Wielowymiarowy obraz ryzyka na giełdach walut kryptograficznych

• Autorzy: Kinga Kądziołka
• Języki publikacji: PL

Abstrakty

W artykule zwrócono uwagę na różne aspekty ryzyka związanego z posiadaniem i inwestycją w waluty kryptograficzne. Na przykładzie strategii inwestycyjnej wykorzystującej model lasu losowego zwrócono uwagę, że strategia generująca zyski w przeszłości nie musi być równie skuteczna w przyszłości. Ponadto strategia przynosząca w danym okresie zyski na jednej giełdzie, na innej może wygenerować straty. (abstrakt oryginalny)

EN

Article presents potential financial risks to which the Bitcoin users are exposed. There was also presented investment strategy based on random forest. It was tested on BitMarket.pl Exchange. Random forest worked better than "buy and hold" strategy, but in some cases it generated loses. (original abstract)

Słowa kluczowe

PL

Bitcoin; Giełda; Ryzyko

EN

Bitcoin; Stock exchange; Risk

• Czasopismo: Kwartalnik Prawo-Społeczeństwo-Ekonomia
• Rocznik: 2015
• Numer: nr 4
• Strony: 67--81

Twórcy

autor

Kinga Kądziołka

Bibliografia

• A. Karathanasopoulos, Modeling and Trading the EUR/USD Exchange Rate Using Machine Learning Techniques, ETASR - Engineering, Technology & Applied Science Research, Vol. 2, No. 5, 2012.
• A. Kasznia, Prognozowanie finansowych szeregów czasowych przy użyciu jednokierunkowych sieci neuronowych, [w:] A. S. Barczak, D. Iskra (red.), Metody matematyczne, ekonometryczne i komputerowe w finansach i ubezpieczeniach 2010, Wydawnictwo Uniwersytetu Ekonomicznego w Katowicach, Katowice 2012.
• A. Liaw, M. Wiener, Classification and Regression by randomForest, R News 2(3), 2002, s. 20.
• A. Matuszewska-Janica, D. Witkowska, Modelowanie kursu euro/dolar: dynamiczne modele ekonometryczne i sztuczne sieci neuronowe, Zeszyty Naukowe SGGW "Ekonomika i Organizacja Gospodarki Żywnościowej", nr 69, 2008.
• A. Moser i in., Bitcoin Stock Prediction Using Artificial Neural Networks, http://academia.edu/17464066/Bitcoin_Stock_Prediction_Using_Artificial_Neural_Networks, 06.11.2015.
• D. Witkowska, Sztuczne sieci neuronowe i metody statystyczne. Wybrane zagadnienia finansowe, Wydawnictwo C.H. Beck, Warszawa 2002, s. 97 - 110.
• E. Gatnar, Podejście wielomodelowe w zagadnieniach dyskryminacji i regresji, Warszawa 2008, s. 37- 44.
• I. Madan i in., Automated Bitcoin Trading via Machine Learning Algorithms, http://cs229.stanford.edu/projects2014.html, 11.03.2015].
• J. Korczak, P. Lipiński, Systemy agentowe we wspomaganiu decyzji na rynku papierów wartościowych, [w:] M. Ganzha i in. (red.), Rozwój informatycznych systemów wieloagentowych w środowiskach społeczno - gospodarczych, Wydawnictwo Placet, Warszawa, 2008.
• J. W. Wójcik, Oszustwa finansowe. Zagadnienia kryminologiczne i kryminalistyczne, Wydawnictwo JWW, Warszawa 2008, s. 287.
• K. Kądziołka, Ocena ryzyka inwestycji w kryptowalutę bitcoin, "Współczesna Gospodarka", 3/2015.
• K. Kądziołka, Transakcje kryptowalutą bitcoin - wybrane zagrożenia, "Rola informatyki w naukach ekonomicznych i społecznych. Innowacje i implikacje interdyscyplinarne", 1/2015, Wydawnictwo Wyższej Szkoły Handlowej w Kielcach.
• L. M. Badea, Forecasting Exchange Rates with Mixed Models, Journal of Mobile, Embedded and Distributed Systems - JMEDS, Vol 5, No 2, 2013.
• M. Rosenfeld, Analysis of hashrate - based double - spending, http://arxiv.org/abs/1402.2009, 29.03.2015.
• M. Sarapata, Prognozowanie finansowych szeregów czasowych z wykorzystaniem modeli jednokierunkowych sieci neuronowych, "Studia Ekonomiczne" nr 181/14, Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach, Katowice, 2014.
• M. Szymankiewicz, Bitcoin. Wirtualna waluta Internetu, Helion, Gliwice, 2014, s. 84-86.
• M. Wojnarowska, Analiza wpływu kryzysu finansowego 2007 - 2009 na spółki notowane na GPW w Warszawie z wykorzystaniem metody VaR, [w:] A. S. Barczak, D. Iskra (red.), Metody matematyczne, ekonometryczne i komputerowe w finansach i ubezpieczeniach 2010, Wydawnictwo Uniwersytetu Ekonomicznego w Katowicach, 2012, s. 422 - 423.
• P. Lula, J. Morajda, Klasyfikacja wzorców występujących w finansowych szeregach czasowych przy użyciu sieci neuronowych Kohonena, Zeszyty Naukowe Akademii Ekonomicznej w Krakowie, nr 604, 2002.
• P.A. Gloor, J. Kaminski, Nowcasting the Bitcoin Market with Twitter Signals, www.arxiv.org/pdf/1406.7577, 11.03.2015.
• Q. Qin, Linear and Nonlinear Trading Models with Gradient Boosted Random Forests and Application to Singapore Stock Market, Journal of Intelligent Learning Systems and Applications, 5/2013.
• R. Czyżyckiego i J. Purczyńskiego, Ryzyko inwestycji w spółki sektora TSL na Warszawskiej Giełdzie Papierów Wartościowych, Logistyka 6/2014.
• T. Moore, N. Christin, Beware the Middleman: Empirical Analysis of Bitcoin - Exchange Risk, www.fc13.ifca.ai/slide/1-2.pdf, 06.11.2015.
• W. Dadak, Ryzyko wiktymizacji uczestników obrotu gospodarczego przestępstwami gospodarczymi, "Czasopismo prawa karnego i nauk penalnych", 2/2010, s. 104.
• X. Li i in., Exploring the Determinants of Bitcoin Exchange Rate, http://papers.ssrn.com/sol3/papers.cfm?abstract_id=2515233, 11.03.2015.