Escolar Documentos
Profissional Documentos
Cultura Documentos
ABSTRATO
mercados de tokens
estudo, esta análise cria 6 carteiras com base na capitalização de mercado e rede para
a criação das 25 carteiras com base nas mesmas características para analisar o comportamento de
poder de predição, com todos os fatores do modelo não sendo significativos na transversal
regressão. Além disso, os resultados no mercado de tokens mostram uma alta correlação entre o tamanho
e rentabilidade que fizeram com que a análise deste segmento seguisse uma abordagem
fatores foram analisados separadamente, e os resultados mostram um poder de previsão ainda menor
eu
Machine Translated by Google
RESUMO
ii
Machine Translated by Google
AGRADECIMENTOS
Em primeiro lugar, gostaria de agradecer ao meu parceiro, Fouad, por todas as discussões frutíferas e
percepções que ele forneceu durante este estudo, juntamente com seu apoio e amor sem fim em minha
jornada. Também quero agradecer à minha amiga de longa data Patrícia por estar sempre presente sempre que eu
mais precisava.
Em segundo lugar, agradeço aos meus pais e ao meu irmão pelo apoio contínuo e
motivação durante este importante período da minha vida, e por tudo que sempre me ensinaram.
Por último, gostaria de agradecer ao meu orientador, João Freire, pelo apoio e ajuda
iii
Machine Translated by Google
CONTEÚDO
4.1.2 Portfólios Pequenos menos Grandes (SMB) e Altos menos Baixos (HML)......13
4.2 Modelo ................................................. ................................................ ......................14
4
Machine Translated by Google
LISTA DE MESAS
v
Machine Translated by Google
LISTA DE FIGURAS
Figura 3 - Retornos médios das carteiras small vs big cap ....................................... ......................21
vi
Machine Translated by Google
LISTA DE EQUAÇÕES
vii
Machine Translated by Google
APÊNDICE
viii
Machine Translated by Google
1. INTRODUÇÃO
Apesar de sua breve história, o mercado de criptomoedas causou uma grande turbulência no
mundo financeiro, pois representa uma abordagem revolucionária para uma economia financeira segura e dinâmica
sistema sem qualquer forma de controle regulatório por parte dos governos. O uso do disruptivo
A tecnologia blockchain permite que as criptomoedas funcionem sem uma central reguladora
agência enquanto as transações são realizadas com segurança devido ao mecanismo de prova de trabalho.
Além disso, os contratos inteligentes criados no ambiente blockchain oferecem às empresas uma nova
impacto imediato no cenário global, pois o sistema financeiro ainda estava lidando com o
após a crise de 2008. Quando os mercados começaram a dar sinais de melhora, os investidores
havia perdido a confiança nas principais instituições financeiras e queria proteger seus
investimentos contra a próxima queda. Nesse cenário, o Bitcoin foi visto como um promissor
investimento. Sua tecnologia inovadora tinha aplicações potenciais além do sistema financeiro
Logo depois que o Bitcoin começou a ganhar força, novas moedas criptográficas foram criadas usando
2400 altcoins1 disponíveis até janeiro de 20202. No entanto, diferentemente do Bitcoin, alguns dos
novas altcoins também tinham sua própria plataforma blockchain, o que permitia o fácil desenvolvimento
e execução de contratos inteligentes. Isso permitiu que as empresas levantassem fundos por meio de moedas iniciais
ofertas (ICO), que funciona quase da mesma forma que um IPO. Em uma ICO, a empresa
os tokens não possuem valor fora de sua plataforma e sua utilidade depende do que o proprietário do
OIC decide.
empresa fornece um white paper3 para respaldar seu projeto, é considerado válido para realizar um ICO.
Isso o torna um investimento extremamente arriscado, pois nenhuma garantia é dada além da palavra de
1
Machine Translated by Google
a empresa que o executa. No entanto, as ICOs atraíram muita atenção dos investidores
levantando cerca de US$ 11,4 bilhões somente em 2018 (Pozzi, 2019). Por exemplo, o BAT (Basic
Token de atenção) A ICO conseguiu arrecadar $ 35 milhões vendendo todos os seus tokens disponíveis em menos de
alta volatilidade que levou a cenários extremamente pessimistas, como o crash do Bitcoin em 2013, quando
o preço passou de $ 1150 em novembro para menos da metade em dezembro e apenas quatro
anos depois, o preço do Bitcoin ultrapassaria US$ 1.000 novamente. O mercado cripto sofreu outro
forte crash em 2019 em que a capitalização de mercado do setor passou de US$ 830 bilhões
em janeiro para apenas US$ 280 bilhões em fevereiro do mesmo ano (Wu, Wheatley, & Sornette,
2018).
Junto com as quedas extremas, o mercado também passou por uma série de hacks que
colocar em risco a confiança dos investidores. Em 2011, Mt. Gox, uma das principais bolsas de Bitcoin da
Internet. O mercado de tokens também foi afetado por eventos semelhantes, em junho de 2016 em torno de US$ 70
milhões foram roubados do DAO, que deveria funcionar como um fundo de capital de risco
usando contratos inteligentes. Ainda que fosse possível reaver o dinheiro aos investidores, o
hack fez com que as pessoas perdessem a confiança no projeto, o que levou ao seu fracasso.
Esses eventos levantaram preocupações sobre a natureza especulativa das criptomoedas, pois não é
ainda entendeu quais são os principais impulsionadores de seus preços e como a precificação desse novo
tipo de ativo financeiro se comportam em condições diferentes. Além disso, não há muitos
tokens além dos retornos das ICOs. Pensando nisso e inspirado nas pesquisas de
Fama e French (1993), este trabalho tem como objetivo analisar a adequação de Fam e French três
Além disso, este trabalho também visa analisar as diferenças no ajuste do modelo
entre eles.
adaptado e em vez de determinar o fator alto menos baixo (HML) usando o book-to
relação de mercado este trabalho aplica uma rede para relação de transação de valor que leva em conta
o tamanho das moedas de acordo com sua capitalização de mercado e seu valor de rede para
2
Machine Translated by Google
transações que, assim como o book-to-market ratio, é uma forma de aferir o under ou
2 REVISÃO DA LITERATURA
2.1 Blockchain
O conceito de criptomoeda ainda é muito recente, sua primeira aparição foi apenas em
2008 com Bitcoin. O criador Satoshi Nakamoto (cuja identidade real é desconhecida até este
dia) estava tentando desenvolver um sistema de dinheiro digital descentralizado depois de muitos fracassos anteriores
tentativas de outros em criar dinheiro digital sem um órgão centralizado. No final de 2008,
banco de dados resistente a adulterações de transações em um grande número de nós (Beck, 2018). O
A tecnologia funciona armazenando dados em blocos criptográficos usando uma função hash que
permite que qualquer tamanho de informação seja convertido em uma string do mesmo tamanho. Bitcoin usa um
Algoritmo SHA2564 para fazer hash de suas transações, no entanto, outras altcoins usam diferentes
algoritmos. Esses blocos podem ser conectados e agrupados, formando uma estrutura chamada
Merkle Tree e desde que o hash na raiz seja conhecido, é possível identificar se o
transação realizada é menor do que um número definido. Somente quando o consenso é alcançado pelo
maioria dos nós, a transação é considerada válida e é armazenada como um novo bloco de dados
no hash original que é então transmitido pela rede. Esta verificação realizada por
os nós torna a possibilidade de adulteração de qualquer parte da string original de dados quase
impossível de realizar, pois qualquer alteração exigiria uma nova verificação dos seguintes blocos de
transações e tudo isso precisaria ser concluído antes que o próximo bloco de dados fosse adicionado ao
o hash.
Os nós que fazem as verificações são chamados de mineradores e após realizar este procedimento
pessoas para se juntar a ele e também aumenta a dificuldade das verificações realizadas dentro dele. O
4 SHA256 é um algoritmo de hash criptográfico unidirecional que converte todos os dados em uma string de 256 bits
5 Um nó refere-se a qualquer dispositivo que armazena blocos de dados da rede blockchain
3
Machine Translated by Google
os cálculos realizados na verificação constante requerem uma enorme quantidade de energia da máquina
e são realmente bastante caros, o que proíbe ainda mais as pessoas de tentar adulterar qualquer
transação. Atualmente, se alguém realizar um ataque de 51%, o que significa assumir o controle
as transações à vontade, custaria US$ 16 bilhões somente em custo de hardware mais os 219 milhões
2.2 Criptomoeda
tecnologia e funcionam da mesma forma que as moedas fiduciárias7 sem o corpo centralizado.
Os investidores podem até criar carteiras digitais8 nas quais podem armazenar suas moedas e podem
realizar qualquer transação financeira com ele. Algumas altcoins também têm algumas características especiais
características como Ether que também podem ser usadas para alimentar as transações que acontecem dentro
Ethereum e NEO, em que os proprietários ganham dividendos sobre o valor que armazenaram em seus
carteiras e as transações feitas dentro da rede são pagas com esses dividendos.
retorna até agora, porém Urquhart (2016) foi o primeiro a sugerir que o mercado é ineficiente
sendo posteriormente apoiado por Nadarajah e Chu (2017) e Tiwari et al. (2018). Isso implica que
o mercado não segue um passeio aleatório e por isso é possível analisar quais
fatores têm poderes preditivos. No entanto, considerando que o mercado de criptomoedas ainda é muito
recente, pode ser considerado ainda em desenvolvimento, então é possível que isso observado
a ineficiência pode mudar nos próximos anos, à medida que o mercado de criptomoedas amadurece.
estudo conduzido por (Dyhrberg, 2016) Bitcoin foi comparado com o ouro e o dólar americano
usando modelos GARCH9 e a conclusão mostra que a maioria de seus aspectos reagem de forma semelhante a
ouro. Além disso, a criptografia também possui recursos de cobertura, reage simetricamente a
parecem em metais preciosos. Baek e Elbeck (2014) vão ainda mais longe, sugerindo que as criptomoedas
deve ser tratado como uma mercadoria especulativa e não como uma moeda. Embora, dado ainda
4
Machine Translated by Google
também têm algumas características de moeda fiduciária, Selgin (2014) sugere que as criptomoedas são uma
A literatura existente atual mostra que a volatilidade, o volume e os retornos para o anterior
dois dias são impulsionadores consideráveis da atenção sobre as criptomoedas que se traduzem como
um efeito sobre o preço (Urquhart, 2018). Além disso, o número de tweets também parece ter
(Demir e outros, 2018). O mercado de criptomoedas não parece ser influenciado por fatores econômicos em
all (Baek & Elbeck, 2014) e os preços parecem reagir principalmente aos sentimentos do mercado (Dwyer,
2014; Shiller, 2005; Weber, 2014) que explica a instabilidade vivida desde a sua
concepção.
forte poder na previsão de retornos, porém esse efeito não parece valer para o digital
mercado como de acordo com Grobys e Sapkota (2019) não tem efeito de impulso persistente.
Além disso, testes empíricos mostram que moedas com menor capitalização de mercado têm melhor
Isso abre a possibilidade de testar uma versão adaptada do Fama e do francês três
modelo de fator (1993) em que o fator alto menos baixo é substituído por um equivalente
avaliando a métrica que funciona para criptomoedas, a relação rede para transação de valor (NVT
razão). O objetivo deste trabalho é então testar a aplicabilidade de uma versão modificada do
2.3 Marcas
criação de contratos inteligentes. O conceito foi introduzido pela primeira vez por Nick Szabo em 1994, quando ele
percebeu que qualquer ledger descentralizado poderia ser usado como um contrato autoexecutável (Pratap,
2018). Nesses contratos, pode-se ignorar completamente o intermediário, pois esse tipo de contrato
pode executar automaticamente o que for acordado desde que os critérios solicitados sejam atendidos, também
sua execução adequada é reforçada pelo mecanismo de consenso. Embora sua concepção alguns
décadas atrás, só agora com o surgimento das criptomoedas e principalmente com a criação do
Plataforma Ethereum que contratos inteligentes estão começando a crescer em diversos setores.
Em 2015, Vitalin Buterik criou o Ethereum, a primeira plataforma para blockchain, que
assim como o Bitcoin tinha seu sistema de caixa chamado Ether mas foi além ao permitir o
5
Machine Translated by Google
Hoven, Kolk e Rijsewijk, 2016). Após o Ethereum, muitas outras plataformas foram criadas,
como Ripple e EOS, porém até hoje o protocolo mais utilizado para o desenvolvimento
contratos para levantar capital para financiar seus projetos por meio de ofertas iniciais de moedas (ICOs) (Adhami,
Giudici, & Martinazzi, 2018). A primeira ICO já realizada foi para uma moeda digital e
plataforma de protocolo de comunicação chamada Mastercoin, que arrecadou US$ 3,15 milhões em 2013.
Desde então, as ICOs se tornaram um método de crowdfunding cada vez mais popular, sendo capaz de
arrecadar cerca de US$ 800 milhões em menos de trinta e cinco ICOs apenas em janeiro de 2018 (Preston, 2018).
No entanto, o inverno cripto no final de 2018 fez com que inúmeros tokens se tornassem
quase sem valor. Além disso, um estudo publicado pelo Grupo Satis afirmando que mais de dois
terços das ICOs eram fraudes - embora a grande maioria do dinheiro investido fosse para reais
projetos - levantou sérias preocupações sobre a credibilidade deste mercado. Isso teve um grave
impacto no mercado de ICO, que em novembro de 2018 havia captado apenas US$ 0,36 bilhão de
os US$ 11,8 bilhões arrecadados durante o ano, sendo o pior resultado desde maio de 2017 (Pozzi, 2019).
O mercado está estagnado desde esse período, porém o 6º relatório da ICO publicado pela PwC
e a Crypto Valley Association, sugere que está realmente passando por uma fase de amadurecimento
qual há uma progressiva institucionalização das ICOs como instrumento de crowdfunding com
ofertas (STO) e ofertas iniciais de troca (IEO), enquanto os números da ICO diminuem constantemente. Em
IPO também são aplicados neste processo. O IEO, por outro lado, tem a casa de câmbio
assumindo o papel principal de escolher os projetos mais promissores e viáveis para lançar em seu
plataforma, também permite que outros tipos de token sejam usados. Essas novas modalidades foram desenvolvidas
Em um ICO (ou STO, ou IEO), uma empresa vende tokens do aplicativo a um preço pré
preço especificado para investidores que podem pagar com moedas fiduciárias ou criptomoedas. Um símbolo refere-se a
uma representação de um determinado bem ou utilidade dentro de um sistema e seu conceito é constantemente
utilizados na vida cotidiana; cartão de fidelidade de uma loja, fichas de cassino são exemplos de token. Em
10 Uma linguagem Turing completa refere-se a uma linguagem de programação na qual qualquer tipo de programa pode ser escrito
para resolver qualquer problema computacional
6
Machine Translated by Google
No contexto do mercado de criptomoedas, um token representa uma unidade de valor que uma empresa
cria para permitir que os usuários interajam com seus produtos enquanto facilita a distribuição de
Esses tokens podem ter propriedades diferentes, dependendo do que o desenvolvedor escolher,
de acordo com a Autoridade Supervisora do Mercado Financeiro Suíço (FINMA), atualmente existem
quatro tipos principais: security tokens, considerados juridicamente da mesma forma que os tradicionais
valores mobiliários; Equity tokens que funcionam da mesma forma que um estoque normal, embora devido ao
falta de regulamentação, é difícil definir o que é legal e o que não é; Tokens de utilidade que fornecem
acesso a um produto ou serviço, também não é um tipo muito comum porque os investidores são
esperando obter ganhos com os tokens de investimento e pagamento usados apenas para pagar
bens e serviços dentro do aplicativo. Os tokens também podem ter as características de mais
Um paralelo claro pode ser traçado entre ações tradicionais e tokens, pois ambos são usados
como forma de captação de recursos para um projeto específico, seu valor está atrelado à empresa que emitiu
eles e os investidores são atraídos a investir neles de acordo com as perspectivas de seus retornos.
Além disso, os tokens de segurança e patrimônio também estão sujeitos à supervisão regulatória. Até
muitos tokens de utilidade são, na verdade, títulos disfarçados, pois atendem a todos os critérios do
Howey test11 e na verdade são rotulados como utilitários para evitar a regulamentação ("O que são utilitários
Tokens e como eles serão regulamentados? – SFOX Edge", 2018). Em um caso recente, a SEC
entrou com uma reclamação contra o Telegram alegando que seu token é um título não licenciado como
O Telegram o classificou como um token de utilidade em seu ICO. É claramente uma linha borrada, no entanto, para
para fins de investimento, a maioria dos tokens se comporta como valores mobiliários reais. Mesmo ativos financeiros tradicionais
estão sendo tokenizados para aproveitar a flexibilidade que o ambiente digital oferece como
visto nas notícias de ações da Apple, Facebook e Tesla disponíveis como tokens ERC-2012 em
em relação à experiência de underpricing tokens durante ICOs, semelhante ao que acontece em IPOs
ações e tokens este estudo tem como objetivo analisar a adequação da aplicação do Fama e do French
(1993) Modelo de 3 fatores para prever os retornos dos tokens. Na análise realizada neste trabalho,
11 O teste de Howey foi criado em 1946 para determinar se uma transação é classificada como um investimento. No
caso de cripto, a SEC estabelece o uso deste teste para avaliar se um token é um título ou não
12 ERC-20 refere-se aos padrões técnicos e regras que todos os contratos inteligentes dentro da plataforma Ethereum
devem seguir
7
Machine Translated by Google
stablecoins13 , como tether, não são levados em consideração, pois são uma moeda virtual
representação de um ativo financeiro tradicional e, portanto, seus retornos não são o foco deste
análise.
mencionou a existência da expressão “não guardar todos os ovos na mesma cesta” em sua obra
chamado Piazza universal de proverbi italiano. Séculos depois, Markowitz (1952) e Tobin
(1958) estabeleceu o que é considerado hoje os conceitos fundamentais da teoria de precificação de ativos por
diminuir a sua exposição a riscos específicos através da diversificação das suas carteiras. Adicionando
a seu trabalho, Sharpe (1964), Lintner (1965) e Black (1972) desenvolveram o capital
modelo de precificação (CAPM), demonstrando que o portfólio de mercado de todos os ativos de risco deve ser
média-variância eficiente, portanto, permitindo uma relação testável entre o retorno esperado
CAPM, pode-se notar que os retornos de uma determinada carteira dependem da taxa livre de risco e
mercado (Fama e French, 1992). No entanto, este modelo tem sido fortemente criticado
ao longo dos anos, pois assume que os investidores se preocupam apenas com a média e a variância dos retornos
e que eles planejam apenas um período à frente, o que sugere uma função de utilidade quadrática
com a propriedade de aumentar a aversão absoluta ao risco ou que os ativos de risco individuais sejam
A relevância do CAPM foi resumida por Fama e French (2000) e apesar de muitos autores
tentando melhorar as previsões deste modelo, seu registro empírico continua muito pobre (Amigo
e Blume, 1970) (Fama e French, 1992). Não está muito claro se a falha empírica do modelo
CAPM e muitos encontraram fatores adicionais significativos para explicar o estoque esperado
13 Stablecoins são um tipo de criptomoeda cujo valor está atrelado a outro ativo.
8
Machine Translated by Google
Afastando-se das tentativas de afrouxar os pressupostos do CAPM como em (Black, 1972), Ross,
baseado na falta de oportunidades de arbitragem e na lei do preço único, criou um novo modelo
conhecido como Arbitrage Pricing Theory (APT) em 1976. O modelo APT é um modelo multifatorial
modelo que liga os retornos linearmente às cargas fatoriais e, portanto, permite múltiplas
fontes de risco sistemático sejam fatoradas no modelo, e sua força reside em permitir
a adição de qualquer número de fatores que explicam os retornos dentro de uma amostra específica
(2)
( ) = +ÿ
=
Em que é o prêmio de risco que os investidores exigem pelo risco que estão assumindo e é
Na década de 1980, os pesquisadores começaram a perceber que outros fatores poderiam ajudar a explicar
retornos esperados das ações além da carteira de mercado utilizada no CAPM. Por exemplo,
Lakonishok (1991) sugere que os rácios BE/ME têm um forte significado para explicar a
seção transversal de retornos médios no mercado de ações japonês e Basu (1983) conclui que o
A relação L/P tem um poder significativo para explicar a seção transversal dos retornos médios no
mercado dos EUA. Além disso, Berk (1995) reforça ainda mais a importância do tamanho de uma empresa,
que é determinado por sua capitalização de mercado, ao explicar os retornos das ações transversais.
Seguindo a ideia de que outros fatores também poderiam explicar os retornos, Fama e French
(1993) propuseram um modelo de três fatores em que mostram que tanto o valor de mercado de uma empresa
(tamanho) e o índice book-to-market têm alto poder preditivo nos retornos das ações que são
não capturado pelo prêmio de mercado no CAPM. Assim, o modelo Fama-French pode ser
considerado como uma extensão do CAPM, em que dois fatores adicionais que devem ser
precificados de acordo com o APT (1976), são adicionados. Fama e French também mencionam que seus
modelo captura evidências para um "prêmio de socorro", embora sem fornecer uma explicação
sobre por que tal prêmio deveria ser precificado em primeiro lugar. Alguns autores sugerem que o
resultado obtido por Fama e French é um produto de viés de sobrevivência (Kothari et al.1995) e dados
bisbilhotando (Black, 1993). No entanto, independentemente das controvérsias, muitos outros estudos
confirmou os resultados apresentados por Fama e French, não apenas sobre as ações americanas, mas também
outros mercados internacionais, como a Bolsa de Valores italiana (Aleati et al.,2000), indiana
9
Machine Translated by Google
mercado de ações (Connor et al.,2001), mercado de ações australiano (Faff,2001). Além disso, Cochrane
(2005) afirma que oportunidades de quase arbitragem surgiriam se o modelo de Fama e French não existisse.
não segure.
Em 1981, Banz notou a existência de um efeito de tamanho nos retornos das ações, pois as empresas com
mercado. Ele assumiu que esse efeito era devido à informação assimétrica entre pequenos
e grandes empresas e, portanto, os maiores retornos obtidos pelas ações das pequenas empresas foram causados por
déficit de informação. Além disso, o fator tamanho é considerado uma medida de lucratividade, pois
ações menores rendem maior retorno esperado depois de controlar o índice book-to-market, e o
este último está associado a problemas de dificuldades financeiras, o que é sinalizado quando o rácio BE/ME
é alto. Fama e French (2004) também apontam que o momentum pode estar relacionado com ações
O modelo de Fama e French (1993) passa em ambos os estágios dos testes de Friedman (1953)
que esclarece a controvérsia sobre a escolha de fatores com base no conhecimento prévio
de seus dados, e o fato de que os fatores têm alguma intuição econômica por trás deles
reforça seu modelo. O modelo implica uma relação linear entre os retornos e o
)+( ) (3)
()ÿ=(( )ÿ)+(
uma carteira de grandes ações (Small Minus Big), HML é a diferença entre o retorno de uma
carteira de alto índice book-to-market e uma carteira de ações de baixo book-to-market (alta
Minus Low) e as cargas fatoriais são , e enquanto o resto dos termos são idênticos
aos do CAPM.
não há como calcular o book to market ratio, pois esse novo tipo de ativo não tem
renda, como empresas tradicionais, nem é apoiado por um banco central ou governo, como
como moedas fiduciárias. Dado que o book to market ratio é usado no modelo original para avaliar
se uma ação está super ou subvalorizada, ela pode ser substituída por uma métrica equivalente que pode
realmente ser estimado para criptomoedas, como o valor de rede para transação
(Vlastélica, 2017|).
10
Machine Translated by Google
A relação NVT foi conceituada por Woo e Chris Burniske, que se basearam em
a ideia de que nas empresas tradicionais a sua utilidade é dada pelo seu rendimento e por isso para
criptomoedas, sua utilidade seria dada por sua capacidade de movimentar dinheiro. Considerando isso
ideia, a métrica visa medir a eficiência das criptomoedas como meio de troca
2017).
Um alto índice NVT indica que a moeda é cara em relação à sua transação real
valor que pode indicar otimismo ou supervalorização do mercado e, da mesma forma, um índice baixo
interpretação para a relação PE, a métrica NVT é frequentemente considerada uma PE para o mercado criptográfico
e é comumente utilizado por analistas do setor (Vlastelica, 2017). No entanto, a métrica não é
uma medida perfeita, pois o volume da transação é realmente difícil de quantificar adequadamente ("No
indicador falho do tamanho ("Capacidade de mercado: um sistema de classificação falho para avaliar cripto |
Op-Ed Bitcoin News", 2019). Apesar de suas falhas, ainda é uma maneira direta de analisar o
preço de diferentes moedas e fichas que é fortemente adotado pelo mercado (De Pace & Rao,
2020).
3 HIPÓTESE DE PESQUISA
Atualmente a literatura sobre modelos de precificação de ativos para criptomoedas é extremamente escassa,
em maio de 2020, uma capitalização de mercado de $ 243 bilhões, sendo apenas as altcoins responsáveis
por US$ 80 bilhões desse valor14. Considerando sua crescente popularidade, o tamanho da criptomoeda
os modelos de precificação existentes são úteis para prever os retornos neste novo setor ou sua
natureza volátil incrível e dinâmica de ritmo acelerado exigiram uma nova abordagem que melhor explicasse
Os tokens também ganharam imensa popularidade nos últimos anos, tornando-se uma fonte comum
11
Machine Translated by Google
de financiamento para empresas hoje em dia e levantando quantias impressionantes em um tempo muito curto
spam através de ICOs. À medida que o mercado de tokens aumenta e amadurece, os tokens estão ficando
cada vez mais semelhantes aos estoques tradicionais e até mesmo suas regulamentações convergem para o
mesmo caminho, daí a mudança de ICOs para STOs e IEOs. No entanto, apesar de sua crescente
popularidade, nenhuma pesquisa foi realizada sobre seus preços após o estágio ICO e
Ethereum.
Com essas considerações em mente, este trabalho pode ser resumido em três
hipóteses
4 DADOS E METODOLOGIA
Os dados utilizados neste trabalho foram todos obtidos da CoinGecko.com, que atualmente é uma das
os maiores provedores de dados criptográficos ("Best Crypto APIs for Developers", 2019) que ainda fornecem
acesso gratuito à sua API, também oferece dados sobre volume, preço e capitalização de mercado em ambos
O estudo está disponível no Apêndice 1. O risco livre usado neste projeto foi o T-bill yield
obtido no site do Departamento do Tesouro dos EUA, que também é usado em Fama e French's
(1993) trabalho. No total, 30 moedas e 30 tokens estão sendo usados nesta análise, com um prazo
que os mercados de token e criptomoeda são muito recentes e, portanto, muito poucos tokens
tamanho amostral menor. Cada grupo de ativos foi calculado separadamente para analisar o ajuste de
12
Machine Translated by Google
O fator de mercado é representado pelo índice CRIX, que foi criado por Humbolt
com a maior precisão possível. Segue uma versão adaptada da construção de Laspeyres em
do índice é ponderado de acordo com sua capitalização de mercado. Além disso, o índice usa uma
Critérios AIC15 e BIC16 para determinar o número de componentes na cesta que é
revisada mensalmente para dar conta das rápidas mudanças neste setor (Trimborn &
Hardle, 2018).
4.1.2 Portfólios Small minus Big (SMB) e High minus Low (HML)
capitalização superando aquela com maior capitalização e empresas com alto book to
índice de mercado com desempenho melhor do que aqueles com baixo valor contábil já são comprovados e
bem conhecido e bem conhecido no mercado. Esses efeitos ainda não foram estudados para o
mercado de criptomoedas e, portanto, aplicar esses fatores pode levar a resultados errados sobre
suas variáveis explicativas na previsão dos retornos para este tipo de ativos, optou-se por
cuja capitalização de mercado está acima do percentil 90 são considerados como tendo grandes
Depois, cada grupo é dividido em 3 quantis com base na relação NVT, o fundo
O 30º quantil é classificado como baixo (chamado de valor em seu trabalho), aqueles entre 30 e 70
quantis são considerados neutros e o restante acima do 70º quantil é considerado alto (chamado
crescimento em seu papel). Os seis portfólios são então criados através da interseção de para aqueles
fatores que geram as seguintes combinações: S/L, S/M, S/H, B/L, B/M e B/H.
O fator SMB é então determinado calculando o retorno médio dos três pequenos
carteiras (S/L, S/M, S/H) menos o retorno médio das três grandes carteiras (B/L, B/M,
15 O Akaike Information Criterion (AIC) compara a qualidade de um conjunto de modelos estatísticos entre si
16 Bayesian Information Criterion (BIC) é um critério para a seleção de modelos entre um conjunto finito de modelos
13
Machine Translated by Google
B/H). O fator HML segue da mesma forma, o retorno médio das duas carteiras altas
(S/H, B/H) menos o retorno médio das duas carteiras baixas (S/L, B/L). Os retornos para
e seus retornos são calculados até junho de t+1 ano, depois são reconstruídos para se adequar
às mudanças nos mercados. No entanto, dado que o período analisado é consideravelmente curto
foram utilizados retornos de base diária e peso de valor diário em vez de retornos mensais.
4.2 Modelo
Os retornos de uma carteira podem ser estimados usando uma versão adaptada do CAPM
interseção de carteiras 5x5 criadas com base nos quintis da capitalização de mercado e
relação NVT, seguindo a abordagem descrita no trabalho de Fama e French (1993). Cada
()ÿ= ÿ( )+ ÿ( )+ (4)
ÿ (( )ÿ)+
No qual:
- Livre de risco
– beta de mercado
o modelo. Quanto mais próximo estiver de 1, melhor se o modelo refletir a realidade dos retornos
O nível é definido como 5%, pois é usado na grande maioria dos estudos. outro elemento
considerado nesta análise é o teste Gibbons Ross Shanken (GRS) F, que, juntamente com o p-
14
Machine Translated by Google
valor, é usado para testar se os valores de interceptação do modelo para todas as regressões feitas são conjuntamente
Além disso, os resultados obtidos para as variáveis incluídas (SMB e HML) também serão
ser verificada com a mesma metodologia que foi realizada para todo o modelo para
observe se ativos de pequeno porte têm melhor desempenho do que ativos de grande porte da mesma forma que acontece
nos mercados de ações e se moedas e tokens com alto índice NVT superam os
analisados, usando suas respectivas estatísticas descritivas, a fim de melhor compreender os dados
sendo usado para testar o modelo de Fama e French (1993). Além disso, os resultados da regressão
análises também são discutidas e comparadas com cada tipo de ativo e para melhor
avaliar o ajuste do modelo, também é feita uma comparação com o modelo CAPM.
5.1 Criptomoeda
A primeira análise é realizada nos fatores de Fama e French (1993) para entender
estatísticas resumidas listadas na Tabela 1 mostram que o retorno médio para o fator SMB foi
positivo, mas não significativamente diferente de zero no nível de 5%, de acordo com um t bicaudal
teste. Além disso, o retorno médio do fator HML é negativo e a média também não é
significativamente diferente de zero ao nível de 5%. À primeira vista, esses resultados não indicam
trabalhar.
Além disso, os fatores SMB e HML mostram desvio médio (entre 0,5 e 1) com
curtose muito alta (>3) que é muito próxima do que também é observado nos fatores fornecidos
pelo Fama e pelo site francês no mesmo período. Isso indica a distribuição de
os fatores calculados para o mercado cripto segue um padrão próximo ao que é observado no
mercado de ações tradicional. No entanto, os fatores para as criptomoedas têm um padrão mais alto
desvio que implica que o mercado criptográfico tem uma volatilidade maior do que o tradicional
mercado.
15
Machine Translated by Google
entre as variáveis, pois pode impactar fortemente os resultados obtidos na regressão. Um alto
correlação entre qualquer um dos fatores pode levar a um R2 alto , o que seria enganoso, pois
não é uma representação fiel da amostra analisada. De acordo com a tabela de correlação
listadas na Tabela 2, nenhum dos fatores apresenta alto grau de correlação, sendo o maior valor
estando entre os fatores HML e Mkt-Rf em 0,076, o que é baixo e também semelhante aos resultados
obtidos a partir dos fatores disponíveis na Fama e no site francês. Isso significa que o
Mkt-Rf 1
PME -0,011 1
A Figura 1 mostra os retornos médios das 6 carteiras criadas para calcular o SMB e
Fatores HML. Pode-se ver claramente que não há uma relação clara entre os retornos de
carteiras pequenas e carteiras grandes o que reforça ainda mais o que já foi mostrado no
primeira análise realizada nos fatores do mercado criptográfico, mencionados anteriormente neste trabalho.
Da mesma forma, a relação entre as carteiras do índice NVT não parece seguir nenhuma
estrutura em carteiras grandes e pequenas, o que também vai contra o que está descrito no
16
Machine Translated by Google
0,6%
0,4%
0,2%
Grande
0,0%
Pequeno
NVT pequeno NVT médio Grande NVT
-0,2%
-0,4%
-0,6%
este estudo. A grande maioria das carteiras tem desvio médio e curtose alta,
seguindo o que foi observado nos fatores SMB e HML na seção anterior e
portanto, também têm caudas pesadas que estão no lado direito do gráfico de distribuição. O
valores máximos e mínimos são bastante extremos em cada carteira, o que mostra alta
carteiras analisadas. Como se vê, as carteiras com maior volatilidade não necessariamente
rendem maiores retornos do que aqueles com menor volatilidade, o que não está de acordo com o
expectativa de que o risco extra assumido resultaria em retornos mais elevados. A volatilidade mínima
S&P500 (1,78%) para o mesmo período e mostra ainda quanto mais volátil a criptomoeda
17
Machine Translated by Google
1,5%
1,0%
0,5%
Retornos
Médios
0,0%
0% 2% 4% 6% 8% 10% 12%
-0,5%
-1,0%
-1,5%
Volatilidade
analisados, a regressão de séries temporais foi realizada a fim de verificar o ajuste do Fama e
Modelo francês (1993) na previsão dos retornos do mercado criptográfico. De acordo com os resultados
pois implica que o modelo pode explicar, em média, apenas 23% dos resultados observados.
0,82. Além disso, o resultado é superior ao R2 médio obtido com o modelo CAPM
que é 0,113 (disponível no Apêndice 7). O alfa médio para o modelo Fama-French é -
0,001 e é pior que o resultado obtido com o modelo CAPM, que dá um alfa médio
de -0,000001. O erro padrão médio é de 0,058 para o Fama-French e 0,062 para o CAPM
modelo.
A Tabela 3 mostra os alfas individuais de cada carteira, onde pode ser observado
que apenas as carteiras P14, P15, P21, P22 e P32 possuem alfas significativamente diferentes
de zero ao nível de 5%. Um alfa estatisticamente significativo implica que essas carteiras
consistentemente têm excesso de retornos não capturados no que é previsto pelo modelo e não é
por coincidência, portanto os resultados obtidos mostram que o modelo não é capaz de
explicar todos os retornos em algumas carteiras. Além disso, tanto o Fama-French quanto o CAPM
os modelos passam no teste F GRS (1989) no nível de 5%, indicando que a soma de todas as interceptações é
conjuntamente igual a zero e, portanto, sugerindo que o modelo é capaz de capturar o esperado
18
Machine Translated by Google
nível de 5% em 20 das carteiras analisadas o que indica que o fator tem algum
embora o fator HML não apresente uma relação clara com os retornos no
análise, ele também tem um poder preditivo próximo ao fator SMB. O fator Mkt-Rf também é
significativa em 19 carteiras. Pode-se notar que todos os fatores do modelo são estatisticamente
Mcbeth (1973) regressão transversal dos resultados obtidos na primeira parte. Nesta parte,
as estimativas são expressas em porcentagens diárias para o modelo analisado. De acordo com
resultados apresentados na Tabela 4, nenhum dos fatores é estatisticamente significativo em qualquer nível. Esse
implica que não há prêmio significativo associado aos fatores analisados e, portanto,
eles não conseguem prever retornos em diferentes portfólios. Além disso, a Fama
O modelo francês falha no teste F, sugerindo que os fatores não se ajustam muito bem ao modelo em
O modelo CAPM também não tem fator estatisticamente significativo e falha no teste F (Apêndice
9).
19
Machine Translated by Google
Prob(estatística F) 0,544
5.2 Marcas
Da mesma forma que foi feito com os dados das criptomoedas, os fatores Fama e French são
a primeira conduta de análise para entender seu comportamento e como isso pode afetar os resultados
obtido. Além disso, de forma semelhante ao modelo de criptomoeda, a Tabela 5 mostra que o fator SMB
nível de 5% que pode indicar a existência de um efeito de tamanho. O fator HML tem um efeito negativo
falta de prémios de rentabilidade. HML mostra a maior volatilidade em todos os fatores. Ambos
SMB e HML têm alta inclinação (>1) com HML mostrando um valor negativo, o que significa que
a cauda está situada no lado esquerdo da distribuição, ambos os valores também são semelhantes aos
têm menor curtose e volatilidade muito maior do que o observado nos fatores fornecidos
Também é importante analisar a relação entre os diferentes fatores, para evitar uma
relação espúria. A Tabela 6 mostra que os fatores SMB e HML têm um valor significativamente alto
correlação de -0,88, que pode afetar severamente os resultados da regressão da série temporal. A fim de
avaliar ainda mais a multicolinearidade entre os fatores SMB e HML e sua adequação para
ser utilizado no modelo analisado, foi necessário calcular o fator de inflação da variância
(VIF). Os resultados renderam um VIF de 4,463 para HML, 4,527 para SMB e 1,032 para Mkt-Rf
20
Machine Translated by Google
o que indica uma multicolinearidade moderada (limite alta) entre o SMB e o HML
fatores. Devido a isso, a abordagem para tokens precisava ser adaptada para seguir o mesmo
Mkt-Rf 1
PME -0,163 1
análise de criptomoedas, não há um padrão claro que indique a presença de um efeito de tamanho
ou um prémio de rentabilidade. A pequena capitalização de mercado com pequena carteira NVT tem um valor muito maior
retorno médio do que todos os outros portfólios, mas não está relacionado a um efeito de tamanho, pois não é sustentado
nas outras carteiras pequenas. Ambos os fatores vão contra o que é descrito em Fama e French's
(1993) trabalho.
25,0%
20,0%
15,0%
Pequeno
10,0%
Grande
5,0%
0,0%
NVT pequeno NVT médio Grande NVT
-5,0%
este estudo. A maioria das carteiras tem alta inclinação e curtose extremamente alta, o que
sugere ainda que o mercado de tokens é marcado por cenários extremos tanto negativos quanto
positivo. Os valores mínimos e máximos para retornos nas carteiras também são muito
extremo, o que indica que o mercado de tokens é incrivelmente volátil, consideravelmente mais do que
21
Machine Translated by Google
25 carteiras consideradas nesta análise. Os dados mostram que a maioria das carteiras
estão agrupados na mesma área, no entanto, algumas das carteiras com maior rendimento de volatilidade
retornos consideravelmente mais altos, o que vai de acordo com o trade-off risco-retorno. Além disso,
a volatilidade mínima observada é de 5,20% e a mais alta é de 108,77%, ambas muito superiores
o que foi obtido para o mercado de criptomoedas implicando que o mercado de tokens é consideravelmente mais
volátil.
45%
40%
35%
30%
25%
Retornos
Médios
20%
15%
10%
5%
0%
0,0% 20,0% 40,0% 60,0% 80,0% 100,0% 120,0% -5%
-10%
Volatilidade
modelo francês. No entanto, dada a alta correlação detectada entre SMB e HML no
seção anterior deste trabalho, a regressão da série temporal foi realizada separadamente para ambos
fatores para avaliar adequadamente seus resultados. Ambas as regressões incluíram o fator mercado como
sua correlação com qualquer um dos fatores é baixa e não afeta os resultados obtidos para o outro
regressão 1 é igual a 0,070 e para regressão 2 é 0,071, que são extremamente baixos
comparado com os valores obtidos no trabalho de Fama e French (1993) e indica que ambos
os modelos quase não têm poder preditivo. O alfa médio é 0,014 e 0,004, respectivamente
Apesar do R2 extremamente baixo, os modelos analisados ainda apresentam desempenho superior ao CAPM
modelo que produz um R2 de apenas 0,003, um alfa médio de 0,045 e uma média ligeiramente superior
erro padrão em 0,278. Além disso, ambos os modelos passam no teste F GRS (1989) ao lado do
modelo CAPM, que assume que todos os interceptos (alfas) obtidos na regressão são
22
Machine Translated by Google
conjuntamente igual a zero, ao nível de 5% e, portanto, implica que não há erros embutidos
em todos os modelos.
indicando que o modelo não é capaz de explicar completamente os retornos do modelo naqueles
carteiras. Da mesma forma, a segunda regressão mostra que alfa é significativamente diferente de
zero em 4 carteiras.
Tabela 7 - Regressão de Alfas Individuais 1
portfólios na regressão 1, o que sugere que o efeito tamanho tem muito pouco poder preditivo
no modelo considerado, pois não é um preditor significativo é a maioria das carteiras. Seguindo o
implicando que, juntamente com o fator SMB, seu poder preditivo é consideravelmente fraco. O
o fator de mercado é significativo ao nível de 5% apenas em 4 carteiras em ambas as regressões. Pode ser
notou que todos os fatores não são estatisticamente significativos na maioria das carteiras, o que é oposto
em que as estimativas são expressas em porcentagens diárias para o modelo analisado. De acordo com
os resultados exibidos na Tabela 9 para a regressão 1, tanto o alfa quanto o fator de mercado não são
23
Machine Translated by Google
significativa em qualquer nível. O fator SMB é, no entanto, significativo ao nível de 1%, indicando
que, apesar de seus resultados fracos na análise de séries temporais, possui um prêmio de risco e, portanto, é
capaz de explicar algumas das diferenças nos retornos entre as diferentes carteiras.
significativamente diferente de zero no nível de 1%, porém todos os fatores de mercado e alfa são
não significativo. Isso sugere que o fator HML tem um prêmio de risco e semelhante ao
resulta em regressão, é capaz de explicar os retornos nas diferentes carteiras. Além disso, o
O modelo Fama-French passa no teste F, sugerindo que as variáveis independentes são bem ajustadas
Prob(estatística F) 0,000
24
Machine Translated by Google
Prob(estatística F) 0,000
Uma das principais limitações deste estudo foi o tamanho da amostra. O tamanho da amostra foi
curto devido à dificuldade em extrair dados através da API da Coingecko, porém é possível
desenvolver um código que extraia todos os dados disponíveis no site e que permitisse
para utilizar um tamanho de amostra consideravelmente maior. Isso resultaria em uma representação muito melhor
O curto prazo também é considerado uma limitação principal. Tanto a criptografia quanto o token
mercados também são muito recentes e, portanto, muito poucos de seus componentes estão disponíveis para um
período de tempo mais longo. Idealmente, uma análise desta natureza exigiria cerca de 3-5 anos de
os dados retornam para avaliar adequadamente seu comportamento durante os períodos de baixa e alta
cenários. Além disso, o período considerado neste trabalho abrange o cripto inverno em
2019, portanto, os resultados refletem quase exclusivamente um mercado de baixa e, portanto, resultados
Além disso, o modelo Fama French é adaptado usando a relação NVT em vez do PE
proporção como no trabalho original devido à natureza das criptomoedas e tokens. No entanto, o
O índice NVT é uma métrica usada para o mercado de criptomoedas e, portanto, sua adequação ao token
mercado é questionável. Isso é ainda mais destacado pela alta correlação observada entre
os fatores SMB e HML na análise de token. Essa correlação não é observada nem em
Dadas as deficiências deste estudo, pesquisas adicionais sobre este tópico devem se concentrar em
utilizando um período de tempo mais longo com uma amostra maior para ter uma melhor representação de
o mercado. Diferentes métricas para calcular o fator HML também devem ser consideradas.
Além disso, a análise do ajuste do modelo de 4 fatores de Carhart e dos modelos de 5 fatores de Fama e French
modelo nos mercados de criptomoedas e tokens também é altamente sugerido. Também seria
tokens.
25
Machine Translated by Google
6. CONCLUSÃO
de um efeito de tamanho, pois o retorno médio positivo do fator de tamanho é insignificante no nível de 5%.
Além disso, a comparação entre as 6 carteiras criadas em tamanho e NVT demonstra que
os grandes portfólios superam os pequenos em vários casos. Este resultado vai contra o
expectativas como o efeito de tamanho foi testado empiricamente, no entanto, parece manter-se
modelo ainda não possui alto poder explicativo e por isso não é considerado uma boa
adequado para aplicações futuras. O R2 médio é consideravelmente baixo, embora o modelo passe no
Teste GRS que implica a ausência de erros de precificação na regressão da série temporal. Além disso,
nenhum prêmio significativo associado a nenhum dos fatores e o modelo falha no teste F no
regressão transversal, o que significa que o modelo tem baixo poder preditivo em diferentes
carteiras.
prêmio, já que o modelo rendeu um valor de R2 médio negligenciável e nenhum padrão foi encontrado em
as 6 carteiras classificadas por tamanho e rentabilidade. Houve também uma forte correlação entre os
2 fatores, sugerindo que a relação NVT não foi uma escolha apropriada para representar a relação PE
Devido à alta correlação observada, o modelo foi adaptado e cada SMB e HML
fatores foram analisados separadamente ao lado do fator de mercado. Ambos os modelos tiveram desempenho igual
pior do que o observado no mercado criptográfico com um R2 muito mais baixo , embora passando
Teste GRS na regressão de séries temporais. Na regressão transversal, o modelo também tem
HML e SMB significativos ao nível de 1%, indicando que essas variáveis têm um
prêmio nos retornos das carteiras, embora seu poder preditivo seja extremamente fraco
na regressão da série temporal. Enquanto isso alfa não é significativo nas regressões que
significa que não há retornos excessivos inexplicados significativos. Ambos os modelos também executam
26
Machine Translated by Google
ligeiramente melhor que o modelo CAPM em ambas as etapas da análise. Esses resultados sugerem que
as variáveis do modelo possuem algum poder preditivo, porém é extremamente baixo para ser
e mercados de token rendendo R2 médio consideravelmente baixo em todos os casos analisados. Além disso, o
e nenhum efeito de tamanho ou prêmio de rentabilidade foi observado ao longo do estudo. No entanto, o
O modelo francês de 3 fatores da Fama apresenta um desempenho ligeiramente melhor do que o modelo CAPM em ambos os mercados
analisado. Com essas considerações em mente, mais pesquisas são altamente recomendadas para
para avaliar outros fatores que influenciam os retornos nos mercados de criptomoedas e tokens.
27
Machine Translated by Google
REFERÊNCIAS
Adhami, S., Giudici, G., & Martinazzi, S. (2018). Por que as empresas usam criptomoedas? Uma análise
empírica das ofertas iniciais de moedas. Journal of Economics and Business, 100 (abril), 64–75. https://doi.org/
10.1016/j.jeconbus.2018.04.001
Aleati, A., Gottardo, P. e Murgia, M. 2000. A precificação dos retornos de ações italianas.
Notas Econômicas , Vol.29, No.2, pp.153-177
Aretz, K., Bartram, SF e Pope, PF 2010. Riscos macroeconômicos e modelos de fatores baseados em
características. Jornal de Bancos e Finanças. Vol.34, No.6, pp. 1383-99
Baek, C., & Elbeck, M. (2014). Bitcoins como investimento ou veículo especulativo? Um primeiro olhar.
https://doi.org/10.1080/13504851.2014.916379
Banz, RW 1981. A relação entre o retorno e o valor de mercado das ações ordinárias
Ações. Revista de Economia Financeira. Vol.9, No.1, pp. 3-18
Basu, S. 1983. A relação entre rentabilidade, valor de mercado e retorno das ações ordinárias da NYSE:
Mais evidências. Revista de Economia Financeira. Vol.12, pp.129-156
Beck, R. (2018). Além do Bitcoin: A Ascensão do Mundo Blockchain. Computador, 51(2), 54–58. https://
doi.org/10.1109/MC.2018.1451660
Berk, JB 1995. Uma crítica de anomalias relacionadas ao tamanho. A Revisão de Estudos Financeiros.
Vol.8, No.2, pp. 275-286
Melhores APIs de criptografia para desenvolvedores. Médio. (2019). Recuperado em 5 de abril de 2020, de
https://medium.com/coinmonks/best-crypto-apis-for-developers-5efe3a597a9f.
Black, F. 1972. Equilíbrio do Mercado de Capitais com Empréstimos Restritos. O Jornal de Negócios.
Vol.45, No.3, pp. 444–54
Black, F., 1993. Beta e Retorno. O Jornal de Gestão de Portfólio. Vol.20, No.1, pp. 8-18.
Blume, M. and Friend, I. 1970. Medição do desempenho da carteira sob incerteza. American Economic
Association.Vol.60, No.4, pp. 561-575 Brounen, D., De Jong, A. e Koedijk, K. 2004.
Corporate finance in Europe:
Confrontando teoria e prática. Gestão Financeira, vol. 33, nº 4, pp. 71-101
Carhart, MM 1997. Sobre Persistência no Desempenho de Fundos Mútuos. The Journal of Finance, Vol.52,
No.1, pp. 57-82
Chan, LKC, Hamao, Y. e Lakonishok, J. 1991, Fundamentos e Retornos de Ações no Japão, Journal of
Finance. Vol.46, No.5, pp. 1739–1764
Cochrane, JH, 2005. Precificação de Ativos. Edição revisada. Reino Unido: Princeton University Press
28
Machine Translated by Google
De Pace, P., & Rao, J. (2020). Comomovimento e Instabilidade nos Mercados de Criptomoedas.
Revista Eletrônica do SSRN. https://doi.org/10.2139/ssrn.3523993
Demir, E., Gozgor, G., Lau, CKM, & Vigne, SA (2018). A incerteza da política econômica prevê os
retornos do Bitcoin? Uma investigação empírica. Finance Research Letters, 26, 145–149. https://doi.org/
10.1016/j.frl.2018.01.005
Dwyer, GP (2015). A economia do Bitcoin e moedas digitais privadas semelhantes. Journal of Financial
Stability, 17, 81–91. https://doi.org/10.1016/j.jfs.2014.11.006 Dyhrberg, AH (2016). Bitcoin, ouro e dólar - Uma
análise de volatilidade GARCH.
Egbertsen, W., Hardeman, G., Hoven, M. Van Den, Kolk, G. Van Der, & Rijsewijk,
Uma carrinha. (2016). Substituindo contratos de papel por contratos inteligentes Ethereum. 1–35.
Faff, R., 2001. Um exame do modelo de três fatores de Fama e French usando
fatores comercialmente disponíveis. Jornal Australiano de Administração. Vol.26, No.1, pp.1-17
Fama, EF e French KR, 1992. A seção transversal dos retornos esperados das ações.
Journal of Finance, Vol.47, No. 2., Junho, pp. 427-486
29
Machine Translated by Google
Gregory, A., Tharyan, R. e Christidis, A. 2013. Construindo e testando versões alternativas dos modelos
Fama-French e Carhart no Reino Unido. Jornal de Finanças Empresariais e Contabilidade. Vol.40, No.1&2, pp.
172-214
Harvey, C. e Siddique, A. 2000. Distorção Condicional em Testes de Precificação de Ativos. O Jornal das
Finanças. Vol.55, No.3, pp. 1263-1295
Kothari, SP, Shanken, J. e Sloan RG, 1995. Outra olhada na seção transversal de
Retornos de ações esperados. The Journal of Finance, Vol.50, No.1, pp. 185-224.
Levy, H., Levy, M. e Solomon S., 2000. Simulação Microscópica de Mercados Financeiros: Do
Comportamento do Investidor aos Fenômenos do Mercado. Segunda edição. EUA: Academic Press
Lewellen, J., Nagel, S. e Shanken, J. 2010. Uma avaliação cética dos testes de precificação de ativos.
Revista de Economia Financeira. Vol. 96, nº 2, pp. 175-94
Lintner, J., 1965. A Avaliação de Ativos de Risco e a Seleção de Investimentos de Risco em Carteiras de
Ações e Orçamentos de Capital. A Revisão de Economia e Estatística. Vol.47, No.1, pp. 13–37.
Capitalização de mercado: um sistema de classificação falho para avaliar criptomoedas | Notícias de Bitcoin Op-Ed.
Notícias Bitcoin. (2019). Recuperado em 6 de abril de 2020, em https://news.bitcoin.com/market-cap-a failed-
ranking-system-for-valuing-crypto/.
Markowitz, H. (1952). Seleção de Portfólio, The Journal of Finance, Vol.7, No.1, pp.77-91
Michou, M., Mouselli, S. e Stark AW (2012). Estimando Fama e Fatores Franceses no Reino Unido: Uma
Revisão Empírica. Documento de Trabalho da Manchester Business School No.
505 (Universidade de Manchester: Manchester Business School)
30
Machine Translated by Google
Michou, M., Mouselli, S. e Stark AW (2012). Sobre o conteúdo da informação da Fama e French
Factors no Reino Unido. Documento de trabalho da Manchester Business School nº 559 (Manchester
University: Manchester Business School)
Mougayar, W. (2017). Tokenomics — Um Guia de Negócios para Uso, Utilidade e Valor de Tokens.
Médio. de 2 https://medium.com/@wmougayar/tokenomics-a-business-guide-to-token-usage-
Recuperado abril 2020,
utility-and value-b19242053416.
Patrap, M. (2018). Tudo o que você precisa saber sobre contratos inteligentes: um guia para
iniciantes. Hackernoon. com. 2020, deAcesso em 2 de junho
https://hackernoon.com/everything-you-need-to-
know-about-smart-contracts-a-beginners guide-c13cc138378a.
Pozzi, D. (2019). Mercado ICO 2018 vs 2017: Tendências, Capitalização, Localização, Indústrias,
Taxa de Sucesso. Cointelegraph. Recuperado em 2 de maio de 2020, de https://cointelegraph.com/news/ico-
market-2018-vs-2017-trends-capitalization-localization Industries-success-rate.
Pwc, Crypto Valley. (2020). 6º Relatório ICO/STO - Uma perspectiva estratégica. Pwc.
Obtido em https://www.pwc.ch/en/publications/2020/Strategy&_ICO_STO_Study_Version_Spring_202 0.pdf
Ross, SA, 1976. The Arbitrage Theory of Capital Asset Pricing, Journal of Economic Theory, Vol.13,
pp.
Saini, V. (2018). 5+ padrões ERC que todo desenvolvedor Ethereum deve conhecer.
Hackernoon. com. Recuperado em 15 de abril de 2020, de https://hackernoon.com/5-erc-standards every-
ethereum-developer-should-know-about-c1ea79d3483e.
Sharpe, William F. 1964. Preços de ativos de capital: uma teoria do equilíbrio de mercado
em Condições de Risco. O Jornal das Finanças. Vol.19, No.3, pp. 425–42
Shen, D., Urquhart, A., & Wang, P. (2019). O Twitter prevê o Bitcoin? Economics Letters, 174,
118-122. https://doi.org/10.1016/j.econlet.2018.11.007
31
Machine Translated by Google
Shiller, RJ, (2014). Preços especulativos de ativos. Amer. Econ. Rev. 104, 1486–1517
Tobin, J.1958. Preferência pela Liquidez como Comportamento em Relação ao Risco. Revisão de
Estudos Econômicos. Vol.25, No.2, pp. 65-86
Trimborn, S., & Härdle, WK (2018). CRIX um índice para criptomoedas. Diário
of Empirical Finance, 49 (agosto), 107–122. https://doi.org/10.1016/j.jempfin.2018.08.004
Weber, B., 2014. Bitcoin e a crise de legitimidade do dinheiro. Cambridge Journal of Economics. http://
dx.doi.org/10.1093/cje/beu067.
O que são tokens de utilidade e como eles serão regulamentados? - Borda SFOX.
Sfox. com. (2018). Recuperado em 2 de abril de 2020, em https://www.sfox.com/blog/what-are-utility tokens-and-
how-will-they-be-regulated/.
Wu, K., Wheatley, S., & Sornette, D. (2018). Classificação de moedas e tokens de criptomoeda pela
dinâmica de suas capitalizações de mercado. Royal Society Open Science, 5(9), 1–11. https://doi.org/10.1098/
rsos.180381
Zainuddin, A. (2020). Retornos de Bitcoin vs Alt Coins: Comparação de Ganhos em Bitcoin vs Alt Coins.
Domine a criptografia. Recuperado em 8 de abril de 2020, em https://masterthecrypto.com/bitcoin-vs-alt-coins-
returns-comparison-gains-bitcoin-altcoins/.
32
Machine Translated by Google
APÊNDICE
Apêndice 1
Dogecoin descentralizado
EOS Enjincoin
Ethereum parque de diversões
Ontologia Nexo
QtumName OmiseGO
Ravencoin Populoso
Ondulação Pundi X
Stem Protocolo da República
Estelar Seele
Tezos Status
Tron Token de Rede Synthetix
Zcash Tierion
Esta tabela apresenta todas as criptomoedas e tokens utilizados na análise em ordem alfabética.
33
Machine Translated by Google
Apêndice 2
Estatísticas descritivas para os 25 portfólios de criptomoedas classificados por tamanho e índice NVT
P11 P12 P13 P14 P15
Significar 0,954% -0,603% -0,159% -1,127% -0,551%
Mediana 0,032% -0,565% 0,149% -0,870% -0,303%
Máximo 55,899% 39,859% 29,776% 39,198% 15,632%
Mínimo -44,584% de -53,980% -50,791% -51,395% -21,910%
0,100 0,079 0,081 0,075 0,044
assimetria padrão1,165 -0,354 -0,599 -1,151 -0,312
Curtose 6.540 9.223 5.515 10.964 3.010
34
Machine Translated by Google
Esta tabela apresenta as estatísticas descritivas para as 25 carteiras de criptomoedas classificadas por tamanho e índice NVT.
O primeiro número no nome do portfólio indica o percentil de tamanho e o segundo número, o percentil de relação NVT. Como
exemplo, P31 refere-se ao portfólio no percentil 40 a 60 em tamanho e percentil 20 em relação NVT.
35
Machine Translated by Google
Apêndice 3
Estatísticas descritivas para os 25 portfólios de token classificados por tamanho e índice NVT
P11 P12 P13 P14 P15
Significar 0,240% 0,307% 0,321% -0,075% -0,140%
Mediana -0,285% -0,326% 0,331% 0,228% -0,224%
Máximo 76,960% Mínimo 56,978% 71,024% 31,640% 29,776%
-60,210% Std 0,110 Distorção -53,969% -47,160% -51,374% -20,993%
1,269 0,094 0,084 0,084 0,064
1,613 1,477 -0,949 0,434
Curtose 12.119 12.084 18.193 7.422 3.172
36
Machine Translated by Google
Esta tabela apresenta as estatísticas descritivas para os 25 portfólios de token classificados por tamanho e índice
NVT. O primeiro número no nome do portfólio indica o percentil de tamanho e o segundo número, o percentil de
relação NVT. Como exemplo, P31 refere-se ao portfólio no percentil 40 a 60 em tamanho e percentil 20 em relação NVT.
37
Machine Translated by Google
Apêndice 4
ÿMkt-Rf
menor 0,370*** 1,069*** 0,108 0,541*** 1,160*** -0,055
2 0,209** 0,635*** 0,562*** 0,100
3 0,344*** 0,286*** 0,526*** 0,506*** 0,061 0,271***
4 0,513*** 0,222*** 0,396*** 0,109* 0,600*** 0,197***
O maior 0,047 0,337*** 0,237***
ÿSMB
menor -0,163 0,052 -0,395*** 0,096 -0,355**
2 -0,963*** -0,476*** -0,187** -0,227* -0,440***
3 -0,783*** -0,543*** -0,133 -0,725*** -0,898***
4 -0,558*** -0,623*** -0,624*** -0,627*** -0,988***
O maior -0,527*** -0,544*** -0,268*** -0,188** -1,338***
ÿHML
menor -0,139 -0,387*** -0,627*** -0,148** -1,182***
2 0,407*** -0,082 0,078 -0,539*** -0,298*** -0,508*** -0,633***
3 -0,520*** -0,618*** -0,178** 0,042
4 0,295*** -0,132 -0,429*** 0,012
O maior -0,077 0,222*** -0,428*** -0,341*** 0,364***
38
Machine Translated by Google
R2
menor 0,028 0,630 0,272 0,577 0,243
2 0,142 0,027 0,354 0,179 0,099
3 0,098 0,112 0,259 0,109 0,273
4 0,164 0,176 0,130 0,254 0,278
Esta tabela mostra o R2 obtido na regressão de todas as 25 carteiras classificadas por tamanho e índice NVT.
Esta tabela mostra o erro padrão obtido na regressão de todas as 25 carteiras classificadas por tamanho e razão NVT.
39
Machine Translated by Google
Apêndice 5
ÿMKT
menor 0,287** 0,114 0,910 -0,648 3.134***
2 0,346*** 0,286*** 0,515** 0,608 -0,542
3 0,458*** 0,224*** 0,405** 0,072 0,142
4 0,711*** 0,430*** -0,072 0,105 0,135
O maior 0,205*** 0,549*** 0,335*** 0,127** 0,493***
ÿSMB
menor 0,051 0,013 0,240 2.263*** 3.605***
2 -0,005 -0,016 0,088 0,982*** 3.043***
3 0,008 -0,008 -0,041* 0,802*** -0,051
4 0,043* -0,078*** -0,013 0,269*** -0,008
O maior 0,011 0,020 0,008 0,038** -0,035
Esta tabela mostra o R2 obtido na regressão de todas as 25 carteiras classificadas por tamanho e índice NVT.
40
Machine Translated by Google
Esta tabela mostra o erro padrão obtido na regressão de todas as 25 carteiras classificadas por tamanho e razão
NVT.
41
Machine Translated by Google
Regressão 2: ( ) ÿ = ÿ (( )ÿ)+ ÿ( )
ÿMKT
menor 0,277** 0,118 0,895 -1,013 2.485**
2 0,342*** 0,283*** 0,488** 0,502 -0,973
3 0,472*** 0,220*** 0,414*** -0,073 0,167
4 0,706*** 0,449*** -0,077 0,034 0,144*
ÿHML
menor -0,035 -0,021 -0,222 -1,658*** -2,507*** -0,820***
2 0,014 0,023 -0,038 -2,346***
3 -0,034* 0,016 0,025 -0,556*** 0,005
4 -0,034* 0,043** 0,024 -0,142** -0,008
O maior -0,007 -0,007 0,018 0,000 0,017
Esta tabela mostra o R2 obtido na regressão de todas as 25 carteiras classificadas por tamanho e índice NVT.
42
Machine Translated by Google
Esta tabela mostra o erro padrão obtido na regressão de todas as 25 carteiras classificadas por tamanho e razão
NVT.
43
Machine Translated by Google
Apêndice 6
Tabelas ANOVA
P12
P13
Regressão 3 0,269 0,090 15.185 0,000
Residual 390 2.303 0,006
Total 393 2.572
P14
P15
Regressão 3 0,116 0,039 23.991 0,000
Residual 390 0,628 0,002
Total 393 0,744
P21
P22
P23
Regressão 3 0,267 0,089 17.530 0,000
Residual 390 1.981 0,005
Total 393 2.248
P24
44
Machine Translated by Google
P25
Regressão 3 0,245 0,082 42.445 0,000
Residual 390 0,751 0,002
Total 393 0,997
P31
Regressão 3 0,481 0,160 49.901 0,000
Residual 390 1.254 0,003
Total 393 1.736
P32
Regressão 3 0,514 0,171 72.786 0,000
Residual 390 0,918 0,002
Total 393 1.432
P33
Regressão 3 0,421 0,140 46.731 0,000
Residual 390 1.170 0,003
Total 393 1.591
P34
Regressão 3 0,192 0,064 20.619 0,000
Residual 390 1.213 0,003
Total 393 1.405
P35
Regressão 3 0,106 0,035 14.995 0,000
Residual 390 0,923 0,002
Total 393 1.029
P41
P42
P43
Regressão 3 0,155 0,052 17.024 0,000
Residual 390 1.186 0,003
Total 393 1.342
P44
45
Machine Translated by Google
P45
Regressão 3 0,165 0,055 33.464 0,000
Residual 390 0,641 0,002
Total 393 0,806
P51
Regressão 3 0,713 0,238 42.942 0,000
Residual 390 2.159 0,006
Total 393 2.872
P52
Regressão 3 0,177 0,059 15.330 0,000
Residual 390 1.500 0,004
Total 393 1.677
P53
Regressão 3 0,446 0,149 50.236 0,000
Residual 390 1.154 0,003
Total 393 1.600
P54
Regressão 3 0,297 0,099 51.441 0,000
Residual 390 0,749 0,002
Total 393 1.046
P55
Regressão 3 0,617 0,206 256.719 0,000
Residual 390 0,312 0,001
Total 393 0,929
46
Machine Translated by Google
P12
Regressão 2 0,114 391 0,057 6.594 0,002
Residual 3,383 393 0,009
Total 3,498
P13
Regressão 2 0,193 391 0,097 14.536 0,000
Residual 2,596 393 0,007
Total 2,789
P14
Regressão 2 0,460 391 0,230 39.416 0,000
Residual 2,283 0,006
Total 393 2.744
P15
Regressão 2 0,038 0,019 4.734 0,009
Residual 391 1.576 0,004
Total 393 1.614
P21
Regressão 2 0,012 0,006 0,558 0,573
Residual 391 4.356 0,011
Total 393 4.369
P22
Regressão 2 0,083 0,042 4.302 0,014
Residual 391 3.794 0,010
Total 393 3.878
P23
Regressão 2 0,049 0,025 5.156 0,006
Residual 391 1.871 0,005
Total 393 1.920
P24
Regressão 2 0,267 0,133 19.217 0,000
Residual 391 2.712 0,007
Total 393 2.978
P25
Regressão 2 0,274 0,137 47.160 0,000
47
Machine Translated by Google
P31
Regressão 2 1.135 0,568 1.285 0,278
Residual 391 172.676 0,442
Total 393 173.811
P32
Regressão 2 0,281 0,140 3.764 0,024
Residual 391 14.570 0,037
Total 393 14.850
P33
Regressão 2 0,187 0,093 17.997 0,000
Residual 391 2.031 0,005
Total 393 2.218
P34
Regressão 2 0,006 0,003 0,420 0,657
Residual 391 2.569 0,007
Total 393 2.574
P35
Regressão 2 0,103 0,052 16.473 0,000
Residual 391 1.223 0,003
Total 393 1.326
P41
Regressão 2 53.389 26.695 25.423 0,000
Residual 391 410.565 1.050
Total 393 463.954
P42
Regressão 2 9.447 4.723 9.085 0,000
Residual 391 203.275 0,520
Total 393 212.721
P43
Regressão 2 6.418 3.209 13.137 0,000
Residual 391 95.510 0,244
Total 393 101.928
P44
Regressão 2 0,711 0,355 3.625 0,028
Residual 391 38.348 0,098
Total 393 39.059
P45
Regressão 2 0,025 0,013 3.945 0,020
48
Machine Translated by Google
P51
Regressão 2 128.637 64.318 75.410 0,000
Residual 391 333.490 0,853
Total 393 462.127
P52
Regressão 2 95.067 47.534 61.213 0,000
Residual 391 303.621 0,777
Total 393 398.688
P53
Regressão 2 0,052 0,026 2.538 0,080
Residual 391 4.008 0,010
Total 393 4.060
P54
Regressão 2 0,019 0,009 1.539 0,216
Residual 391 2.397 0,006
Total 393 2.416
P55
Regressão 2 0,256 0,128 61.808 0,000
Residual 391 0,808 0,002
Total 393 1.064
49
Machine Translated by Google
P12
Regressão 2 0,117 391 0,059 6.788 0,001
Residual 3,380 393 0,009
Total 3,498
P13
Regressão 2 0,215 391 0,108 16.340 0,000
Residual 2,574 393 0,007
Total 2,789
P14
Regressão 2 0,464 391 0,232 39.821 0,000
Residual 2,279 0,006
Total 393 2.744
P15
Regressão 2 0,038 0,019 4.710 0,010
Residual 391 1.576 0,004
Total 393 1.614
P21
Regressão 2 0,019 0,009 0,854 0,427
Residual 391 4.350 0,011
Total 393 4.369
P22
Regressão 2 0,091 0,045 4.682 0,010
Residual 391 3.787 0,010
Total 393 3.878
P23
Regressão 2 0,054 0,027 5.650 0,004
Residual 391 1.866 0,005
Total 393 1.920
P24
Regressão 2 0,243 0,122 17.405 0,000
Residual 391 2.735 0,007
Total 393 2.978
P25
Regressão 2 0,271 0,135 46.500 0,000
50
Machine Translated by Google
P31
Regressão 2 1.512 0,756 1.715 0,181
Residual 391 172.299 0,441
Total 393 173.811
P32
Regressão 2 0,232 0,116 3.102 0,046
Residual 391 14.618 0,037
Total 393 14.850
P33
Regressão 2 0,182 0,091 17.456 0,000
Residual 391 2.036 0,005
Total 393 2.218
P34
Regressão 2 0,015 0,008 1.173 0,310
Residual 391 2.559 0,007
Total 393 2.574
P35
Regressão 2 0,109 0,054 17.486 0,000
Residual 391 1.217 0,003
Total 393 1.326
P41
Regressão 2 55.781 27.890 26.717 0,000
Residual 391 408.174 1.044
Total 393 463.954
P42
Regressão 2 12.876 6.438 12.596 0,000
Residual 391 199.845 0,511
Total 393 212.721
P43
Regressão 2 6.024 3.012 12.280 0,000
Residual 391 95.904 0,245
Total 393 101.928
P44
Regressão 2 0,386 0,193 1.949 0,144
Residual 391 38.674 0,099
Total 393 39.059
P45
Regressão 2 0,011 0,005 1.660 0,192
51
Machine Translated by Google
P51
Regressão 2 121.621 60.811 69.829 0,000
Residual 391 340.505 0,871
Total 393 462.127
P52
Regressão 2 109.696 54.848 74.209 0,000
Residual 391 288.992 0,739
Total 393 398.688
P53
Regressão 2 0,027 0,014 1.315 0,270
Residual 391 4.033 0,010
Total 393 4.060
P54
Regressão 2 0,020 0,010 1.598 0,204
Residual 391 2.396 0,006
Total 393 2.416
P55
Regressão 2 0,249 0,125 59.845 0,000
Residual 391 0,815 0,002
Total 393 1.064
52
Machine Translated by Google
Apêndice 7
ÿMkt-Rf
Menor 2 0,364*** 1,069*** 0,523*** 1,162*** -0,075
0,078 0,192** 0,626*** 0,552*** 0,082
0,318*** 0,264*** 0,497*** 0,035 0,236***
34 0,509*** 0,491*** 0,085 0,578*** 0,163***
Esta tabela mostra o R2 obtido na regressão de todas as 25 carteiras classificadas por tamanho e índice NVT.
Esta tabela mostra o erro padrão obtido na regressão de todas as 25 carteiras classificadas por tamanho e razão NVT.
53
Machine Translated by Google
ÿMkt-Rf
menor -0,069 -0,092 0,309 -0,100 1.060
2 0,223** -0,225** -0,152 -0,344 -1,432
3 -0,129 0,126 0,118 -0,296 -0,126
4 0,020 0,098 -0,109 -0,022 0,092
Esta tabela mostra o R2 obtido na regressão de todas as 25 carteiras classificadas por tamanho e índice NVT.
Esta tabela mostra o erro padrão obtido na regressão de todas as 25 carteiras classificadas por tamanho e razão NVT.
54
Machine Translated by Google
Apêndice 8
teste GRS
55
Machine Translated by Google
Apêndice 9
Prob(estatística F) 0,690
Prob(estatística F) 0,034
56