گزینه های cryptocurrency محافظت

بازار cryptocurrency بی ثبات ، غیر ثابت و غیر مداوم است. همراه با بازارهای مشتقات مایع ، این فرصتی بی نظیر برای مطالعه مدیریت ریسک ، به ویژه محافظت از گزینه ها در یک بازار آشفته است. ما رفتار و اثربخشی پرچین را برای کلاس مدل های انتشار پرش Affine و فعالیت های نامتناهی Lévy بررسی می کنیم. اول ، داده های بازار به سطوح نوسانات با نوسانات تصادفی الهام گرفته از گزینه های قیمت کالیبره می شوند. برای پوشش طیف گسترده ای از پویایی بازار ، ما مسیرهای قیمت مونت کارلو را با استفاده از یک نوسانات تصادفی با مدل پرش همبسته ، یک تخمین چگالی هسته نزدیک به بازار گارچ و همچنین یک پشتی تاریخی ایجاد می کنیم. در هر سه تنظیم ، گزینه ها به صورت پویا با استراتژی های دلتا ، دلت ا-گاما ، دلت ا-وگا و حداقل واریانس محافظت می شوند. از جمله طیف گسترده ای از مدل های بازار ، امکان درک تجارت در عملکرد پرچین بین مدل های کامل اما بیش از حد پارسا و مدلهای پیچیده تر اما ناقص را فراهم می کند. نتایج کالیبراسیون نشانه ای قوی برای نوسانات تصادفی ، فرکانس پرش کم و شواهد فعالیت بی نهایت نشان می دهد. گزینه های کوتاه مدت نسبت به نوسانات یا پرچین های گاما حساسیت کمتری دارند. برای گزینه های طولانی تر ، ریسک دم به طور مداوم توسط پرچین های چند منظوره ، به ویژه با استفاده از مدل های کامل بازار با نوسانات تصادفی کاهش می یابد.

روی نسخه خطی کار می کنید؟

از رایج ترین اشتباهات خودداری کنید و نسخه خطی خود را برای ویراستاران ژورنال آماده کنید.

1. معرفی

مشکل مطالبات احتمالی را که روی ارزهای رمزنگاری شده (CC) نوشته شده است ، در نظر بگیرید. پویایی این بازار در حال گسترش جدید با نوسانات بالا مشخص می شود ، همانطور که از شاخص نوسانات رمزنگاری شده مشهود است ( texttt ) (به کیم و همکاران ، 2021) و پرش های بزرگ (Scaillet et al. ، 2018). ما به گزینه های حصیری نوشته شده بر روی ( texttt ) (BTC) با مدل های کلاس مدل های انتشار پرش وابسته و فرآیندهای فعالیت نامتناهی Lévy نزدیک می شویم. به طور مشابه Branger و همکاران.(2012) ، ما عملکرد پرچین مدل های غیرقابل تحمل ، در عین حال کامل و همچنین قابل قبول ، اما ناقص قیمت گذاری را ارزیابی می کنیم. از آوریل 2019 ، ادعاهای مشروط نوشته شده بر روی BTC و ( texttt ) (ETH) به طور فعال در ( texttt ) ( ( texttt )) معامله می شوند. بورس بازرگان شیکاگو (CME) در ژانویه سال 2020 گزینه هایی را در مورد آینده BTC ارائه داد. بر خلاف کلاس های دارایی سنتی مانند حقوق صاحبان سهام یا درآمد ثابت ، بازار گزینه های CC فقط اخیراً ظهور کرده است و هنوز هم نقدینگی به دست می آورد ، به عنوان مثال.(Trimbo & Härdle ، 2018) برای توضیحات اولیه بازار. بازارهای cryptocurrency شناخته شده اند که دارای نوسانات بالا و پرش های مکرر هستند ، به عنوان مثال مراجعه کنید. تصادفات بازار در 12 مارس 2020 ، 19 مه 2021 ، 17 ژوئن 2022 ، چالش هایی برای ارزیابی و مدیریت ریسک ایجاد می کند. این رفتار قیمت نامنظم ممکن است به فقدان یک ارزش اساسی نسبت داده شود ، به عنوان مثال. Biais و همکاران.(2022) ، آتی و همکاران.(2016) و Makarov و Schoar (2020).

از آنجا که بازار گزینه هنوز نابالغ و غیرقانونی است ، به این معنا که نقل قول برای بسیاری از اعتصاب ها یا سررسید های خاص به طور مستقیم قابل مشاهده نیست یا ممکن است بی نظیر باشد ، ما قیمت گزینه ها را با درون یابی قیمت ها از نوسانات تصادفی الهام گرفته (SVI) به ثمر می رسانیم (IV)سطوح (گاترال ، 2004).

گذشته از انجام یک پشتی تاریخی و به منظور ضبط انواع پویایی بازار ، بازار BTC با دو رویکرد مختلف شبیه سازی مونت کارلو تقلید می شود. در یک رویکرد تولید مسیر پارامتری ، فرض می کنیم که فرآیند تولید داده توسط یک مدل SVCJ شرح داده شده است. روش دوم تولید سناریو مبتنی بر برآورد چگالی هسته گارچ فیلتر (GARCH-KDE) است که می توان با در نظر گرفتن پویایی نوسانات تاریخی به عنوان یک شبیه سازی تاریخی صاف تصور کرد ، و بنابراین نزدیک به پویایی واقعی بازار است.

تحت هر یک از دو روش مختلف شبیه سازی بازار ، گزینه ها توسط یک پرچین با استفاده از مدل های پیچیدگی مختلف محافظت می شود. این به طور عمدی شامل مدلهایی است که "اشتباه غلط" می شوند به این معنا که عوامل خطر مربوطه ممکن است حذف شوند (Branger et al. ، 2012). از طرف دیگر ، این مدل ها احتمالاً به اندازه کافی پارسا هستند که می توانند یک بازار کامل را به دست آورند. مشخص است که ، هنگام مقایسه عملکرد پرچین با یک مدل بازار واقع بینانه تر ، البته ناقص ، مدل ساده تر ممکن است از مدل پیچیده بهتر عمل کند (Detering & Packham ، 2015). در متن ما ، اگر پارامترهای کمتری یا متفاوتی نسبت به مدل SVCJ داشته باشد ، یک مدل "اشتباه" می شود. به طور خاص ، به عنوان مدل های موجود در کلاس مدل های SVCJ ، ما مدل Black and Scholes (1973) (BS) ، مدل جهش Merton (1976) (JD) ، مدل نوسانات تصادفی Heston (1993) (SV) را در نظر می گیریم.، نوسانات تصادفی با مدل پرش (SVJ) (بیتس ، 1996) و خود مدل SVCJ. فعالیتهای نامتناهی مدل های HEDGE Lévy که مورد بررسی قرار می گیرند ، مدل واریانس گاما (VG) هستند (مادان و همکاران ، 1998) و مدل CGMY (کار و همکاران ، 2002). گزینه ها به صورت پویا با استراتژی های پرچین زیر محافظت می شوند: Delta ( ( Delta )) ، Delt a-Gamma ( ( Delta ) - ( Gamma )) ، Delt a-Vega ( ( Delta ) - (v )) و حداقل استراتژی های واریانس (MV).

برای به دست آوردن بینش بیشتر ، ما دوره تمام وقت را از آوریل 2019 تا ژوئن 2020 جدا می کنیم ، به 3 سناریوی مختلف بازار با رفتار بازار صعودی ، شرایط آرام با نوسانات کم و سناریوی استرس در طی بحران SARS-COV-2. علاوه بر ارزیابی عملکرد پرچین ، هدف ما شناسایی رانندگان ریسک BTC مانند پرش است. این به درک آنچه در واقع نوسانات در این بازار را هدایت می کند ، کمک می کند. یک پشتی تاریخی از عملکرد پرچین ، با روحیه Detering و Packham (2016) و Ting and Ewald (2013) ، یافته های رویکردهای SVCJ- و Garch-KDE را تکمیل و تأیید می کند.

تعدادی از مقالات در مورد بازار جوان هنوز گزینه های CC بررسی می کنند. Trimbo و Härdle (2018) پویایی بازار CC را از طریق شاخص cryptocurrency ( texttt ) توصیف می کنند. مادان و همکاران.(2019) گزینه های BTC قیمت و پارامترهای کالیبراسیون برای تعدادی از مدل های قیمت گذاری گزینه ، از جمله مدل های سیاه ، نوسانات تصادفی و مدلهای فعالیت بی نهایت. هو و همکاران.(2020) گزینه های قیمت ( texttt ) با این فرض که پویایی زیرین توسط مدل (SVCJ) معرفی شده در دافی و همکاران هدایت می شود.(2000) و Eraker و همکاران.(2003). ادبیات در مورد جنبه های مدیریت ریسک در بازارهای CC کمیاب است اما در حال رشد است. Dyhrberg (2016) ، Bouri et al.(2017) و سلمی و همکاران.(2018) نقش BTC را به عنوان ابزاری پرچین در بازارهای سنتی بررسی کنید. سباستیئو و گودینیو (2020) و الکساندر و همکاران.(2021) اثربخشی پرچین آتی BTC را بررسی کنید ، در حالی که نخی و سلطان (2021) ریسک BTC پرچین با دارایی های معمولی. به بهترین دانش ما ، محافظت از گزینه های CC هنوز در این عمق و جزئیات مورد بررسی قرار نگرفته است. بنابراین جنبه مدیریت ریسک و درک پویایی CCS از این رو سهم اصلی این مطالعه است.

قسمت باقیمانده مقاله به شرح زیر است: فرقه. 2 روش شناسی را توصیف می کند ، که به تولید سناریوی بازار ، ارزیابی گزینه و روال پرچین تجزیه شده است. روال پرچین مدلهای پرچین را ارائه می دهد و انتخاب کالیبراسیون پارامتر مدل و انتخاب استراتژی پرچین را توضیح می دهد. در فرقه3 ، ما نتایج روال پرچین و در فرقه را ارائه و ارزیابی می کنیم. 4 ، نتیجه می گیریماین کد به صورت کوزه در دسترس است ، که از طریق نام hedging_cc (https://github.com/quantlet/hedging_cc) قابل دسترسی است.

2 روش شناسی

در این بخش ، ما این روش را معرفی می کنیم که شامل تولید سناریوی بازار ، ارزیابی گزینه و محافظت از آن است. ما از دیدگاه فروشنده گزینه استفاده می کنیم و ادعاهای احتمالی 1- و 3 ماهه (M) را می فروشیم. این انتخاب با کل حجم معاملات گزینه های BTC توجیه می شود. تقریباً (80 ٪ ) از حجم معاملات شامل گزینه هایی است که حداکثر 1 ماه منقضی می شوند. تقریباً تمام گزینه های باقیمانده در 3 ماه یا کمتر منقضی می شوند (الکساندر و ایمراج ، 2022).

2. 1 تولید داده های بازار مصنوعی

ما نحوه تولید داده های بازار مصنوعی را توصیف می کنیم ، که به عنوان ورودی برای تجزیه و تحلیل اصلی عمل می کند. هدف اصلی تولید سناریوی مصنوعی تقلید از رفتار بازار BTC ، به ویژه حفظ خصوصیات آماری آن ، با انعطاف پذیری اضافه شده شبیه سازی مونت کارلو برای ایجاد مقدار زیادی از سناریوهای قابل قبول است. علاوه بر این ، ما دو روش شبیه سازی را ضبط می کنیم که خصوصیات آماری مختلفی را ضبط می کنند. آنها نمایانگر تجارت بین یک مدل پارامتری با اطلاعات با فاکتور ارزشمند و قابل ردیابی و یک رویکرد نیمه پارامتری انعطاف پذیر نزدیکتر به بازار هستند. مدل پارامتری تحت اندازه گیری خنثی ریسک ( Mathbb ) با دیدگاه به جلو شبیه سازی می شود. شبیه سازی نیمه پارامتری مربوط به رفتار بازار گذشته است که تحت اندازه فیزیکی انجام می شود ( Mathbb ). بازه زمانی مورد نظر از اول آوریل 2019 تا 30 ژوئن 2020 است. رفتار بازار BTC در این دوره زمانی متفاوت است. این امر باعث می شود که از آوریل تا سپتامبر 2019 (صعودی) ، اکتبر 2019 تا فوریه 2020 (آرام) و مارس تا ژوئن 2020 (COVID) به سه بخش بازار جداگانه در سه بخش بازار جدا شود. با توجه به اینکه می خواهیم گزینه های 1 ماه و 3 ماهه را پرچین کنیم ، حداقل طول قطعه برای بیش از سه ماه انتخاب می شود. بازنمایی گرافیکی از مسیر قیمت بسته شدن BTC در شکل 1 با آمار خلاصه مربوطه در جدول 1 نشان داده شده است. اولین بازه به عنوان بخش صعودی برچسب گذاری شده است ، زیرا تا حد زیادی ، بازار رو به بالا رفتار می کند. دوره دوم به عنوان دوره آرام شناخته می شود. با یک انحراف استاندارد کلی از ( widehat = 756. 55 ) ، حرکات قیمت در مقایسه با بخش صعودی راکد تر است.

3. 3 نتایج تولید سناریو

برای نشان دادن اینکه روش GARCH-KDE یک روش مناسب برای نمونه برداری از مسیرهای "بازار نزدیک به بازار" است ، جعبه های موجود در شکل 4 توزیع یک مسیر شبیه سازی شده GARCH-KDE و توزیع تاریخی مربوطه را نشان می دهد. البته قدرت رویکرد Garch-Kde در این واقعیت نهفته است که از طریق شبیه سازی مونت کارلو ، تجزیه و تحلیل به یک مسیر محدود نمی شود.

مسیرهای SVCJ با پارامترهای مجدداً کالیبره شده روزانه شبیه سازی می شوند ، که در ضمیمه جدول 6 خلاصه شده است. خصوصیات آماری منتخب هر دو روش تولید سناریو در جدول 14 آورده شده است. ما تفاوت در دم ، مقادیر شدید و انحراف استاندارد را مشاهده می کنیم. اختلافات در ( widehat ) عواقب طبیعی از فرضیات روش شناختی مختلف است. رویکرد SVCJ نوسانات را تصادفی فرض می کند ، در حالی که مدل های Garch-KDE ( Sigma _ ) با Garch (1،1). اختلاف در افراط و تفریط مسیر ناشی از فرضیات مدل SVCJ در اندازه پرش بازگشت ( xi ) در (2) است. در روال کالیبراسیون ، (L_ ) -تنظیم برای کنترل مقادیر پارامتر شدید اعمال می شود. با این حال ، اندازه های پرش برگشتی می تواند بسیار بزرگ باشد. مسیرهای گسسته شده اویلر حاوی مسیرهایی با حرکات شدید زیرین است. اینها به عنوان مثالقیمت های بسیار پایین و زیاد در طول سناریوی آرام و استرس نشان داده شده در جدول 14. تکامل قیمت BTC گاهی نامناسب نشان می دهد که چنین حرکات قیمت کاملاً غیرممکن است (جداول 5 ، 6).

شکل 6 پارامترهای کالیبره شده ( sigma ^) و ( lambda ^) مدل JD را با گذشت زمان ترسیم می کند. به طور کلی ، سطح ( sigma ^) پایین تر از ( sigma ^) است ، که در طول سناریوی آرام و استرس به وضوح قابل مشاهده است. از آنجا که مدل JD یک مدل BS است ، سطح بالاتری از ( sigma ^) تا حدی توسط مؤلفه پرش جبران می شود. در بسیاری از روزها ، ( sigma ^) نزدیک به ( sigma ^) است. دلیل این امر به طور کلی مقادیر کم شدت پرش سالانه ( lambda ^) و اندازه پرش ( mu _ ) است. به طور متوسط ، مدل JD انتظار کمتر از یک پرش در بازده در سال را دارد.

تکامل ( lambda ^) با شدت پرش مدل های گسترده ( lambda ^) و ( lambda ^) در پیوست شکل 13 مقایسه می شود.( lambda ^ le 2. 5 ). به طور کلی ، نتیجه گیری این است که پرش نادر است. ما سطح متضاد ( lambda ^) و ( lambda ^) را مشاهده می کنیم. آنها به طور مستقیم قابل مقایسه نیستند ، زیرا شدت پرش ( lambda ^) به پرش همزمان در بازده و نوسانات تصادفی کمک می کند ، در حالی که ( lambda ^) و ( lambda ^) فقط مربوط به پرش ها در بازده است. به عنوان مثال ، سطح ( lambda ^) در دوره آرامش زیاد است در حالی که ( lambda ^) نزدیک به صفر است.

قابل قبول بودن فرض نوسانات تصادفی توسط تکامل و سطح ( sigma ^) تجزیه و تحلیل می شود. در بیشتر دوره ها ، سطح ( sigma ^) در مقایسه با بازارهای سنتی بیشتر است. در تصویر گسترده ، تکامل ( sigma ^) بستگی به انتخاب مدل ندارد که در ضمیمه شکل نشان داده شده است. 14. جدول 16 ویژگی های آماری این پارامتر را بر اساس مدل و بخش بازار خلاصه می کند. در دوره صعودی و آرام ، نشانگر نوسانات تصادفی با سطح Vol-of-Vol در (q^ ge 80 ٪ ) و (q^ ge 75 ٪ ) قوی است. در دوره استرس ، سطح ( sigma ^ ) در SV ، SVJ ، SVCJ در (q ^ ge 73 ٪ ) بالا باقی می ماند.

شواهد تجربی نشان می دهد که در بازارهای سنتی پارامتر همبستگی ( rho ^) معمولاً منفی است. به طور خاص ، هنگامی که قیمت ها کاهش می یابد ، نوسانات افزایش می یابد. با این حال ، در هر سه بخش و مدل بازار ، ( rho ^) عمدتاً مثبت و نزدیک به صفر است همانطور که در پیوست شکل 15 نشان داده شده است. Hou et al.(2020) این پدیده را اثر اهرم معکوس در بازارهای CC نامگذاری کنید ، که قبلی در بازارهای کالا توسط شوارتز و چرخ دستی (2009) گزارش شده بود.

این رابطه در بازارهای CC نیز با همبستگی بین ( texttt ) و ( texttt ) تحت اندازه گیری فیزیکی ( mathbb p ) پشتیبانی می شود. ضریب همبستگی پیرسون به ترتیب در صعود و ( rho ^= 0. 64 ) در دوره آرام به ترتیب ( rho ^= 0. 51 ) است. در بخش استرس ، همبستگی با ( rho ^=-0. 73 ) منفی است.

3. 4. 2 VG و CGMY

The prospect of infinite variation is evaluated by the calibration of the CGMY model with average calibrated parameters in Table 9. Precisely, we are interested in the evolution of the infinite activity parameter (Y^) portrayed in Fig. 7. As in each market segment we mostly have (Y^>0 ) ، شواهدی برای فعالیت بی نهایت وجود دارد. در دوره صعودی ، شواهدی از تغییر نامحدود نیز وجود دارد ، زیرا ما بیشتر آنها را داریم (y^ in (1،2] ) (کار و همکاران ، 2002).

دوره صعودی به شدت از اندازه پرش پارامترهای افزایش می یابد (G_ ) و (M_ ) ، که منعکس کننده ماهیت این بخش بازار است. به طور مشابه ، افزایش پارامتر اندازه پرش کاهش یافته (M_ ) عمدتاً در سناریوی استرس بیشتر است. یک تصویر گرافیکی در ضمیمه شکل 17 آورده شده است. VG تحت نمایندگی کالیبره می شود (9). به طور کلی ، سطح نوسانات ( sigma ^) با ( sigma ^) قابل مقایسه است ، همانطور که در ضمیمه شکل 16 نشان داده شده است.

3. 5 نتایج پرچین

در ابتدای هر دوره بازار، گزینه های ATM 1 و 3 ماهه را با حق بیمه های اختیاری فهرست شده در جدول 3 کوتاه می کنیم. همانطور که قبلاً ذکر شد، روند قیمت در هر دو SVCJ و تنظیمات GARCH-KDE شبیه سازی شده است. قرار گرفتن در معرض در هر گزینه به صورت پویا با استفاده از استراتژی های خلاصه شده در جدول 2 پوشش داده می شود. عملکرد پوشش بر حسب خطای پرچین (varepsilon ^) و اندازه گیری های دنباله ( ext ^) و ( ext ^ ارزیابی می شود.) . نتایج پرچین در جداول 10 و 11 نشان داده شده است. برای نمایش گرافیکی مختصر، بهترین استراتژی های پرچین در بین مدل ها در نمودارهای جعبه نمایش داده شده در شکل ها مقایسه شده اند. 8 و 9. برای هر مدل، بهترین استراتژی با توجه به (< ext>^) ، زیرا این یک مبادله بین یک خلاصه افراطی و در عین حال قابل قبول است.

اینها یافته های اصلی هستند: اول، با برخی استثناها، استفاده از ابزارهای متعدد برای پوشش دهی، به عنوان مثال، پرچین های دلتا-گاما و دلتا-وگا، در مقایسه با یک پرچین دلتا ساده منجر به کاهش قابل توجهی در ریسک دم می شود. از این رو، هر زمان که گزینه های معامله نقدشونده برای پوشش ریسک در دسترس هستند، باید از آنها استفاده کرد.

استثناها دوره های آرام و کووید در رویکرد GARCH-KDE برای گزینه سررسید کوتاه و همچنین دوره آرام و رویکرد GARCH-KDE برای گزینه طولانی مدت هستند - در اینجا، با گنجاندن ابزار پرچین دوم، هیچ بهبود قابل توجهی حاصل نمی شود.. در هر صورت، هنگام استفاده از اوراق بهادار دوم برای پوشش ریسک، هیچ خرابی رخ نمی دهد. برخلاف رویکرد SVCJ، که چندین عامل خطر (پرش، نوسانات تصادفی) را به صراحت مدل سازی می کند، رویکرد GARCH-KDE، با چگالی KDE صاف، حساسیت کمتری نسبت به عوامل خطر انضمامی (مانند Vega) در دوره آرام نشان می دهد، حتی با وجود اینفیلتر GARCH، به شکل 12 مراجعه کنید.

دوم، برای گزینه های کوتاه مدت، هیچ تفاوت اساسی در استراتژی های پوشش بهینه در بین مدل ها رخ نمی دهد. تنها استثنا، عملکرد بدتر مدل های VG و CGMY در دوره آرامی است که مسیرهای قیمت در مدل SVCJ ایجاد می شوند.

سوم ، روی آوردن به گزینه طولانی مدت ، اگرچه همیشه به بهترین شکل اجرا نیست ، می توان گفت که مدل های نوسانات تصادفی به طور مداوم عملکرد خوبی دارند. در بین مدلهای نوسانات تصادفی ، مدل SV به عنوان ساده ترین مدل ، تحت تأثیر قرار نمی گیرد و حتی گاهی اوقات مدل بهترین عملکرد است. برای انتخاب مدل پرچین SV ، پرچین ( delta ^) - (v ^) یک استراتژی تکرار شونده است (Kurpiel & Roncalli ، 1999) و اغلب بهتر از سایر مدل ها تحت همان استراتژی های یکسان یا متفاوت عمل می کند. از آنجا که شدت پرش کالیبره شده ( lambda ^) و ( lambda ^) کم است ، SVJ یا SVCJ اغلب شبیه SV هستند که منجر به نتایج پرچین قابل مقایسه می شود (جدول 12).

نتایج پرچین شبیه سازی شده در قسمت پشتی پرچمدار تاریخی تأیید شده است. مانند گذشته ، با حسابهای (دوره آرام) ، پرچین هایی که شامل چندین ابزار پرچین هستند به طور مداوم به واریانس مطلوب و کاهش خطر دم دست می یابند. به عنوان مثال ، در دوره صعودی ، استراتژی ( دلتا ) - (v_ ) به طرز چشمگیری از سایر استراتژی های بهترین عملکرد بهتر عمل می کند.

1. 2 C. 2: کالیبراسیون

انجیر را ببینید. 13 ، 14 ، 15 ، 16 و 17.

1. 3 C. 3: RMSE

حقوق و مجوزها

دسترسی آزاد این مقاله تحت مجوز بین المللی Creative Commons Attribution 4. 0 مجوز است ، که اجازه می دهد تا زمانی که اعتبار مناسبی را به نویسنده اصلی (ها) و منبع بدهید ، به استفاده ، اشتراک ، سازگاری ، توزیع و تولید مثل اجازه دهید. پیوندی به مجوز Creative Commons ارائه دهید و نشان دهید که آیا تغییرات ایجاد شده است. تصاویر یا سایر مطالب شخص ثالث در این مقاله در مجوز Creative Commons مقاله گنجانده شده است ، مگر اینکه در یک خط اعتباری به مطالب مشخص شود. اگر مطالب در مجوز Creative Commons در مقاله گنجانده نشده باشد و استفاده در نظر گرفته شده شما توسط مقررات قانونی مجاز نیست یا از استفاده مجاز فراتر می رود ، باید مستقیماً از دارنده حق چاپ مجوز دریافت کنید. برای مشاهده نسخه ای از این مجوز ، به http://creativeecommons.org/licenses/by/4. 0/ مراجعه کنید.

در مورد این مقاله

این مقاله را ذکر کنید

Matic ، J. L. ، Packham ، N. & Härdle ، W. K. گزینه های cryptocurrency hedging. Rev Deriv Res (2023). https://doi.org/10. 1007/s11147-023-09194-6

• پذیرفته شده: 02 ژانویه 2023
• منتشر شده: 10 فوریه 2023
• doi: https://doi.org/10. 1007/s11147-023-09194-6

این مقاله را به اشتراک بگذارید

هرکسی که لینک زیر را با آن به اشتراک بگذارید قادر به خواندن این محتوا خواهد بود:

لینک اشتراکی دریافت کنید

با عرض پوزش ، یک لینک قابل اشتراک در حال حاضر برای این مقاله در دسترس نیست.

کپی به کلیپ بورد

ارائه شده توسط SPRINGER NATURE SHAREDIT SICTIONATION CONTENT

کلید واژه ها

• گزینه های cryptocurrency
• پرچین
• بیت کوین
• دارایی دیجیتالی
• بازارهای بی ثبات