مبادلات رمزارز و ریسک اعتباری: مدل سازی و پیش بینی احتمال قیمت

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 29

تعداد کلمات : 11000

مجله : Journal of Risk and Financial Management

انتشار : 2021

ترجمه متون داخل جداول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

:

تاریخ انتشار
29 دسامبر 2021
دسته بندی
تعداد بازدیدها
1145 بازدید
27,000 تومان

عنوان فارسی مقاله:مبادلات رمزارز و ریسک اعتباری: مدل سازی و پیش بینی احتمال قیمت

 چکیده

  در حالی که علاقه فزاینده ای به دارایی های کریپتو یا رمزارز وجود دارد، ریسک اعتباری این مبادلات هنوز نسبتا ناشناخته است. برای پر کردن این شکاف، مجموعه داده منحصر به فردی از ۱۴۴ صرافی را در نظر گرفتیم که از سه ماهه اول سال ۲۰۱۸ تا سه ماهه اول ۲۰۲۱ فعال بودند. ما عوامل تعیین کننده تصمیم برای بستن یک مبادله را با استفاده از تکنیک های امتیازدهی اعتباری و یادگیری ماشین تجزیه و تحلیل کردیم. نمرات امنیت سایبری، داشتن یک تیم توسعه‌دهنده عمومی، سن صرافی و تعداد ارزهای رمزنگاری شده قابل معامله، مهم‌ترین متغیرهای مهم در مشخصات مدل‌های مختلف هستند. هر دو تجزیه و تحلیل درون نمونه و خارج از نمونه این یافته ها را تایید می کنند. این نتایج از نظر گنجاندن متغیرهای اضافی، با توجه به کشور ثبت این مبادلات و متمرکز یا غیرمتمرکز بودن آنها، قوی است.

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Crypto Exchanges and Credit Risk: Modeling and Forecastingthe Probability of Closure

Abstract

While there is increasing interest in crypto assets, the credit risk of these exchanges is still relatively unexplored. To fill this gap, we considered a unique dataset of 144 exchanges, active from the first quarter of 2018 to the first quarter of 2021. We analyzed the determinants surrounding the decision to close an exchange using credit scoring and machine learning techniques. Cybersecurity grades, having a public developer team, the age of the exchange, and the number of available traded cryptocurrencies are the main significant covariates across different model specifications. Both in-sample and out-of-sample analyzes confirm these findings. These results are robust in regard to the inclusion of additional variables, considering the country of registration of these exchanges and whether they are centralized or decentralized.