Файл: Реферат по дисциплине Оценка активов Студентка Института онлайн образования Группы збэфр192.docx

Манипуляция информационно-финансовыми показателями.

На фондовом рынке это означает, что манипулятор умышленно искажает информацию, в том числе представленную в финансовой отчетности, с тем чтобы создать более благоприятное представление о состоянии компании и повлиять за счет этого на курс акций.

В отличии от полностью регулируемого фондового рынка США, компании, которые провели ICO, на текущий момент не обязаны предоставлять финансовую отчетность по стандартам регулятора. Поэтому, здесь можно привести сопряженный пример из двух сфер — ряд компаний, проведших IPO, принимают решение изменить сферу деятельности, обычно добавляя слово ‘blockchain’ в название.

Один из ярчайших примеров — компания Riot Blockchain[55]. Компанией уже заинтересовалась комиссия по ценным бумагам США, запросив у нее определенную информацию в связи c огромным ростом курса ее акций. Если Riot Blockchain удастся доказать SEC, что нарушений не было, то выиграть групповые иски, где ее обвиняют в «манипулировании ценами на акции, а также в предоставлении ложной и вводящей в заблуждение информации», будет намного проще.

Один из подвидов подобной манипуляции в криптотрейдинге — это Pump&Dump (Ramping). В информационном пространстве создается инфоповод, обычно агрессивно тиражируемый, зачастую в несколько этапов и на различных информационных ресурсах.

В разрезе крипторынка можно привести пример с твитами [56] Джона Макафи. После публикаций в его твиттере информации о различных ICO, цена этих монет обычно резко возрастала. По словам самого Джона, проекты проходят жесткий отбор, однако многочисленные «совпадения» публикации его твитов и резкого повышения стоимости/капитализации указанных в них монет не могут не вызывать вопросов(рис.10):



Рис. 10. Пример роста цены на токен после публикации

Достаточно часто пампы проводятся через группы в мессенджерах (очень много подобных каналов в Telegram). Манипуляторы покупают монеты по низкой цене (небольшими частями, чтобы резко не влиять на курс), затем искусственно повышают цену путем совершения сделок между счетами-марионетками участников памп-каналов.

Цена монеты растет, параллельно с этим по различным инфоканалам участники пампа пытаются распространить ложную информацию об активе на фоне его роста. Это заставляет сторонних трейдеров ее купить, после чего манипуляторы продают ее с прибылью, обваливая цену. В качестве активов обычно используются низколиквидные альткоины с низкой капитализацией, а жертвами подобных действий нередко

---

становятся и сами участники памп-каналов, которые не успели/не смогли сбросить актив вовремя.

3.1.1. Некоторые криптобиржи используют практики манипулирования для продвижения цены криптоактивов. Недавнее исследование [57] подтвердило факт Wash Sale (Фиктивная сделка, операция, в которой нет изменения собственника актива или производного контракта, другими словами, манипулятор покупает и продает свои же ордера; цель данного способа манипулирования состоит в том, чтобы создать видимость активности на рынке, искусственно завысив объемы торгов и цены) биткоина двумя ботами (Willy и Markus) на бирже MtGox в 2013 году. Оба бота совершали фиктивные сделки объемом порядка 100 BTC в час с небольшими временными интервалами, не обладая при этом таким объемом криптовалюты. В дни активной работы ботов наблюдалась повышенная активность торгов и на других биржах, а курс главной криптовалюты рос.

Некоторые исследования[58] также указывают на то, что более 90% объемов торгов на крупнейших криптобиржах могут быть сфальсифицированы. Если предположить, что приведенные выше примеры с торговыми ботами — только вершина айсберга, в это легко можно поверить и сделать вывод о том, что криптовалютная торговля на текущий момент является крайне манипулятивной. Это создает серьезное препятствие развитию эффективного криптовалютного рынка, вносит сложности в его анализ, но, с другой стороны, обеспечивает сверхволатильность и сверхдоходность (сверхубыточность) торговых операций.

Все эти факторы в данный момент присущи криптовалютному рынку и очень похожи на факторы, определившие кризис на рынке доткомов.

Анализ цен криптовалют на наличие признаков финансового пузыря с помощью эконометрических методов

Проведя оценку с помощью разработанной методики, а также сравнив ситуацию на рынке криповалют с «пузырем доткомов», можно выдвинуть гипотезу о наличии пузыря на криптовалютном рынке. Для проверки гипотезы необходимо применить один из эконометрических методов оценки рынка, описанных в работе ранее.

Критерием, сигнализирующим о формировании пузыря, может являться превышение волатильности цены финансового инструмента в рамках определенного периода времени. Численный порог разброса между ценами, разграничивающий момент формирования пузыря и менее значимыми движениями цены, определяется исходя из специфики исследуемого актива. Согласно этому подходу Международный валютный фонд определяет ценовой бум как рост цены от минимума к пику, который лежит в 25-м перцентиле самых больших изменений.

---

Аналогичным способом определяли термин «пузырь» К. Дэткен и Ф. Сметс. В их работе пузырем называлась ситуация 10-процентного положительного отклонения наблюдаемой цены от рассчитанного уровня тренда, вычисленного с помощью с помощью фильтра Ходрика-Прескотта [8].

Фильтр Ходрика-Прескотта – это метод сглаживания временного ряда, который используется для выделения длительных тенденций (сезонных колебаний и трендов) из временного ряда[59]. Метод впервые был использован экономистами Ходриком и Прескоттом для анализа бизнес-циклов послевоенной макроэкономики США.

Фильтр представляет собой двухсторонний линейный фильтр, который вычисляет сглаженный ряд S временного ряда Y путём минимизации рассеивания элементов ряда S вокруг Y при условии минимума суммы элементов дважды дифференцированного ряда S.

Сам по себе фильтр – решение оптимизационной задачи. Сглаженный ряд, с одной стороны, должен быть достаточно близок к исходному ряду, то есть необходимо минимизировать сумму квадратов отклонений:   C другой стороны, сглаженный ряд должен быть достаточно гладким, то есть сам ряд должен изменяться как можно менее резко. Таким образом, фильтр представляет собой двухсторонний линейный фильтр, который вычисляет сглаженный ряд   временного ряда   за счёт минимизации рассеивания элементов ряда  вокруг   при условии минимума суммы элементов дважды дифференцированного ряда  . Элементы сглаженного ряда выбираются таким образом, чтобы минимизировать следующее выражение:

(2)
Для разных исходных данных требуется задавать разные lambda, значения которых определяются согласно анализируемому периоду:

— Для дневного тренда, lambda = 43200

— Для недельного тренда, lambda = 14400

---

— Для месячного тренда, lambda = 1600

— Для годового тренда, lambda = 100

Параметр λ управляет мерой гладкости ряда S. Чем больше значение λ, тем более гладким получается ряд S. При λ → ∞ ряд S превращается в линейный тренд, при λ = 0 ряд S совпадает с исходным рядом Y.

Параметр λ также может быть рассчитан в зависимости от динамики ряда и значения степени Power по следующей формуле:

(3)

где Frequency - количество периодов в году. Рекомендуемое значение данного параметра равно 2.

В уравнениях, в которых используется многомерный фильтр Ходрика–Прескотта или производственная функция, ошибки прогноза наименьшие. Ограничивая свой анализ одномерным и многомерным фильтрами Ходрика–Прескотта, а также структурными VAR, обнаруживается, что комбинация многомерного фильтра Ходрика–Прескотта и структурной VAR, как правило, позволяет получить более адекватную оценку.

Анализ стоит начать с описательных характеристик: совокупности случайных величин, в нашем случае котировки валюты, характеризуются целым набором показателей, часть из которых будет использоваться в дальнейшем.

Гистограмма – график, показывающий частоту значения случайной величины. В предельном случае – это график плотности распределения вероятности.

Арифметическое среднее – сумма значений всех наблюдений, деленная на число наблюдений (в нашем случае, на число периодов). Применимо не для всех распределений и наиболее популярно для нормальных распределений, для которых совпадает с медианой. Отсюда следует, что любимейший индикатор скользящей средней, строго говоря, применим только в случае, если котировки имеют закон распределения, для которого существует средняя.

Медиана делит все наблюдения в выборке на две части: с одной стороны все наблюдения меньше по значению медианы, а с другой – больше. Медиана существует для любого распределения и не чувствительна к выбросам. Если средняя равна (близка по значению) медиане, то это один из признаков нормального закона распределения.

. Дисперсия - это среднее значение квадратов отклонений случайной величины от ее математического ожидания. Корень квадратный из дисперсии – это среднеквадратичное (стандартное) отклонение.

Стандартное отклонение и дисперсия не устойчивы к выбросам.

К описательным статистикам относят:

---

Гистограмму, которая при росте числа свечей в котировке должна приблизиться к закону распределения;

Меры центральной тенденции: среднее, медиана;

Мера разброса: стандартное отклонение;

Критерий нормальности Жарка Бера.

Критерий Жарка Бера (Jarque-Bera). Нулевая гипотеза Hо: распределение нормально. Например, вероятность, сопровождающая значение критерия, равна 0.04. Казалось бы, что можно сделать следующий вывод: вероятность принятия нулевой гипотезы равна 4%. Однако это не совсем точно, так как вычисленная величина является р-значением критерия и вероятность принятия нулевой гипотезы равна 96%.

Корреляция между элементами одной котировки называется автокорреляцией. По ней очень удобно выявлять тренды. Наличие автокорреляций делает сомнительными любые выводы о котировках как о случайных величинах, так как существенным в определении случайной величины является независимость разных цен в разное время.

В пакетах статистического анализа автокорреляция сопровождается Q-статистикой Льюнга-Бокса с р-значением. Нулевой гипотезой является: автокорреляция отсутствует, т.е. при р-значении равном нулю можно сделать вывод об отсутствии корреляции до определенной свечки в котировке.

Исключение автокорреляций (трендов) из котировок является первым шагом на пути получения возможности применения методов математической статистики.

Котировки будем считать стационарными, если их математическое ожидание и дисперсия не зависят от времени. Даже это определение стационарности является слишком строгим и малопригодным при практическом применении. Очень часто приходится считать котировки стационарными, если в течение времени отклонения математического ожидания и/или дисперсии составляет несколько процентов, обычно не более 5%.

Реальные котировки на рынке не являются стационарными, а имеют следующие отклонения:

Наличие тренда, порождаемого зависимостью между наблюдениями во времени. Наличие зависимости является характерной чертой, в частности, котировок валют, и вообще экономических наблюдений;

Наличие цикличности;

Наличие переменной дисперсии (гетероскедастичности).

Котировки с отклонениями от стационарных называют нестационарными, анализ которых состоит в последовательном разложении на составляющие. Процесс разложения заканчивается при получении в остатке стационарного ряда с практически постоянным математическим ожиданием и/или дисперсией.

---