| Анотація: | Методологія дослідження. У дослідженні використано комплексний підхід до моделювання торговельної поведінки учасників ринку цифрового активу MIRA, що поєднує кластеризацію адрес, приховану марковську модель (HMM), стохастичні агентні політики та рекурсивну модель автоматизованого маркет-мейкінгу з постійним добутком (CPMM). На основі історичних транзакцій адреси було агреговано у три поведінкові кластери, для яких сформовано режимно-залежні політики активності, кількості операцій та торговельних бюджетів. Для визначення латентних станів ринку використано HMM із фільтрованими ймовірностями, розрахованими виключно на основі інформації, доступної до початку відповідного блока. Кількість операцій моделювалася з використанням від’ємного біноміального розподілу, торговельні бюджети – комбінацією зрізаного розподілу Student-풕 та узагальненого розподілу Парето, а їх розподіл між окремими операціями – розподілом Діріхле. динаміку без використання фактичних транзакцій симульованого інтервалу. Результати. Результати дослідження засвідчили наявність вираженої поведінкової неоднорідності учасників ринку MIRA, що дозволило сформувати три агреговані кластери з відмінними характеристиками торговельної активності. Встановлено доцільність використання трирежимної специфікації HMM для опису латентних станів ринку та включення режимних імовір-ностей до генеративних політик кластерів. Запропонована модель забезпечила послідовне формування активності, кількості та бюджетів операцій з урахуванням поточного стану ринку та ліквідності пулу. Рекурсивна CPMM-симуляція сформувала замкнений контур, у якому згенеровані операції ендогенно змінюють резерви та ціну, а отриманий стан використовується для генерації наступного блока. Новизна. Наукова новизна полягає у розробленні режимно-залежної генеративної моделі торговельної поведінки, яка трансформує емпірично визначені поведінкові кластери адрес у агрегованих агентів із власними стохастичними політиками. На відміну від підходів, що розглядають кластеризацію, режимну динаміку та механіку AMM відокремлено, запропоновано їх інтеграцію в єдину рекурсивну систему. Практична значущість. Практична значущість дослідження полягає у можливості використання запропонованої моделі для аналізу поведінки гетерогенних груп учасників децентралізованих фінансових ринків та оцінювання їхнього впливу на ринкову динаміку. Розроблений підхід може застосовуватися для тестування контрфактичних сценаріїв, оцінювання стійкості ліквідності та дослідження наслідків зміни параметрів торговельних політик і механізмів автоматизованого маркет-мейкінгу. |
| Література: | - 1. Aspembitova, A.T., Feng, L., & Chew, L.Y. (2021). Behavioral structure of users in cryptocurrency market. PLOS ONE, Vol. 16, No. 1. Art. e0242600. DOI: 10.1371/journal.pone.0242600
- 2. Tesfatsion, L. (2006). Agent-Based Computational Economics: A Constructive Approach to Economic Theory. In: Tesfatsion L., Judd K. L. (eds.). Handbook of Computational Economics. Vol. 2: Agent- Based Computational Economics. Amsterdam : Elsevier, 2006. Pp. 831-880. DOI: 10.1016/S1574-0021(05)02016-2.
- 3. Cocco, L., Concas, G., & Marchesi, M. (2017). Using an artificial financial market for studying a cryptocurrency market. Journal of Economic Interaction and Coordination, Vol. 12, No. 2, Pp. 345-365. DOI: 10.1007/s11403-015-0168-2.
- 4. Windrum P., Fagiolo, G., & Moneta, A. (2007). Empirical validation of agent-based models: Alternatives and prospects. Journal of Artificial Societies and Social Simulation, Vol. 10, No. 2. Art. 8.
- 5. Ardia, D., Bluteau, K., & Rüede, M. (2019). Regime changes in Bitcoin GARCH volatility dynamics. Finance Research Letters, Vol. 29, Pp. 266-271. DOI: 10.1016/j.frl.2018.08.009.
- 6. Figà-Talamanca, G., Focardi, S.M., Patacca, M. (2021). Regime switches and commonalities of the cryptocurrencies asset class. Research in International Business and Finance, Vol. 57, Art. 101400. https://doi.org/10.1016/j.najef.2021.101425
- 7. Rabiner, L.R. (1989). A tutorial on hidden Markov models and selected applications in speech recognition. Proceedings of the IEEE, Vol. 77, No. 2. Pp. 257-286. DOI: 10.1109/5.18626.
- 8. Schär, F. (2021). Decentralized Finance: On Blockchain- and Smart Contract-Based Financial Markets. Federal Reserve Bank of St. Louis Review, Vol. 103, No. 2. Pp. 153-174. DOI: 10.20955/r.103.153-74.
- 9. Angeris, G., & Chitra, T. (2020). Improved techniques for evaluating constant function market makers. Proceedings from MIIM ‘20 2nd ACM Conference on Advances in Financial Technologies. (pp. 34-46). New York: ACM. DOI: 10.1145/3419614.3423257.
- 10. Cartea, Á., Drissi, F., & Monga, M. (2023). Decentralised Finance and Automated Market Making: Execution and Speculation. DOI: 10.48550/arXiv.2307.03499.
- 11. Werner, S.M., Perez, D., Gudgeon, L., Klages-Mundt, A., Harz, D., & Knottenbelt, W.J. (2021). SoK: Decentralized Finance (DeFi). DOI: 10.48550/arXiv.2101.08778.
- 12. Tarasova, T., Usatenko, O., Makurin, A., Ivanenko, V. & Cherchata, A. (2020). Accounting and features of mathematical modeling of the system to forecast cryptocurrency exchange rate. Accounting, 6(3), 357-364. DOI: 10.5267/j.ac.2020.1.003
|
Архів