تأثیر پوشش رسانه ای مربوط به COVID-19 بر اتصال به بازگشت و نوسانات ارزهای رمزنگاری شده و ارزهای فیات

از ژانویه سال 2020 Elsevier یک مرکز منابع COVID-19 با اطلاعات رایگان به زبان انگلیسی و ماندارین در رمان Coronavirus Covid-19 ایجاد کرده است. مرکز منابع COVID-19 در وب سایت اخبار و اطلاعات عمومی شرکت Elsevier Coect میزبان است. Elsevier از این طریق اجازه می دهد تا تمام تحقیقات مربوط به COVID-19 خود را که در مرکز منابع Covid-19 موجود است-از جمله این محتوای تحقیق-بلافاصله در مخازن PubMed Central و سایر سرمایه گذاری های عمومی ، مانند پایگاه داده WHO COVID با حقوق در دسترس باشد ، اعطا کند. تحقیقات بدون محدودیت دوباره استفاده و تجزیه و تحلیل به هر شکلی یا به هر وسیله با تأیید منبع اصلی. این مجوزها تا زمانی که مرکز منابع COVID-19 فعال باشد ، توسط Elsevier به صورت رایگان اعطا می شود.

چکیده

این تحقیق به بررسی تأثیر پوشش رسانه ای مربوط به COVID-19 بر اتصال پویا و نوسانات سه ارزهای رمزنگاری غالب (بیت کوین (BTC) ، اتریوم (ETH) و ریپل (XRP)) و ارزهای فیات یورو ، GBP می پردازد. و یوان چینی. دوره نمونه امواج ویرانگر اول و دوم از بحران همه گیر Covid-19 را شامل می شود و از اول ژانویه 2020 تا 31 دسامبر 2020 متغیر است. اقدامات اتصال پویا و نوسانات با استفاده از روش پارامتر-VAR متفاوت زمان تخمین زده می شود. تجزیه و تحلیل اتصال بازگشت ما نشان می دهد که شاخص پوشش رسانه ای (فقط قبل از موج اول) و ارزهای رمزپایه فرستنده خالص شوک ها هستند در حالی که ارزهای فیات گیرنده های خالص شوک ها هستند. نتایج مشابه از نظر نوسانات به جز یورو ، که مشخصات گیرنده خالص روشن را در ژانویه و فوریه نشان می دهد ، بدست می آید. این ارز فیات (یورو) در ماه مارس و در طول اولین موج بحران Covid-19 به یک فرستنده خالص تبدیل شد ، که احتمالاً نشان دهنده حدت همه گیر در قاره اروپا است. علاوه بر این ، مهمترین تفاوت بین اتصال خالص پویا (بازگشت و نوسانات) این دو گروه از ارزها در آغاز دوره نمونه ، درست قبل از موج اول بحران همه گیر SARS-COV-2 متمرکز شده است ، اگرچه برخی تفاوت هادر طول امواج اول و دوم شیوع Coronavirus مشاهده می شود.

واژه های کلیدی: ارزهای رمزنگاری ، ارزهای فیات ، شاخص پوشش رسانه ای Coronavirus (MCI) ، اتصال ، Covid-19 بحران همه گیر

1. مقدمه

جهان در حال حاضر بحرانی ترین دوره آشفتگی اقتصادی و اجتماعی را از زمان بحران مالی جهانی 2007-08 ، یعنی بیماری همه گیر SARS-COV-2 Coronavirus تجربه می کند. این بیماری در 11 فوریه 2020 توسط سازمان بهداشت جهانی (WHO) به عنوان COVID-19 تعریف شد. همه گیر SARS-COV-2 Coronavirus. این بیماری در 11 فوریه 2020 توسط سازمان بهداشت جهانی (WHO) به عنوان Covid-19 تعریف شد. جهان در حال حاضر مهمترین دوره آشفتگی اقتصادی و اجتماعی را از زمان بحران مالی جهانی 2007-08 ، یعنی SARS- تجربه می کند. COV-2 Coronavirus Pandemic. این بیماری در 11 فوریه 2020 توسط سازمان بهداشت جهانی (WHO) به عنوان Covid-19 تعریف شد.

به ویژه ، بازار رمزنگاری بسیار تحت تأثیر بحران Covid-19 قرار گرفته است. این بازار در 8 مارس 2020 دچار فروپاشی شد که ناشی از فروش گسترده ارزهای رمزنگاری شده بود. این منجر به از دست دادن 21 میلیارد دلار در کل ارزش سرمایه گذاری بازار رمزنگاری در 24 ساعت شد و منجر به دوشنبه سیاه در بازار سهام در 9 مارس شد. 1 یکی از اصلی ترین دلایل فروپاشی این بازار این است که بخش اعظم اروپاقبلاً در قرنطینه بود و بقیه اروپا اقدامات مشابهی را در نظر داشتند. این وضعیت در بازار رمزنگاری فقط دو روز بعد بدتر شد که در 11 مارس ، سازمان بهداشت جهانی (WHO) شیوع Covid-19 را به عنوان یک بیماری همه گیر در سراسر جهان طبقه بندی کرد. در نتیجه ، در تاریخ 13 مارس ، بازار رمزنگاری تقریبا نیمی از کل ارزش سرمایه گذاری در بازار خود را از دست داد ، بنابراین منجر به سقوط شدید در ارزش سرمایه و قیمت های ارزهای مهم رمزنگاری شد. با این حال ، این وضعیت معکوس شد. بازار cryptocurrency در پایان ماه مه به طور کامل بازیابی شد و کل ارزش سرمایه گذاری بازار قبل از فروش گسترده در 8 مارس در همه زمان ها بالاتر از ارزش ها باقی مانده است. علاوه بر این ، از پایان ماه مه 2020 ، کل ارزش سرمایه گذاری در بازار رمزنگاری ، افزایش باورنکردنی را تجربه کرده است و از سد 300 میلیارد دلاری در پایان ماه ژوئیه فراتر رفته است ، 400 میلیارد دلار سد در اوایل نوامبر ، 500 میلیارد دلار سد در اواخر نوامبر ، 600 دلارمیلیارد سد در اواسط ماه دسامبر ، 700 میلیارد دلار سد در اواخر ماه دسامبر و سرانجام به اوج بیش از 760 میلیارد دلار در 31 دسامبر 2020 رسید. علاوه بر این ، این اوج در آخرین روز دسامبر 2020 تقریباً با حداکثر تاریخی کل سرمایه گذاری بازار همزمان استارزش حاصل از ابتدای ژانویه 2018. از نظر درصد کل سرمایه در بازار ، بیت کوین با توجه به ارزهای رمزنگاری باقی مانده ، موقعیت کاملاً غالب را حفظ می کند ، با متوسط سهم بازار تقریباً 64 ٪ در طول دوره. لازم به ذکر است که سهم بازار بیت کوین در ابتدای ژانویه نزدیک به 68 ٪ بود در حالی که اتریوم فقط 7. 3 ٪ و XRP قبل از دوشنبه سیاه 4. 3 ٪ بود. در آغاز ماه مارس ، این درصد به ترتیب 63. 2 ٪ ، 10. 2 ٪ و 4. 1 ٪ بود. بیت کوین در تاریخ 20 ماه مه به اوج جدیدی در سهم بازار خود رسید که بیش از 68 ٪ بود. به طور خاص ، سهام بازار برای BTC 68. 4 ٪ ، برای ETH 9. 1 ٪ و برای XRP 3. 5 ٪ بود. با این حال ، از آن زمان ، سهم بازار بیت کوین به تدریج به 56 نفر کاهش یافته است.

7 ٪ در 14 سپتامبر (هنگامی که سهم بازار اتریوم به 12. 21 ٪ افزایش یافت و XRP به 3. 23 ٪ کاهش یافت) ، اگرچه دوباره بهبود یافت ، اما در پایان این دوره در 28 دسامبر 2020 ، هنگامی که اوج ، حداکثر برای کل دوره نمونه به حداکثر رسید. سهم بازار برای بیت کوین 69. 2 ٪ بود ، در حالی که اتریوم به 11. 1 ٪ و XRP به 1. 8 ٪ رسید.

علاوه بر این ، مطالعات اخیر ، مانند عمر و گوباروا (2020) و مجدوب و همکاران.(2021) ، وابستگی های متقابل احتمالی بین بازارهای ارز و رمزنگاری را از منظر مسری و نقش احتمالی آنها به عنوان پناهگاههای ایمن در دوره های تلاطم اقتصادی ، مانند شیوع SARS-COV-2 تجزیه و تحلیل کنید. بنابراین ، این پدیده بر مدیریت ریسک نمونه کارها ، تخصیص دارایی استراتژیک و قیمت گذاری ابزار مالی تأثیر می گذارد ، همانطور که عمر و گوباروا (2020) برجسته کرد.

با توجه به ارتباط تأثیر COVID-19 در بازار رمزنگاری ، این تحقیق به بررسی بازده پویا و نوسانات سه ارز مربوط به رمزنگاری (بیت کوین (BTC) ، اتریوم (ETH) و ریپل (XRP)) و Coronavirus News می پردازد. توسط شاخص پوشش رسانه ای Coronavirus (MCI) ، همانطور که در CEPOI (2020) اعمال می شود ، از جمله سایر مطالعات اخیر. برای اهداف مقایسه ، این مطالعه همچنین اتصال پویا و نوسانات ارزهای فیات یورو ، GBP و یوان چینی و MCI را تجزیه و تحلیل می کند. این اقدامات اتصال پویا در زمینه بحران همه گیر COVID-19 با استفاده از روش TVP-VAR تخمین زده می شود (Antonakakis and Gabauer ، 2017 ؛ Gabauer and Gupta ، 2018 ؛ Antonakakis et al. ، 2020) ، که برای مدت کوتاهی مناسب استداده های سری ، در مقایسه با رویکردهای جایگزین مانند آنچه که توسط Diebold و Yilmaz (2012 و 2014) ارائه شده است. بنابراین ، مزیت اصلی این روش این است که به ما این امکان را می دهد تا بدون استفاده از تکنیک پنجره نورد (به عنوان اصلاح رویکرد اصلی Diebold-Yilmaz) ، اسپیلرهای پویا را محاسبه کنیم. با توجه به سری زمانی کوتاه همه گیر Covid-19 ، استفاده از این روش مناسب است. علاوه بر این ، این رویکرد قوی است و در بسیاری از مطالعات دیگر برای تعیین اتصال استفاده شده است.

بنابراین ، این مقاله تجزیه و تحلیل توسعه یافته در سایر مطالعات قبلی مرتبط را در جنبه های زیر گسترش می دهد. اول ، این تحقیق به بررسی بازگشت و نوسانات پویا از ارزهای رمزنگاری غالب و سه ارز فیات مربوطه ، یورو ، GBP و یوان ، برای اهداف مقایسه می پردازد و تجزیه و تحلیل را در مورد بحران Coronavirus SARS-COV-2 متمرکز می کند. علاوه بر این ، این مقاله از رویکرد TVP-VAR (Antonakakis and Gabauer ، 2017) به عنوان یک روش جایگزین برای پیشنهاد Diebold و Yilmaz (2012 و 2014) استفاده می کند و شامل Coronavirus MCI برای تعمیق تأثیر بحران همه گیر Covid-19در بازار ارز. علاوه بر این ، دوره نمونه ما بسیار اخیر است زیرا از اول ژانویه 2020 تا 31 دسامبر 2020 اجرا می شود و بدین ترتیب یک دوره مرکزی مشخص می شود که به عنوان قلب بحران همه گیر (بین 10 مارس 2020 و 30 ژوئن 2020) در طول مشخص شده است. که برای انجام یک مطالعه عمیق از بازارهای ارز رمزنگاری و ارزی فیات که در این مقاله مورد تجزیه و تحلیل قرار گرفته است. این نه تنها بر موج اول بلکه بر موج دوم بحران Coronavirus نیز تمرکز دارد. سوم ، روش استفاده شده در این مقاله به ما این امکان را می دهد تا بین ارزهایی که فرستنده های خالص و گیرنده های خالص هستند ، تمایز قائل شویم. آخر ، ما در رشته های رو به رشد ادبیات در مورد تأثیر احساسات رسانه ای محور در بازارهای مالی نقش داریم (یانگ و همکاران ، 2015 ؛ سول و همکاران ، 2017 ؛ گوباراوا و عمر ، 2020 ؛ دوز و تاس ، 2021 ؛ عمر و همal. ، 2021). بنابراین ، ما با مستند سازی تأثیر احساسات رسانه ای ناشی از COVID بر ارزهای رمزنگاری شده و ارزهای فیات ، در گسترش این رشته ادبیات کمک می کنیم.

برخی از یافته های مرتبط به شرح زیر است. همانطور که انتظار می رود، بازده کل پویا و اتصال نوسانات در طول زمان با دو اوج، یکی در ابتدای دوره نمونه (ژانویه 2020) و دیگری در شروع بحران همه گیر کووید-19 (مارس 2020، یعنی اولی) در نوسان است. موج)، هم برای بازده و هم برای نوسانات. علاوه بر این، ارزهای رمزنگاری شده مورد تجزیه و تحلیل در این مقاله به وضوح فرستنده های خالص به سیستم هستند، اما ارزهای فیات به عنوان گیرنده های خالص از سیستم ظاهر می شوند، عمدتاً در مطالعه ارتباط بازده خالص پویا. با توجه به ارتباط خالص نوسانات پویا، ما نتایج مشابهی به جز یورو پیدا کردیم که نمایه خالص دریافت کننده خالص در ژانویه و فوریه را نشان می دهد و در طول موج اول بحران COVID-19 به یک فرستنده خالص تبدیل می شود. در نهایت، تفاوت بین دو گروه از ارزها در ابتدای دوره نمونه درست قبل از اینکه WHO بحران COVID-19 را یک بیماری همه گیر اعلام کند، شدیدتر می شود. تفاوت های کوچک بعدی در طول موج اول و دوم همه گیری نشان داده شده است.

ساختار باقی مانده مقاله به شرح زیر است. بخش 2 شامل بررسی ادبیات اخیر در مورد اقدامات ارتباطی بازار ارزهای دیجیتال در زمینه همه گیری ویروس کرونا SARS-CoV-2 است. بخش 3 مجموعه داده مورد استفاده در این مقاله را توصیف می کند و روش اخیر TVP-VAR را توضیح می دهد. بخش 4 تفسیر مفصلی از نتایج تجربی ما ارائه می دهد. در نهایت، بخش 5 مرتبط ترین نتایج تحقیق ما را ارائه می دهد.

2. بررسی ادبیات

بازار cryptocurrency در سالهای اخیر مورد توجه بسیاری قرار گرفته است و این منجر به تحقیقات تجربی زیادی در مورد این موضوع شده است. از دیدگاه ما ، علاقه به مطالعه بازار رمزنگاری حتی در زمینه فعلی بحران همه گیر Covid-19 توجیه می شود زیرا بازار بسته به تکامل SARS-COV-2 و امواج آن از نوسانات شدید رنج می برد. همانطور که در بخش داده ها توضیح خواهیم داد ، بازار cryptocurrency در 8 مارس 2020 ، یعنی روز قبل از دوشنبه سیاه بورس سهام (9 مارس) ، فروش زیادی را تجربه کرد. در آن تاریخ ، بخش بزرگی از اروپا قبلاً قرنطینه شده بود و بقیه اروپا اقدامات مشابهی را در نظر می گرفتند. علاوه بر این ، در 11 مارس 2020 ، مدیر کل سازمان بهداشت جهانی (WHO) شیوع Covid-19 را به عنوان یک بیماری همه گیر در سراسر جهان تعریف کرد. این امر بیشتر به بازارها ، از جمله بازار رمزنگاری ، که در نتیجه ، تقریباً نیمی از ارزش سرمایه خود را در 13 مارس از دست داد ، هشدار داد. با این حال ، بازار رمزنگاری از خاکستر خود بهبود یافته است. بازار قبل از این پاییز (251. 5 میلیارد دلار در 7 مارس 2020) به مراتب از کل ارزش سرمایه بازار فراتر رفته است و حتی این مبلغ را در پایان دوره نمونه (760. 7 میلیارد دلار در 31 دسامبر 2020) سه برابر کرده است ، تقریباً به این امر رسیده است. حداکثر ارزش تاریخی به دست آمده در اوایل سال 2018 (786 میلیارد دلار در 6 ژانویه 2018). با توجه به علاقه زیاد به بازار رمزنگاری و به منظور تجزیه و تحلیل تأثیر بحران همه گیر Covid-19 بر روی آن ، زیرا این بحران همه گیر بزرگترین قسمت از آشفتگی جهانی از زمان بحران مالی جهانی 2008 است ، کارهای تحقیقاتی زیادی انجام می شود، هم در بازار cryptocurrency و هم بازارهای دیگر ، با استفاده از مجموعه داده های مختلف و استفاده از انواع روش ها.

شاخه ای از ادبیات اخیر وجود دارد که بازار ارزهای دیجیتال را به طور عمیق مطالعه می کند. کوربت و همکاران(2019) بررسی کاملی از ادبیات مالی در بازار ارزهای دیجیتال انجام داده و اظهار می دارد که ارزهای دیجیتال با اتهامات احتمالی استفاده غیرقانونی و حتی سیستم مبادله بی تجربه و غیره مواجه هستند. Jareño و همکاران(2020) رابطه بالقوه متقابل بین بیت کوین و بازده قیمت طلا را مطالعه کرده و ارتباط مثبت و معنی دار آماری را پیدا می کند. گونزالس و همکاران(2020 و 2021) وابستگی متقابل بین بیت کوین و ده بازده آلتکوین دیگر را تجزیه و تحلیل کرده و وابستگی متقابل مثبتی را در بین آنها پیدا می کند. دمیر و همکاران(2021) عدم تقارن بلندمدت و کوتاه مدت را در تأثیر بیت کوین بر آلت کوین یافت. سونگ و همکاران(2019) ساختار بازار ارزهای دیجیتال را مطالعه کرده و رهبری بیت کوین و اتریوم را برجسته می کند. شی و همکاران(2020) همبستگی بین شش ارز رمزنگاری شده را پیدا کرده و بیان می کند که برای اجرای استراتژی های معاملاتی، داشتن دانش در مورد آنها ضروری است. Canh و همکاران(2019) توانایی تنوع بخشیدن به ارزهای دیجیتال اصلی را در برابر شوک های قیمت نفت و طلا، نرخ بهره، قدرت دلار و بازار سهام تجزیه و تحلیل می کند. سلمی و همکاران(2018) شواهدی به نفع ارزهای رمزنگاری شده به عنوان پناهگاه امن در طول دوره های بحران پیدا کنید. در همین راستا، کلاین و همکاران.(2018) و بنکی و همکاران.(2019) بیت کوین را طلای جدید نامید. کیریازیس (2019) روابط بین چندین ارز مجازی را پیدا کرده و ادبیات قبلی را در مورد سرریزهای بازده و نوسانات در بازار ارزهای دیجیتال خلاصه می کند. Katsiampa (2019) حرکات نوسانات ارزهای دیجیتال اصلی را بررسی می کند و وابستگی های متقابل را در بازار ارزهای دیجیتال و تأثیر رویدادهای مرتبط بر نوسان پیدا می کند.

بدون شک ، جدیدترین شاخه ادبیات بر بحران فعلی ناشی از همه گیر Covid-19 متمرکز است (عمر و همکاران ، 2021a). علی و همکاران.(2020) پاسخ ها را از نظر نوسانات ، بازارهای مالی را تجزیه و تحلیل کنید زیرا Covid-19 از چین به اروپا و ایالات متحده گسترش یافته است و می یابد که بازارهای جهانی در مارس 2020 به یک سقوط آزاد تبدیل شده اند و حتی کالاهای ایمن تر نیز به دلیل ورود به آن رنج می برندهمه گیر در ایالات متحده. کوربت و همکاران.(2020) اثرات احتمالی احتمالی همه گیر COVID-19 را بر روی ارزهای طلا و رمزنگاری بررسی کنید و در نظر بگیرید که ارزهای رمزنگاری شده ممکن است نقشی شبیه به فلزات گرانبها در طی بحران های اقتصادی داشته باشند. غاریب و همکاران.(2021) مطالعه کنید که چگونه تأثیر اقتصادی COVID-19 بر رابطه بین قیمت نفت و لکه های طلا تأثیر گذاشته و یک اثر مسری دو جانبه در بازارهای نفت و طلا در طی بحران همه گیر پیدا کرده است. Bakas و Triantafyllou (2020) تأثیر بحران همه گیر Covid-19 را بر نوسانات قیمت کالاها تجزیه و تحلیل می کنند. ریزوان و همکاران.(2020) بررسی کنید که چگونه COVID-19 بر بخش بانکی هشت کشوری که بیشتر تحت تأثیر SARS-COV-2 قرار گرفته اند ، تأثیر گذاشته است. شریف و همکاران.(2020) ارتباط بین گسترش COVID-19 ، بورس سهام ، شوک های نوسانات قیمت نفت ، ریسک ژئوپلیتیکی و عدم قطعیت سیاست اقتصادی در ایالات متحده را مطالعه کرده و تأثیر مرتبط با COVID-19 را بر ریسک ژئوپلیتیکی پیدا کنید.

همچنین شاخه ای از ادبیات اخیر وجود دارد که به دنبال روشهای مختلف مانند رویکرد رگرسیون کمی (Jareño et al. ، 2020) ، مدل های ARDL (سیایان و همکاران ، 2018 و نگوین و همکاران ، 2019) ، وابستگی متقابل بین ارزهای رمزنگاری را بررسی می کنند (Jareño et al. ، 2018). مدل های NARDL (González et al. ، 2020 and 2021 ؛ Jareño et al. ، 2020) ، مدل های مبتنی بر موجک (Kumar and Ajaz ، 2019 ؛ Omane-Adjepong و Alagidede ، 2019 ؛ Mensi et al. ، 2019 ؛ Sharif et al.، 2020) ، مدل های VAR (Bação و همکاران ، 2018) ، مدل های Garch (Corbet و همکاران ، 2020) ، مدل های Var-Garch (Symitsi and Chalvatzis ، 2019) ، مدل Bekk Diagonal Bivariate (Katsiampa ، 2019 ؛ Katsiampa etAl. ، 2019) ، مدل های Bekk-Garch (Beneki et al. ، 2019) ، مدل های Bekk-Mgarch (Tu and Xue ، 2019) ، مدل Garch-Midas (Walther et al. ، 2019) ، مدل های DCC (Charfeddine etAl. ، 2020 ؛ Kumar and Anandarao ، 2019) ، رویکرد Diebold and Yilmaz (2009) (Koutmos ، 2018) و Diebold and Yilmaz (2012) شاخص ها (جی و همکاران ، 2019 ؛ عمر و همکاران ، 2021b) ، از جملهدیگران. در این مقاله ، ما از رویکرد و بهبود دو مدل قبلی ، رویکرد Diebold و Yilmaz (2009 و 2012) استفاده می کنیم ، که یک مدل وکتور پارامتر متغیر Autoregression (TVP-VAR) است که توسط Antonakakis و Gabauer (2017) تهیه شده است. به طور خاص ، ما این روش را برای مطالعه اتصال بین سه ارز رمزنگاری اصلی (بیت کوین ، اتریوم و ریپل) استفاده می کنیم. ارزهای فیات یورو ، GBP و چینی یوان و شاخص پوشش رسانه ای Ravenpack در طول بحران همه گیر Covid-19. نویسندگان دیگر ، مانند بوری و همکاران.(2021) ، مدل TPV-VAR را برای تجزیه و تحلیل اتصال به بازده در کلاسهای دارایی مانند طلا ، نفت خام ، سهام جهانی ، ارزها و اوراق قرضه پیرامون شیوع COVID-19 اعمال کنید. آنها دریافتند که اتصال کل پویا در پنج دارایی تا اوایل سال 2020 متوسط و کاملاً پایدار بود ، در این مرحله اتصال کل و ساختار شبکه اتصال با شیوع COVID-19 تغییر یافت. علاوه بر این ، Gabauer و Gupta (2018) همچنین از رویکرد TVP-VAR برای مطالعه سرریزهای عدم قطعیت سیاست اقتصادی بین ایالات متحده و ژاپن استفاده می کنند. Antonakakis و همکاران.(2020) از رویکرد TVP-VAR برای تجزیه و تحلیل اقدامات اتصال پویا از چهار ارز خارجی معامله شده (EUR ، GBP ، CHF و JPY) در برابر دلار آمریکا استفاده کنید. سرانجام ، الساید و همکاران.(2020) از پسوند Diebold و Yilmaz استفاده کنید (2009 ،

2012 و 2014) رویکردی برای تجزیه و تحلیل پیوستگی استاتیک و پویا در بین ارزهای دیجیتال اصلی و بازارهای ارز خارجی برتر در سراسر جهان (برای یک دوره نمونه از 5 آگوست 2013 تا 31 دسامبر 2018). آنها دریافتند که یک رابطه علّی قابل توجهی بین ارزهای دیجیتال وجود دارد. با این حال، به جز یوان چین، ارزهای سنتی اصلی تاثیر قابل توجهی بر ارزهای دیجیتال ندارند.

علاوه بر این، در شرایط فعلی که همه گیری COVID-19 کل جهان را تهدید می کند، مقالات زیادی وجود دارد که تأثیرات اجتماعی و اقتصادی COVID-19 را بررسی می کنند. کوریتا و ماناگی (2020) تأیید می کنند که ننگ اجتماعی در مبارزه با کووید-19 بسیار مهم است زیرا از طریق رفتار خویشتن داری فردی شیوع عفونت را کاهش می دهد. کاتافوچی و همکاران(2021) گزارش دادند که رفتار بیرون رفتن در شرایط اضطراری و پس از رفع آن سرکوب شد، حتی زمانی که بیرون رفتن منجر به جریمه نشد. Mandel and Veetil (2020) هزینه های قرنطینه را برای برخی از بخش های اقتصاد جهان در پی کووید-19 برآورد کرده و روند بهبود اقتصادی پس از پایان قرنطینه ها را مطالعه می کنند. این نویسندگان تأیید می کنند که اقتصاد جهانی تقریباً یک چهارم طول می کشد تا در سناریوی خوش بینانه و بعید پایان تمام قرنطینه ها به سمت تعادل جدید حرکت کند. قره گوزلی و همکاران(2020) و مارتین و همکاران.(2020) اثرات اجتماعی-اقتصادی کووید-19 بر افراد را در سطح منطقه ای ارزیابی می کند. با توجه به شوک های اقتصادی عظیمی که همه گیری COVID-19 در سراسر جهان ایجاد کرده است، ناکامورا و ماناگی (2020) خطر نسبی کلی واردات و صادرات کووید-19 را محاسبه می کنند و تاکید می کنند که انجام اقدامات متقابل برای این بیماری برای کشورها ضروری است. علاوه بر این، تعداد مطالعات در مورد تأثیر اطلاعات رسانه ها بر بیماری های عفونی بر تصمیمات سرمایه گذاران به طور قابل توجهی در حال افزایش است (Umar and Gubareva, 2021a, Umar and Gubareva, 2021b, Umar et al., 2021b؛ Zaremba et al, 2021). Cepoi (2020) و هارون و ریزوی (2020) از شاخص پوشش رسانه ای کرونا (MCI) برای مطالعه ارتباط بین احساسات ایجاد شده توسط اخبار مربوط به COVID-19 و سطوح نوسان در بخش های مختلف بازارهای سهام ایالات متحده استفاده می کنند. این شاخص، یعنی شاخص پوشش رسانه ای کرونا (MCI)، میزان اخبار مرتبط با ویروس کرونا را در مقایسه با سایر انواع اخبار اندازه گیری می کند و همچنین شاخصی موثر برای درصد منابع پوشش دهنده اخبار کرونا در بین همه منابع خبری است.

در نهایت، با بهترین دانش ما، این مقاله با ارائه اولین تحقیق در مورد تأثیر اخبار مرتبط با SARS-CoV-2 بر چندین معیار ارتباط پویا بازده و نوسانات سه ارز دیجیتال غالب و ارزهای فیات، به ادبیات قبلی کمک می کند. یورو، پوند و یوان چین در اطراف بحران جهانی ناشی از همه گیری COVID-19.

3. داده ها و روش

3. 1. داده ها

مجموعه داده مورد استفاده در این مقاله از سه گروه مختلف داده تشکیل شده است. اول، بازده روزانه سه ارز دیجیتال بزرگ، بیت کوین (BTC)، اتریوم (ETH) و ریپل (XRP)، طبق ارزش بازار در دوره نمونه (از 1 ژانویه 2020 تا 31 دسامبر 2020) رتبه بندی شده است. گنجانده شده اند. این سه ارز دیجیتال برتر 82. 1 درصد از بازار ارزهای دیجیتال را تشکیل می دهند و بیت کوین به تنهایی 69. 2 درصد سهم در این بازار در پایان دسامبر 2020 دارد. در برابر دلار آمریکا گنجانده شده است. سوم، شاخص پوشش رسانه ای کروناویروس RavenPack (MCI) برای اندازه گیری سطح پوشش رسانه ای با این موضوع استفاده شد. 2 این شاخص کروناویروس (MCI) درصدی از منابع خبری است که ویروس کرونا را پوشش می دهند.

دوره نمونه از 1 ژانویه 2020 تا 31 دسامبر 2020 ادامه دارد و بر بحران همه گیر COVID-19 تمرکز دارد. بنابراین، دوره ما شامل اولین ماه های سال 2020 می شود، زمانی که از وجود ویروس کرونا می دانستیم، اما هنوز یک بیماری همه گیر جهانی اعلام نشده بود، اولین موج COVID-19 با اثرات مخرب آن در اروپا در ماه مارس و رونق آن در اروپاایالات متحده در اواسط آوریل و موج دومی که از اوت تا دسامبر 2020 کل جهان را در بر گرفت.

جدول 1 آمار توصیفی و آزمایش ریشه واحد سه بازده ارز دیجیتال برتر (بیت کوین، اتریوم و ریپل) و بازده ارزهای فیات یورو، پوند پوند و یوان چین را برای داده های روزانه برای کل دوره نمونه جمع آوری می کند. سه ارز رمزنگاری شده و دو تا از سه ارز فیات (یورو و پوند) بازدهی مثبت و متوسط ثبت شده را نشان می دهند، به استثنای یوان چین که مقادیر متوسط و میانه پایین اما منفی را نشان می دهد. انحراف استاندارد برای همه متغیرها نسبتاً کم است. آنها از 4. 22 تا 7. 43 درصد برای ارزهای دیجیتال و از 0. 29 تا 0. 69 درصد برای ارزهای فیات متغیر هستند. همه متغیرها به جز ریپل و یوان چین چولگی منفی را نشان می دهند و همه آنها کشش بیش از حد را نشان می دهند. آزمون های ریشه واحد استاندارد دیکی-فولر (ADF) و فیلیپس-پرون (PP) و آزمون ثابت بودن Kwiatkowski-Phillips-Schmidt-Shin (KPSS) ثابت بودن همه متغیرها را تأیید می کنند.

0. 4747

Obs.

یادداشت ها: این جدول آمار توصیفی بازده روزانه ارزهای دیجیتال و ارزهای فیات را جمع آوری می کند. دوره نمونه از 1 ژانویه 2020 تا 31 دسامبر 2020 در طول موج اول و دوم بحران همه گیر COVID-19 متغیر است. آنها شامل مقادیر میانگین، میانه، حداقل (حداقل) و حداکثر (حداکثر)، انحراف معیار (Std. Dev.) و معیارهای Skewness و Kurtosis هستند. JB آمار آزمون Jarque-Bera را برای نرمال بودن نشان می دهد. نتایج آزمایش های تقویت شده دیکی-فولر (ADF، 1979) و فیلیپس-پرون (PP، 1988) و آزمون های Kwiatkowski و همکاران.(KPSS, 1992) تست ایستایی نیز در سه خط آخر گزارش شده است. طبق معمول، *، **، *** به ترتیب در سطوح 10%، 5% و 1% معنی داری آماری را نشان می دهند.

جدول 2 آمار توصیفی و آزمایش ریشه واحد نوسانات ارزهای دیجیتال بیت کوین، اتریوم و ریپل و ارزهای فیات یورو، پوند و یوان چین را برای همان فرکانس و دوره جمع آوری می کند. سه ارز رمزنگاری شده و ارزهای فیات میانگین مقادیر مثبت را نشان می دهند و تنها دو ارز دیجیتال (اتریوم و ریپل) و دو ارز فیات (یورو و پوند) مقادیر میانگین مثبت را نشان می دهند. انحراف استاندارد همه متغیرها از نظر نوسان بسیار بیشتر از بازده است زیرا از 13. 68 تا 22. 48٪ (صرف نظر از نوع متغیر) متغیر است. چهار متغیر از شش متغیر چولگی مثبت را نشان می دهند (به جز یورو و پوند)، اما همه متغیرها کشش بیش از حد را نشان می دهند. آزمون های ریشه واحد استاندارد دیکی-فولر (ADF) و فیلیپس-پرون (PP) و آزمون ثابت بودن Kwiatkowski-Phillips-Schmidt-Shin (KPSS) ثابت بودن همه متغیرها را تأیید می کنند.

0. 4747

Obs.

یادداشت ها: این جدول آمار توصیفی بازده روزانه ارزهای دیجیتال و ارزهای فیات را جمع آوری می کند. دوره نمونه از 1 ژانویه 2020 تا 31 دسامبر 2020 در طول موج اول و دوم بحران همه گیر COVID-19 متغیر است. آنها شامل مقادیر میانگین، میانه، حداقل (حداقل) و حداکثر (حداکثر)، انحراف معیار (Std. Dev.) و معیارهای Skewness و Kurtosis هستند. JB آمار آزمون Jarque-Bera را برای نرمال بودن نشان می دهد. نتایج آزمایش های تقویت شده دیکی-فولر (ADF، 1979) و فیلیپس-پرون (PP، 1988) و آزمون های Kwiatkowski و همکاران.(KPSS, 1992) تست ایستایی نیز در سه خط آخر گزارش شده است. طبق معمول، *، **، *** به ترتیب در سطوح 10%، 5% و 1% معنی داری آماری را نشان می دهند.

3. 2. روش شناسی

برای مطالعه بازده و نوسانات اتصال سه ارز رمزنگاری برتر (بیت کوین ، اتریوم و ریپل) ، ارزهای فیات یورو ، GBP و چینی یوان و شاخص پوشش رسانه ای Ravenpack Coronavirus (MCI) ، پارامتر تناقض Autoregression (Autoregression)TVP-VAR) متدولوژی توسعه یافته توسط Antonakakis و Gabauer (2017) استفاده شده است. برخی از مزایای اصلی این روش این است که (1) این است که بلافاصله با وقایع تنظیم می شود ، (2) که هیچ گونه از دست دادن مشاهدات وجود ندارد ، (3) که دیگر نیازی به انتخاب خودسرانه اندازه پنجره نورد نیست زیرا تنظیم می شودبه صورت خودکار و (4) که می توان از آن برای مجموعه داده های با فرکانس پایین نیز استفاده کرد. تمام این مزایا از روش وکتور تنوع زمان متغیر Autoregression (TPV-VAR) هنگام مطالعه اثرات بحران COVID-19 بسیار ضروری است زیرا سری داده ها تا حدودی کوتاه هستند. به طور خاص ، ما این روش را برای برآورد اتصال بین این متغیرها و شاخص پوشش رسانه ای Coronavirus برای تجزیه و تحلیل میزان بازده و نوسانات این متغیرها توسط بحران همه گیر COVID-19 استفاده می کنیم.

مدل Vector Autoregression Vector Time-Parameter (TVP-VAR) یک برنامه افزودنی از رویکرد اتصال Diebold و Yilmaz (2009 ، 2012) است که توسط Antonakakis و Gabauer (2017) پیشنهاد شده است و به شرح زیر است: