Предмет. Процесс экономико-математического моделирования временных рядов, характеризующих волатильность биржевого курса биткоина, на основе использования класса моделей авторегрессии скользящего среднего (ARMA). Цели. Поиск и научное обоснование инструментов и механизмов разработки прогностических оценок развития рынка криптовалюты. Методология. Применены инструменты стохастического анализа стационарных и нестационарных временных рядов. Результаты. Использование класса моделей ARIMA в процессе моделирования параметров развития глобального рынка криптовалюты позволяет с высоким уровнем точности предсказывать не только текущие, но и будущие корректировки курса цифровых денег на период до трех—четырех месяцев. Область применения. Результаты представляют практический интерес для органов государственной власти в сфере регулирования рынка криптовалюты и для представителей бизнес-сообщества. Выводы. К концу III кв. 2018 г. биржевая стоимость биткоин составит порядка 11 000 долл. США. Использующиеся в исследовании методические подходы моделирования позволяют определить не только возможные будущие тренды, в фарватере которых будут происходить корректировки, но и колебания биржевых курсов на протяжении всего прогнозируемого периода времени.
Lo S., Wang C.J. Bitcoin as money? Federal Reserve Bank of Boston: Current Policy Perspectives, 2014, no. 2014-4. URL: Link
Li X., Wang Ch.A. The technology and economic determinants of cryptocurrency exchange rates: The case of Bitcoin. Decision Support Systems, 2017, vol. 95, pp. 49–60.
Nakamoto S. Bitcoin: A peer- to- peer electronic cash system. Bitcoin.org. 2008. URL: Link
Bouoiyour J., Selmi R. Bitcoin price: Is it really that new round of volatility can be on way? Munich Pers. RePEc Arch, 2015. URL: Link
Hayes A.S. Cryptocurrency value formation: An empirical study leading to a cost of production model for valuing bitcoin. Telematics and Informatics, 2017, vol. 34, iss. 7, pp. 1308–1321.
Kim K.J., Hong S.P. Study on Rule- based Data Protection System Using Blockchain in P2P Distributed Networks. International Journal of Security and its Application, 2016, vol. 10, no. 11, pp. 201–210
Luther W. Cryptocurrencies, Network Effects, and Switching Costs. Contemporary Economic Policy, 2016, no. 34(3), pp. 553–571. URL: Link.
Vranken H. Sustainability of bitcoin and blockchains. Current Opinion in Environmental Sustainability, 2017, vol. 28, pp. 1–9.
Wang H., He D., Ji Y. Designated-verifier proof of assets for bitcoin exchange using elliptic curve cryptography. Future Generation Computer Systems, 2017. URL: Link
Wilson M., Yelowitz A. Characteristics of Bitcoin users: an analysis of Google search data. URL: Link
Bariviera A.F., Basgall M.J., Hasperué W., Naiouf M. Some stylized facts of the Bitcoin market. Physica A: Statistical Mechanics and its Application, 2017, vol. 484, pp. 82–90. URL: Link. 1016/j.physa.2017.04.159
White L.H. The market for cryptocurrencies. Cato Journal, 2015, vol. 35, iss. 2, pp. 383–402.
Cheah E.T., Fry J. Speculative bubbles in Bitcoin markets? An empirical investigation into the fundamental value of Bitcoin. Economics Letters, 2015, vol. 130, pp. 32–36. URL: Link
Perron P. Further Evidence on Breaking Trend Functions in Macroeconomic Variables. Journal of Econometrics, 1997, vol. 80, iss. 2, pp. 355–385.
Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. М.: Мир, 1974.
Granger C.W.J., King M.L., White H. Comments on the Testing of Economic Theories and the Use of Model Selection Criteria. Journal of Econometrics, 1995, vol. 67, iss. 1, pp. 173–187.
