisi ya nafasi yamehesabiwa ili kuona kama kigezo huenea zaidi au kupokea zaidi chini ya dhiki:

\[ \Delta Net_i^{(H)} = Net_i^{(H,High)} - Net_i^{(H,Low)} \]

Thamani chanya inaonyesha kuwa kigeu kinazidi kuwa chanzo kikuu cha usambazaji wa mshtuko katika kiwango cha msukosuko mkubwa.

17. Mwitikio wa ushawishi wa jumla

Tokeo linalotarajiwa la mshtuko usiotarajiwa kwa kigeu fulani na jibu lake kwa kigeu kingine kwa wakati fulani inaonyeshwa na mlinganyo ufuatao:

\[ GIRF_{q\leftarrow v}(h) = \frac{[\Psi_h\Sigma_u]_{qv}} {\sqrt{\sigma_{u,vv}}} \]

Fomula hii inaonyesha jibu linalotarajiwa la kigeu \(q\) baada ya siku \(h\) kufuatia mshtuko katika kigeu \(v\).

18. Mtandao wa Uwiano

Uwiano wa kugeuza mfululizo kati ya rasilimali hukokotolewa kama ifuatavyo:

\[ \rho_{ij,t}= \frac{ \sum_{\tau\in R_t}(r_{i,\tau}-\bar{r}_{i,t})(r_{j,\tau}-\bar{r}_{j,t}) }{ \sqrt{\sum_{\tau\in R_t}(r_{i,\tau}-\bar{r}_{i,t})^2} \sqrt{\sum_{\tau\in R_t}(r_{j,\tau}-\bar{r}_{j,t})^2} } \]

Katika utafiti huu, ulinganifu mzuri unachukuliwa kama viunganishi vya mtandao:

\[ a_{ij,t}=I(\rho_{ij,t}>\theta_{\rho}),\qquad a_{ii,t}=0 \]

\[ w_{ij,t}=\rho_{ij,t}a_{ij,t} \]

Hapa, \(a_{ij,t}\) inaonyesha kama muunganisho upo, wakati \(w_{ij,t}\) inaonyesha uzito wa muunganisho huo.

19. Umbali wa Uwiano

Msogeo chanya unaogeuzwa huwa katika hali ya umbali:

\[ d_{ij,t}=\sqrt{2(1-\rho_{ij,t})} \]

Uhusiano unapozidi kuwa na nguvu, umbali unakuwa mfupi. Hii ni muhimu kwa kuibua jinsi mipaka ya soko inavyopungua nyakati za dhiki.

20. Kiwango cha nodi na kiwango chenye uzito

Idadi ya viunganishi ambavyo rasilimali inayo katika mtandao inapimwa na digrii:

\[ k_{i,t}=\sum_{j\neq i}a_{ij,t} \]

Jumla yenye uzito ya miunganisho hufafanuliwa kama nguvu:

\[ \kappa_{i,t}=\sum_{j\neq i}w_{ij,t} \]

21. Uwiano wa msongamano uliopimwa

Ili kupima ukali wa mtandao wa ndani, mgawo wa uunganishaji ulio na uzani wa Barrat hutumiwa:

\[ cc_{i,t}= \frac{1}{\kappa_{i,t}(k_{i,t}-1)} \sum_{j,h} \frac{w_{ij,t}+w_{ih,t}}{2} a_{ij,t}a_{ih,t}a_{jh,t} \]

Kipimo hiki kinaonyesha kiasi gani majirani karibu na rasilimali wameunganishwa kwa kila mmoja wao. Thamani hii ikiongezeka wakati wa msongo, inaeleweka kuwa rasilimali huhama pamoja katika makundi yenye kubana zaidi.

22. Mpangilio (Modularity)

Ili kupima jinsi mtandao umegawanywa katika jamii tofauti, modularity hutumiwa:

\[ Q_t= \frac{1}{2M_t} \sum_{i,j} \left[ w_{ij,t} - \frac{\kappa_{i,t}\kappa_{j,t}}{2M_t} \right] \delta(g_{i,t},g_{j,t}) \]

\(Q_t\) ya juu inaonyesha kuwa mtandao umegawanywa katika jamii zinazoonekana zaidi. Endapo mpangilio unashuka wakati wa dhiki, inaweza kutafsiriwa kwamba jumuiya za soko huingiliana.

23. Mkutano wa Pamoja (Consensus clustering)

Ulinganifu wa uanachama mwenza huhesabiwa ili utambuzi wa jumuiya usitegemee uendeshaji wa algoriti moja:

\[ \pi_{ij,t} = \frac{1}{n_s} \sum_{b=1}^{n_s} I\left(g_{i,t}^{(b)}=g_{j,t}^{(b)}\right) \]

Ikiwa vipengee viwili vinashiriki katika jumuiya moja mara kwa mara kutosha katika madirisha yanayorudiwa, yanachukuliwa kuwa yana nguvu na yanashirikishwa katika kundi moja thabiti.

24. Kielelezo cha Utofauti cha Simpson

Ili kupima jinsi makundi ya rasilimali tofauti huchanganyikana katika jumuiya, Kielezo cha Utofauti cha Simpson kinatumiwa:

\[ D_{C,t}=1- \frac{ \sum_{x=1}^{X}n_{x,C,t}(n_{x,C,t}-1) }{ n_{C,t}(n_{C,t}-1) } \]

Katika makundi makubwa, hali yake ya takriban ni kama ifuatavyo:

\[ D_{C,t}\approx 1-\sum_{x=1}^{X}p_{x,C,t}^{2} \]

Ikiwa thamani iko karibu na sifuri, basi kikundi kinaundwa na kitengo kimoja tu cha rasilimali. Thamani inapoongezeka, kripto, fedha za fiat, na hisa huchanganyika zaidi katika jamii hiyo hiyo.

5. Maelezo ya chanzo na mbinu

Mchoro wa 1 katika faili ya PDF unaonyesha jinsi mtandao wa soko unavyobadilika kwa muda. Uwiano wa kati wa msongamano hupanda sana, hasa wakati wa janga la COVID-19. Hii inaonyesha kwamba rasilimali huunda makundi madhubuti ya ndani wakati wa shinikizo. Kwa upande mwingine, mpangilio hupungua karibu na janga la COVID-19; ikimaanisha mipaka ya jamii inadhoofika. Kielelezo cha Simpson huelekea kupanda kwa muda; hii inadokeza kwamba rasilimali za kripto, fiat, na hisa huchanganyika zaidi katika jamii zile zile.

Mchoro wa 2, unaonyesha Kielelezo cha Msukosuko cha soko la kripto, fiat, na S&P 500 na mtikisiko wa mfumo mzima. Msukosuko wa kripto unaendelea na milipuko mikali sana. Msukosuko wa fiat pia hutoa viwango vya juu vilivyo wazi, hasa kati ya 2020-2021. Msukosuko wa mfumo mzima huchukua sio tu mienendo ya soko moja, bali pia tabia ya kawaida na ya pamoja ya ulimwengu wa rasilimali.

Jedwali 3, hutoa matokeo ya muunganiko kamili wa Diebold-Yılmaz. Hapa, jumla ya kielezo cha usambazaji umeripotiwa takriban kuwa 11.47%. Hii inaonyesha kwamba, kwa wastani, mfumo hautawaliwi kabisa na usambazaji; hata hivyo, kuna njia muhimu za uenezaji wa athari zinazozunguka msukosuko wa S&P 500, msukosuko wa fiat, VIX na kiashiria cha msongamano wa mtandao.

Mchoro wa 3, unaonyesha matokeo ya jumla ya majibu ya mshtuko. Mshtuko kutoka kwa msukosuko wa S&P 500 hutokeza athari fupi dhahiri kwenye mtikisiko wa fedha za fiat. Kadhalika, msukosuko wa fiat huathiri S&P 500 na kripto. Hata hivyo, athari ya mishtuko inayoletwa na msukosuko wa kripto kwenye soko la kitamaduni ina mipaka. Matokeo haya yanadokeza kwamba, kwa wastani, kripto iko katika hali inayoathiriwa na mfumo mkuu lakini yenyewe sio mtoaji athari mkuu.

Mchoro wa 4, unaonyesha matokeo ya uunganishaji. Kielelezo kinachozunguka cha usambazaji wa jumla hubadilika sana baada ya muda na hupanda hadi karibu 47.80% mnamo Machi 12, 2020. Hili linaonyesha kuwa muunganisho wa mfumo una nguvu zaidi wakati wa janga la COVID-19 ikilinganishwa na viwango vya wastani.

Jedwali 4 inatoa muhtasari wa tofauti kati ya usimamizi wa chini wa msukosuko na ile ya juu. Tokeo la kushangaza zaidi ni kwamba soko la fiat inakuwa msambazaji mkuu chini ya mfumo wa msukosuko mkubwa. Ijapokuwa kiwango cha muunganiko halisi wa msukosuko wa fiat ni hasi katika hali ya chini, inaongezeka hadi takriban +43.55 katika hali ya juu. Hili linaonyesha kwamba msukosuko wa soko la fedha za kigeni unaweza kubadilika na kuwa njia ya maambukizi ya ulimwengu nyakati za dhiki.

6. Lebo za meta

Utafiti unachunguza kipindi cha Oktoba 15, 2017 - Februari 29, 2024. Ulimwengu wa rasilimali umegawanywa katika makundi matatu: fedha za kripto, sarafu za kawaida, na hisa za S&P 500. Jopo lenye uwiano wa jumla ya rasilimali 381 ziliundwa kwa kuchagua rasilimali 127 kutoka kila darasa.

Data za Kripto zilikusanywa kutoka vyanzo mbalimbali. Sarafu za Fiat na hisa za S&P 500 zilichukuliwa kupitia Yahoo Finance. Kalenda tofauti za soko zililandanishwa kwenye kalenda ya kawaida ya kila siku. Kwa kuwa soko la kripto linafanya biashara mwishoni mwa wiki, viwango vya mwishoni mwa wiki vilijazwa kwa ukadiriaji katika orodha za mfululizo za fiat na hisa.

Kwanza, viwango vya Kielezo cha Msukosuko vilikokotolewa kutokana na faida za logi za kila siku. Kisha, Kielezo cha Msukosuko wa mfumo mzima kiliundwa. Kiashiria hiki kilitumika kutenga mifumo ya msukosuko mdogo na mkubwa kwa kutumia Threshold VAR.

Katika upande wa mtandao, madirisha ya uwiano unaozunguka wa siku 30 yalitumika. Uhusiano chanya ulichukuliwa kama miunganisho, huku viashiria kama msongamano wa ndani, mpangilio, na utofauti wa Simpson vilihesabiwa. Modeli ya Louvain ilitumiwa kwa utambuzi wa jamii na mkutano wa pamoja (consensus clustering).

Hatimaye, katika hatua ya mwisho, uchambuzi wa VAR, GFEVD, vipimo vya muunganiko, muunganiko unaozunguka, na threshold VAR zilitumika kuchunguza jinsi mishtuko inavyoenezwa kati ya vigeu.

Matokeo Yanaonyesha Nini?

Matokeo makuu ya kwanza ya utafiti yanaonyesha ushirikishwaji wa mali mbalimbali sio thabiti, bali hutokea kimpangilio. Wakati wa nyakati za kawaida, fedha za kripto, sarafu za kawaida, na hisa za S&P 500 husimama zaidi kama jamii zilizotengana. Hata hivyo, wakati wa mkazo mkubwa, vizuizi hivyo hudhoofika.

Tokeo la pili ni kwamba, wakati wa shinikizo, mtandao hauzidi tu kuwa mzito, bali pia unapangwa upya kimuundo. Msongamano wa ndani huongezeka, mpangilio hudhoofika, na muundo wa makundi ya rasilimali unachanganyikana zaidi.

Tokeo la tatu ni kwamba soko la kripto, kimsingi halionekani kama mtoaji mkuu wa mshtuko wa kimfumo kwa wastani. Wakati S&P 500 na msukosuko wa fiat unatoa njia wazi za maambukizi, msukosuko wa kripto unajikuta katika upande wa kupokea. Hii inaonyesha kwamba kripto si huru kabisa; lakini pia si chanzo kikubwa ikilinganishwa na masoko ya kitamaduni.

Tokeo la nne na muhimu zaidi ni kwamba muundo wa maambukizi pia unabadilika wakati mfumo unabadilika. Katika mfumo wa msukosuko mkubwa, msukosuko wa fiat unakuwa njia kuu ya maambukizi. Hii inaonyesha kwamba soko la fedha za kigeni linaweza kuchukua jukumu kuu zaidi kupitia ufadhili wa kimataifa, hamu ya hatari na kusawazisha kwingineko nyakati za dhiki.

Tokeo la tano ni kwamba topolojia ya mtandao inachukua jukumu tendaji zaidi chini ya shinikizo. Katika nyakati za kawaida, muundo wa mtandao unaelezea zaidi mpangilio wa soko. Wakati wa misukosuko mikubwa, msongamano wa ndani na mpangilio unashiriki zaidi katika mchakato wa usambazaji wa kutoaminika kwa utabiri. Kwa hivyo, muundo wa mtandao sio tu "ramani ya kile kinachotokea", bali unafanya kazi kama sehemu ya mazingira ya uenezaji wa shinikizo.

Kwa Nini Hii Ni Muhimu?

Utafiti huu unatoa onyo muhimu kuhusu utofautishaji wa kwingineko. Makundi tofauti ya rasilimali yanaweza kuwa na tabia tofauti wakati wa kawaida. Lakini wakati shinikizo linakuja, mipaka hii inaweza kudhoofika. Masoko ya kripto, fiat, na hisa yanaweza kuanza kusonga pamoja zaidi ndani ya mtandao ule ule wa hatari.

Hii inaonyesha hatua muhimu katika usimamizi wa hatari: Uwiano wa sampuli kamili au vipimo vya muunganiko wa wastani vinaweza kuonyesha muunganiko halisi kuwa chini wakati wa shida kuliko unavyokuwa. Ikiwa mwekezaji au meneja wa hatari anaangalia tu kipindi cha wastani, anaweza asione jinsi faida ya utofautishaji itakavyodhoofika wakati wa shinikizo.

Umuhimu mwingine wa utafiti ni kwamba hauoni soko la kripto kama eneo lililotengwa. Fedha za kripto hazijatenganishwa kabisa na mfumo wa kitamaduni wa kifedha. Hasa katika nyakati za misukosuko mikubwa, zinakuwa sehemu ya mtandao mpana wa soko.

Mbinu hii inasisitiza umuhimu wa ufahamu wa mfumo katika mifumo ya kifedha. Muundo wa hatari uliowekwa kwa kipindi cha kawaida hauwezi kufanya kazi katika kipindi cha shinikizo. Kwa hivyo, mifumo ya ufuatiliaji wa hatari inapaswa pia kufuata miundo inayoendelea kubadilika kulingana na hali ya soko.

Mambo ya Kuzingatia

Utafiti huu sio ushauri wa uwekezaji. Matokeo yanapatikana chini ya data za kihistoria na dhana fulani za kielelezo.

Mtandao wa uwiano sio ramani ya usababishi. Kwamba rasilimali mbili zinasonga pamoja haimaanishi moja inasababisha nyingine moja kwa moja.

Uchambuzi wa VAR na muunganiko hutoa maelezo kuhusu maambukizi ya utabiri; lakini hazitoshi zenyewe kuanzisha usababishi wa kimuundo.

Katika utafiti, ukadiriaji (interpolation) ulitumika katika data za fiat na hisa ili kulandanisha wikendi. Ingawa njia hii ni ya vitendo kwa kuweka kalenda ya kawaida, inaweza kulainisha baadhi ya harakati za muda mfupi.

Uteuzi wa rasilimali katika soko la fedha za kripto unategemea vichungi vya upatikanaji wa data na mtaji wa soko. Kanuni tofauti za uteuzi zinaweza kubadilisha baadhi ya matokeo.

Viashiria vya topolojia ya mtandao vinaweza kubadilika kulingana na dirisha la sampuli, kizingiti cha uwiano, njia ya kugundua jamii na urefu wa dirisha unaozunguka. Ingawa utafiti unajaribu kupunguza hatari hii na makubaliano (consensus clustering), kutoaminika hakuondolewi kabisa.

Hitimisho

Utafiti huu wa kitaaluma unaonyesha kuwa mipaka kati ya masoko ya kifedha sio thabiti. Katika nyakati za kawaida, masoko ya kripto, fiat, na hisa yanaweza kuonekana kama jamii tofauti zaidi. Hata hivyo, nyakati za shinikizo mipaka hii hudhoofika; viunganishi vya mtandao wa ndani vinakaza, utengano wa jamii hupungua na makundi tofauti ya rasilimali huchanganyika zaidi katika jamii sawa.

Ujumbe wenye nguvu zaidi wa utafiti ni kwamba uenezi wa hatari haupaswi kusomwa tu kama "uwiano umeongezeka". Chini ya shinikizo, inajalisha pia soko lipi linasambaza mshtuko, lipi linapokea mshtuko na jinsi muundo wa mtandao unavyopangwa upya katika mchakato huu.

Hasa, msukosuko wa fiat kuwa njia kuu ya maambukizi katika mfumo wa msukosuko mkubwa unatukumbusha jukumu kuu la soko la fedha za kigeni katika hali ya hatari duniani. Soko la kripto, kwa upande mwingine, linaonekana zaidi kama eneo linaloathiriwa na mfumo mpana na linaunganishwa zaidi na mfumo huu nyakati za shinikizo badala ya kuwa chanzo kikuu cha mshtuko katika kipindi cha wastani.

Kwa Verianla, ujumbe mkuu wa utafiti huu ni huu: Utofautishaji katika masoko ya kifedha unapaswa kutathminiwa sio tu kulingana na uwiano unaoonekana katika nyakati za kawaida, bali pia kulingana na muundo wa mtandao unaobadilika chini ya shinikizo.

Dokezo la Chanzo na Mbinu

Maudhui haya yametayarishwa kwa kuchunguza PDF ya kitaaluma yenye jina la When market boundaries weaken: Network reconfiguration and regime-dependent cross-asset spillovers. Nakala hii si tafsiri ya neno kwa neno. Lengo, mbinu, fomula kuu, ujumbe wa michoro na majedwali, matokeo, na mipaka ya utafiti vimerahisishwa na kuelezewa upya kwa lugha asilia na ya kiuhariri ya Kiswahili kwa ajili ya wasomaji wa Verianla.

Fomula zimetolewa katika umbizo la LaTeX linalooana na MathJax, kwa kuzingatia muundo mkuu wa hisabati katika utafiti. Nakala hii si ushauri wa uwekezaji, pendekezo la kwingineko au ishara ya kununua/kuuza.

Taarifa na Dokezo la Marekebisho

Maudhui haya yametayarishwa kwa kuzingatia utafiti husika wa kitaaluma na kwa kutumia zana zinazosaidiwa na akili unde. Lengo ni kuwasilisha mada kuu, mbinu na matokeo ya utafiti kwa njia inayoeleweka na kufikika kwa urahisi zaidi.

Ingawa uangalifu umechukuliwa ili kubaki mwaminifu kwa utafiti wa chanzo, makosa ya maana, usemi, tafsiri au ufafanuzi yanaweza kutokea katika mchakato wa kuunda maudhui kwa msaada wa akili unde. Ukigundua kosa la kisayansi, kiufundi au kimuktadha, unaweza kutujulisha kupitia info@verianla.com.tr. Hoja zilizoripotiwa zitachunguzwa na marekebisho yanayoonekana kuwa muhimu yatafanywa.

Aidha, mwandishi, mwenye haki au mwakilishi aliyeidhinishwa wa makala ambayo utafiti wake umewekwa kwenye Verianla anaweza kuomba maudhui husika yaondolewe. Kwa ombi la kuondolewa, inatosha kutuma kiungo cha makala na maelezo mafupi ya ombi kwa info@verianla.com.tr. Hatua inayohitajika itachukuliwa baada ya ombi kuchunguzwa.

Verianla hailengi kuchukua nafasi ya tafiti za kitaaluma, bali kusaidia maudhui ya kisayansi kueleweka na hadhira pana zaidi. Katika tathmini za kitaaluma au kitaalamu, inapendekezwa kila wakati kurejelea chanzo asili cha utafiti.

Shiriki: