Перед тем как вы погрузитесь в изучение статьи, обратите внимание на тот факт что всё упомянутое в ней не является финансовой рекомендацией для принятие более взвешенного решения просьба провести свое собственное исследование.
Они обнаружили, что на рынках, движимых импульсом (моментумом), LETF с ежедневной ребалансировкой, как правило, демонстрируют превосходство, в то время как на возвращающихся к средним или колеблющихся рынках частая ребалансировка может усилить потери.
Например, эмпирические тесты на основе 20-летних данных по SPY и QQQ подтверждают, что LETF выигрывали на бычьих рынках, таких как восстановление после 2009 года, но недорабатывали на боковых рынках, где ребалансировка систематически снижала доходность.
120-дневный скользящий суммарный эффект левериджир-ETF на основе SPY (-2x, -1x, 2x, 3x) с 2009 по 2024 год. Положительные всплески приходятся на сильные трендовые рынки, где леверидж усиливает прибыль, в то время как резкие падения происходят в периоды волатильности или возврата к средним, такие как крах COVID-19 в 2020 году, когда частая ребалансировка снижает доходность. Это иллюстрирует, что эффективность LETF в значительной степени зависит не только от волатильности, но и от автокорреляции базового рынка и поведения тренда.
Основной вывод: инвесторы должны учитывать не только волатильность, но и автокорреляцию доходности при использовании LETF, а также корректировать частоту ребалансировки в зависимости от текущей рыночной ситуации.
Внимание инвесторов влияет на реализованную волатильность Bitcoin, Ethereum и XRP, путем разделения влияния институциональных игроков (измеряется с помощью новостей Bloomberg) и розничных инвесторов (измеряется с помощью данных Twitter).
Эксперты применяют как эконометрические модели GARCH-X, так и передовые методы машинного обучения, такие как нейронные сети, random forest и регрессия опорных векторов.
Они обнаружили, что институциональное внимание последовательно предсказывает волатильность криптовалют, в то время как розничное внимание демонстрирует смешанный или слабый эффект. Примечательно, что роль «китов» (крупных держателей, контролирующих значительную часть предложения) усиливает волатильность в Bitcoin и Ethereum, но не в XRP, где централизованный контроль гасит подобные эффекты.
Этот график важности SHAP для биткойна (BTC) показывает, что внимание институциональных инвесторов оказывает большее среднее влияние на прогнозирование волатильности BTC по сравнению с вниманием розничных инвесторов. Значение SHAP отражает, какой вклад вносит каждый признак в результат модели по всем наблюдениям, выделяя институциональных участников в качестве основных факторов волатильности на рынке биткойна.
Гистограммы ранжируют характеристики по их среднему значению SHAP, показывая, что институциональное внимание является доминирующим фактором волатильности для Bitcoin и Ethereum, в то время как розничное внимание играет большую роль в прогнозировании волатильности XRP.
Эти результаты свидетельствуют о том, что, хотя розничный шум имеет значение, институциональные игроки, вооруженные капиталом и лучшей информацией, играют главную роль в формировании турбулентности криптовалютного рынка, а инструменты машинного обучения лучше приспособлены для отражения этих сложных, нелинейных взаимосвязей.
Построеная неокейнсианская модель, позволяющая проследить, как внезапные тарифные шоки отражаются на ВВП, торговом балансе, ценах и занятости. Эксперты обнаружили, что когда домохозяйства резко сокращают расходы (из-за роста цен), а экспорт теряет конкурентоспособность, экономика сокращается даже до рассмотрения ответных мер.
Они показывают, что ключевой переломный момент зависит от того, насколько легко потребители откладывают покупки и насколько чувствителен внешний спрос к изменению цен. Когда другие страны вводят ответные тарифы, рецессия углубляется, а торговый баланс может фактически ухудшиться, что резко контрастирует с долгосрочными моделями торговли, предсказывающими сбалансированные потоки.
Далее тестируют модель при различных реакциях на денежно-кредитную политику, запасы и ожидаемый эффект тарифов, обнаруживая, что рецессии трудно избежать, даже когда политики пытаются компенсировать шоки. В целом, в работе утверждается, что краткосрочные макроэкономические риски делают оптимальные тарифы гораздо ниже, чем предполагает стандартная торговая теория, особенно если учесть боль от вызванного тарифами спада.
Мифы о Leveraged ETF
Само по себе влияние волатильности не объясняет показатели LETF. Напротив, комплексный эффект зависит от динамики доходности базового рынка, например от того, является ли доходность независимой, следованием за трендом или возвратом к средней. Авторы используют единую систему, объединяющую модели AR(1), AR-GARCH и режимных переключений, для изучения поведения LETF в различных условиях.Они обнаружили, что на рынках, движимых импульсом (моментумом), LETF с ежедневной ребалансировкой, как правило, демонстрируют превосходство, в то время как на возвращающихся к средним или колеблющихся рынках частая ребалансировка может усилить потери.
Например, эмпирические тесты на основе 20-летних данных по SPY и QQQ подтверждают, что LETF выигрывали на бычьих рынках, таких как восстановление после 2009 года, но недорабатывали на боковых рынках, где ребалансировка систематически снижала доходность.
120-дневный скользящий суммарный эффект левериджир-ETF на основе SPY (-2x, -1x, 2x, 3x) с 2009 по 2024 год. Положительные всплески приходятся на сильные трендовые рынки, где леверидж усиливает прибыль, в то время как резкие падения происходят в периоды волатильности или возврата к средним, такие как крах COVID-19 в 2020 году, когда частая ребалансировка снижает доходность. Это иллюстрирует, что эффективность LETF в значительной степени зависит не только от волатильности, но и от автокорреляции базового рынка и поведения тренда.
Основной вывод: инвесторы должны учитывать не только волатильность, но и автокорреляцию доходности при использовании LETF, а также корректировать частоту ребалансировки в зависимости от текущей рыночной ситуации.
Внимание инвесторов и волатильность криптовалют
Внимание институциональных инвесторов является более сильным и последовательным драйвером волатильности криптовалют, чем болтовня индивидуальных инвесторов, причем модели машинного обучения выявляют эти закономерности лучше, чем традиционные эконометрические инструменты.Внимание инвесторов влияет на реализованную волатильность Bitcoin, Ethereum и XRP, путем разделения влияния институциональных игроков (измеряется с помощью новостей Bloomberg) и розничных инвесторов (измеряется с помощью данных Twitter).
Эксперты применяют как эконометрические модели GARCH-X, так и передовые методы машинного обучения, такие как нейронные сети, random forest и регрессия опорных векторов.
Они обнаружили, что институциональное внимание последовательно предсказывает волатильность криптовалют, в то время как розничное внимание демонстрирует смешанный или слабый эффект. Примечательно, что роль «китов» (крупных держателей, контролирующих значительную часть предложения) усиливает волатильность в Bitcoin и Ethereum, но не в XRP, где централизованный контроль гасит подобные эффекты.
Этот график важности SHAP для биткойна (BTC) показывает, что внимание институциональных инвесторов оказывает большее среднее влияние на прогнозирование волатильности BTC по сравнению с вниманием розничных инвесторов. Значение SHAP отражает, какой вклад вносит каждый признак в результат модели по всем наблюдениям, выделяя институциональных участников в качестве основных факторов волатильности на рынке биткойна.
Гистограммы ранжируют характеристики по их среднему значению SHAP, показывая, что институциональное внимание является доминирующим фактором волатильности для Bitcoin и Ethereum, в то время как розничное внимание играет большую роль в прогнозировании волатильности XRP.
Эти результаты свидетельствуют о том, что, хотя розничный шум имеет значение, институциональные игроки, вооруженные капиталом и лучшей информацией, играют главную роль в формировании турбулентности криптовалютного рынка, а инструменты машинного обучения лучше приспособлены для отражения этих сложных, нелинейных взаимосвязей.
Рецессионные риски, связанные с тарифами
Временные тарифы на импорт могут спровоцировать рецессию, когда сокращающие силы падения потребления и экспорта перевешивают преимущества смещения спроса в сторону отечественных товаров, особенно если торговые партнеры принимают ответные меры.Построеная неокейнсианская модель, позволяющая проследить, как внезапные тарифные шоки отражаются на ВВП, торговом балансе, ценах и занятости. Эксперты обнаружили, что когда домохозяйства резко сокращают расходы (из-за роста цен), а экспорт теряет конкурентоспособность, экономика сокращается даже до рассмотрения ответных мер.
Они показывают, что ключевой переломный момент зависит от того, насколько легко потребители откладывают покупки и насколько чувствителен внешний спрос к изменению цен. Когда другие страны вводят ответные тарифы, рецессия углубляется, а торговый баланс может фактически ухудшиться, что резко контрастирует с долгосрочными моделями торговли, предсказывающими сбалансированные потоки.
Далее тестируют модель при различных реакциях на денежно-кредитную политику, запасы и ожидаемый эффект тарифов, обнаруживая, что рецессии трудно избежать, даже когда политики пытаются компенсировать шоки. В целом, в работе утверждается, что краткосрочные макроэкономические риски делают оптимальные тарифы гораздо ниже, чем предполагает стандартная торговая теория, особенно если учесть боль от вызванного тарифами спада.