Inhaltsverzeichnisse verfügbar bei ScienceDirect

Nordamerikanisches Journal für Wirtschaft und Finanzen

Zeitschriften-Homepage: www.elsevier.com/locate/najef

Hochfrequente asymmetrische Volatilitätsverbindung zwischen Bitcoin und den wichtigsten Edelmetallmärkten^☆

Walid Mens⟫^a,b, Ahmet Sensov⟫24⟫, Aslan Asan Awards⟫, Sens^c,d, Sang Hen Kagg^e,f,*

• ^a Abteilung für Finanz- und Rechnungswesen, Universität Tunis El Manar, Tunesien
• b Abteilung für Wirtschaft und Finanzen, Hochschule für Wirtschaft und Politikwissenschaft, Sultan-Qabus-Universität, Maskat, Oman
• ^c Fakultät für Betriebswirtschaftslehre, Bilkent-Universität, Ankara 06800, Türkei
• d Statistikabteilung, Zentralbank der Republik Türkei, 06050, Ulus, Ankara, Türkei
• ^e Abteilung für Betriebswirtschaftslehre, Pusan ​​National University, Busan 609-735, Republik Korea
• ^f School of Commerce, University of South Australia, Australien

ARTIKELINFO

JEL-Klassifizierung: G14

Schlüsselwörter:
Bitcoin
Edelmetalle
Hochfrequenz
Asymmetrische Volatilitätsverbundenheit

ABSTRAKT

Diese Studie untersucht den asymmetrischen Volatilitätszusammenhang zwischen Bitcoin und den wichtigsten Edelmetallmärkten (Gold, Silber, Palladium und Platin). Wir verwenden Hochfrequenzdaten mit Methoden, die von Diebold und Yilmaz (2014) sowie Baruník, Kočcenda und Vácha (2017) eingeführt wurden. Die Ergebnisse zeigen Hinweise auf erhebliche Volatilitäts-Spillover-Effekte zwischen Bitcoin und Edelmetallen. Darüber hinaus variieren die Risikoauswirkungen im Laufe der Zeit und reagieren empfindlich auf Abschwächungen der Wirtschaftstätigkeit und politischer Ereignisse (z. B. das Brexit-Votum und die US-Präsidentschaftswahl). Palladium ist der größte Nettozahler der Spillover-Effekte, während Bitcoin der Nettoempfänger ist. Schließlich zeigen Hinweise auf eine Asymmetrie bei der Halbvolatilitätsübertragung, dass Bitcoin in hohem Maße Netto-Positiv-Spillover auf andere Vermögenswerte überträgt. Die Ergebnisse unserer Forschung sind für Anleger, Portfoliomanager und politische Entscheidungsträger von Interesse und wichtig, da die Ergebnisse ihre Entscheidungsfindung leicht beeinflussen können.

1. Einführung

Das letzte Jahrzehnt war von einer zunehmenden Integration internationaler Märkte geprägt, die zu Zusammenbrüchen und Finanzkrisen geführt hat, darunter die globale Finanzkrise im Jahr 2008 und die europäische Schuldenkrise im Jahr 2012. Die Zunahme marktübergreifender Verknüpfungen oder Spillover-Effekte hat das Portfoliorisiko erhöht und die Diversifizierungsvorteile verringert, was Anleger und Portfoliomanager dazu drängt, alternative Vermögenswerte zu finden, die zur Absicherung des Risikos beitragen. Edelmetalle, insbesondere Gold, Palladium, Platin und Silber, stellen aufgrund ihrer geringen Korrelation mit anderen Finanz- und Rohstoffanlagen (z. B. Aktien, Währungsanleihen und Ölmärkte) und den Eigenschaften eines sicheren Hafens, die sie in Zeiten finanzieller Turbulenzen bieten können, gute Alternativen zur Absicherung dar (Baur & Lucey, 2010; Baur & McDermott, 2010; Jensen, Johnson & Mercer, 2002; Draper, Faff & Hillier, 2006; Canover, Jensen, Johnson & Mercer, 2009; Reboredo & Rivera-Castro, 2014).

Wie Edelmetalle hat sich Bitcoin (BTC) seit seiner Gründung im Jahr 2009 in schwierigen Zeiten als widerstandsfähig erwiesen und seine potenzielle Rolle als Absicherung und sicherer Hafen für Finanz- und Rohstoffmärkte vor der zunehmenden globalen Unsicherheit unterstrichen

^* Die in dieser Arbeit geäußerten Ansichten sind die der Autoren und sollten nicht der Zentralbank der Republik Türkei zugeschrieben werden. Dieses Papier ist Teil der Doktorarbeit von Aylin Aslan. Diplomarbeit an der Fakultät für Betriebswirtschaftslehre in I.D. Bilkent-Universität.

^* Korrespondierender Autor am: Department of Business Administration, Pusan ​​National University, Busan 609-735, Republik Korea. E-Mail-Adressen: walid.mensi@fsegt.rnu.tn (W. Mensi), ahmets@fen.bilkent.edu.tr (A. Sensoy), a.aslan@bilkent.edu.tr (A. Aslan), sanghoonkang@pusan.ac.kr (S.H. Kang).

(Dyhrberg, 2016; Bouri, Azzi, Dyhrberg, 2017; Bouri, Jalkh, Molnár, Roubaud, 2017; Corbet, Meegan, Larkin, Lucey & Yarovaya, 2018; Bouoiyour, Selmi & Wohar, 2018; Selmi, Mensi, Hammoudeh & Bouoiyour, 2018).

BTC basiert auf einem dezentralen Peer-to-Peer-Netzwerk namens Blockchain. Es handelt sich um eine unregulierte digitale Währung, die aus der mathematischen Online-Kryptographie abgeleitet ist und in letzter Zeit als Ersatz für staatlich unterstützte Währungen angesehen wird. Als eine der beliebtesten Kryptowährungen – die heute als eine neue Art von Finanzanlage angesehen wird – und gleichzeitig die größte Kryptowährung ist BTC im Zusammenhang mit dem Medieninteresse an dem Phänomen und der Aufmerksamkeit, die es in der Finanzliteratur erhalten hat, exponentiell an Wert gewachsen. Die Literatur hat BTC aus verschiedenen Perspektiven betrachtet. Während eine kleine Gruppe von Studien wie Dwyer (2015), Bariviera (2017) und Bariviera, Zunino und Rosso (2018) die technischen Aspekte und stilisierten Fakten von BTC untersuchen, konzentrieren sich die meisten Studien darauf, ob BTC-Preise entweder die schwachen oder halbstarken Formen der Hypothese eines effizienten Marktes erfüllen (z. B. Urquhart, 2016; Nadarajah & Chu, 2017; Bariviera, 2017). Ein weiterer wachsender Literaturzweig befasst sich speziell mit den Ertragsvolatilitätseigenschaften von BTC (Bouri, Azzi et al., 2017; Peng, Albuquerque, de Camboim, Padula, & Montenegro, 2018) und der Frage, ob auf dem BTC-Markt spekulative Blasen auftreten (Cheah & Fry, 2015; Corbet et al., 2018). Andere Studien weisen darauf hin, dass BTC eher als spekulative Investition und nicht als sicherer Hafen oder Absicherung angesehen wird (Kristoufek, 2013; Yermack, 2014; Molnár, Vagstad & Valstad, 2015; Ciaian, Rajcaniova & Kancs, 2016), während einige Arbeiten zeigen, dass dies nicht unbedingt der Fall sein muss. BTC könnte durchaus in optimale Portfolios aufgenommen werden, da es Vertrauen genießt, wenn eine Wirtschaftskrise auftritt oder wenn gängige Währungen und Vermögenswerte ihre Glaubwürdigkeit verlieren (Eisl, Gasser & Weinmayer, 2015; Popper, 2015; Gangwal, 2016; Baur, Hong & Lee, 2018).

Trotz zunehmender Forschung zu den Absicherungs- und Safe-Haven-Eigenschaften von BTC gegenüber den wichtigsten Aktienindizes, Anleihen, Öl, Gold und dem allgemeinen Rohstoffindex wurden die Beziehungen zwischen BTC und Edelmetallen außer Gold bisher ignoriert. Um die entsprechende empirische Literatur zu bereichern, untersucht dieses Papier die Verbindungen zwischen BTC und wichtigen Edelmetallmärkten und seine Rolle als Absicherung und/oder sicherer Hafen zum Schutz vor ähnlichen Risiken. Dabei werden Fünf-Minuten-Frequenzdaten und die von Diebold und Yilmaz (2014) sowie Baruník, Kočcenda und Vácha (2017) entwickelten Methoden verwendet.

Unsere Ergebnisse lassen sich wie folgt zusammenfassen: (i) Wir stellen erhebliche Volatilitäts-Spillover-Effekte bei Edelmetallen und BTC fest. (ii) Darüber hinaus verstärkte sich der Spillover-Trend während allgemeiner Phasen der Verlangsamung der globalen Wirtschaftstätigkeit sowie der Brexit-Abstimmung und der US-Präsidentschaftswahl, was auf eine finanzielle Ansteckung hindeutet. Im Hinblick auf die Netto-Spillover-Effekte ist Palladium der größte Netto-Spillover-Verursacher, gefolgt von Gold; BTC ist ein Nettoempfänger von Spillover-Effekten. Hinweise auf eine Asymmetrie bei der Halbvolatilitätsübertragung zeigen, dass BTC in hohem Maße positive Netto-Spillover-Effekte auf andere Vermögenswerte überträgt. Die schlechte Volatilität von Palladium beeinflusst die Volatilität anderer Vermögenswerte stärker als seine gute Volatilität. Andererseits ist das Ausmaß des Netto-Spillover von Gold zeitabhängig. Wir identifizieren auch das Netzwerk der Verbundenheit und gehen davon aus, dass Palladium den größten Einfluss auf die gute und schlechte Volatilität von BTC hat. Unsere Ergebnisse stehen im Einklang mit bestehenden Belegen dafür, dass Bitcoin ein wertvoller Portfolio-Diversifikator ist (Bouri, Molnár, Azzi, Roubaud, Hagfors, 2017; Bouri, Jalkh et al., 2017; Brière, Oosterlinck & Szafarz, 2015; Corbet et al., 2018; Dyhrberg, 2016; Guesmi, Saadi, Abid & Ftiti, 2019), die wir um die Berücksichtigung asymmetrischer Zusammenhänge zwischen Spillover-Effekten positiver und negativer Volatilität erweitert haben.

Diese Studie ergänzt die bestehende Literatur in vierfacher Hinsicht. Zunächst werden die asymmetrischen Beziehungen zwischen BTC und Edelmetallen wie Gold, Silber, Platin und Palladium untersucht. Diese Analyse würde Anlegern dabei helfen, festzustellen, ob BTC als Absicherungs-/Diversifizierungsinstrument eine sinnvolle Alternative zu allen Arten von Edelmetallen darstellt. Darüber hinaus würde es politischen Entscheidungsträgern und Regulierungsbehörden helfen, die Rolle dieser digitalen Währung als Anlagevermögen im Vergleich zu Edelmetallen wahrzunehmen. Zweitens gehen wir, anstatt wie die meisten früheren Studien tägliche Daten zu verwenden, auf die Hochfrequenzebene und analysieren die Beziehung zwischen BTC und Edelmetallen in Abständen von fünf Minuten. Die Idee dahinter ist, dass der algorithmische (insbesondere hochfrequente) Handel in den letzten Jahren die Handelsszene dominiert hat. In dieser Struktur sind automatisierte Computer so programmiert, dass sie als Reaktion auf variierende Marktdaten in Echtzeit schnelle Entscheidungen treffen (Sensoy, 2018). Im Jahr 2012 machte der algorithmische Handel 85 % des gesamten Handelsvolumens in US-Aktien aus, wobei Hochfrequenzhandelsstrategien (das Halten einer Long-Position in einem Vermögenswert für nur wenige Minuten) einen großen Teil dieses Wertes ausmachten (Glantz & Kissell, 2013). Heutzutage werden algorithmische Handelsplattformen für Kunden von mehreren BTC-Börsen betrieben, was eine Analyse der Beziehung zwischen BTC und anderen Vermögenswerten auf Intraday-Ebene erfordert. Bisher haben jedoch nur wenige Studien den BTC-Markt mithilfe von Hochfrequenzdaten analysiert (Bariviera et al., 2018; Peng et al., 2018). Soweit uns bekannt ist, wurde in keiner früheren Studie eine solche Analyse durchgeführt.

Drittens analysiert die Studie tägliche Intraday-Daten für einen Zeitraum von vier Jahren, der sowohl Verlangsamungen der globalen Wirtschaftsaktivität als auch Aufwärtstrends bei den Wachstumsraten fortgeschrittener Volkswirtschaften umfasst. Der Stichprobenzeitraum umfasst auch entscheidende Ereignisse wie den Austritt Großbritanniens aus der EU (Brexit) und die US-Präsidentschaftswahlen, die zu Unsicherheit über die globalen Wachstumsaussichten führten. Solche Ereignisse helfen uns, die Dynamik von Äquikorrelationen und Volatilitäts-Spillovers zu analysieren und in Zeiten globaler wirtschaftlicher und politischer Unsicherheit optimale Portfolios und Absicherungsstrategien zu entwerfen. Schließlich wenden wir in unserer Analyse modernste Methoden an, wie z. B. den generalisierten Spillover-Index und das gerichtete Spillover-Maß von Diebold und Yilmaz (2012), Baruník et al. (2017) Methodik zur Messung der Richtungs-Spillover-Asymmetrie und Diebold und Yilmaz‘ (2014, 2016) Methodik für die Netzwerktopologie der Marktanbindung. Der zeitlich variierende Gesamtvolatilitäts-Spillover-Index zwischen BTC und Edelmetallen, der mithilfe einer dynamischen Rolling-Sample-Analyse ermittelt wurde, liefert nützliche Informationen über das Verhalten der Volatilitäten im Zeitverlauf. Darüber hinaus ist die Erforschung der Dynamik in der

^<sup>1 Der BTC-Markt ist 24 Stunden am Tag und 7 Tage die Woche geöffnet und noch recht jung. Mit einer Marktkapitalisierung von mehr als 112 Milliarden US-Dollar und einem Marktanteil von mehr als 53,8 % in der Welt der Kryptowährungen (Stand Oktober 2018) kann die Rolle von BTC auf den Finanzmärkten jedoch nicht länger ignoriert werden. Seit dem 10. Dezember 2017 werden Futures-Kontrakte auf BTC an der Chicago Board Options Exchange (CBOE) gehandelt, was darauf hindeutet, dass BTC nun nicht nur in den Augen der Händler, sondern auch der politischen Entscheidungsträger ein gültiger finanzieller Vermögenswert ist. Mit diesen Verträgen nehmen Anleger beim Handel nun an einem regulierten Marktplatz teil, indem sie ihre Wahrnehmung der BTC-Preise berücksichtigen. Der jüngste Schritt von CBOE hat die Rolle von BTC auf den Finanzmärkten auf ein ganz neues Niveau gehoben.

Das Muster der Richtungsasymmetrien hilft uns, die Auswirkungen positiver oder negativer Schocks auf Volatilitäts-Spillover-Effekte zu erkennen.

Der Rest der Studie ist wie folgt organisiert. Abschnitt 2 gibt einen Überblick über die entsprechende Literatur. Abschnitt 3 beschreibt die in dieser Studie verwendete Methodik. Abschnitt 4 präsentiert die Daten und die deskriptive Statistik. In Abschnitt 5 werden die Ergebnisse und ihre Auswirkungen auf das Portfolio-Risikomanagement erörtert. Abschnitt 6 schließt den Beitrag ab.

2. Literaturübersicht

Eine wachsende Zahl an Literatur befasst sich mit dem Spillover-Effekt zwischen den Finanzmärkten. Informationen über den Spillover-Effekt sind für die Vermögensallokation und das Risikomanagement von besonderer Bedeutung. Darüber hinaus liefern die gegenseitige Abhängigkeit und Ansteckung zwischen den Finanzmärkten nützliche Informationen für Rettungsmaßnahmen und sind daher für Regulierungsbehörden und internationale Finanzinstitutionen von entscheidender Bedeutung (Shahzad, Xiu, Wan & Shahbaz, 2018). Vorhandene empirische Studien zeigen, dass Gold ein sicherer Hafen für internationale Aktien- und Anleihenmärkte ist, indem sie nützliche Einblicke in die Beziehung zwischen Gold und den Aktien- und Anleihenindizes zahlreicher entwickelter Länder liefern (Baur & Lucey, 2010; Baur & McDermott, 2010; Coudert & Raymond, 2011; O’Connor, Lucey, Batten & Baur, 2015; Yaya, Tumala & Udomboso, 2016; Ji, Bouri, Roubaud, 2018). Die Rolle anderer Edelmetalle ist trotz ihrer Fähigkeit, Anlageportfolios effektiv abzusichern, selten dokumentiert.

Neuere Studien, darunter Lucey und Li (2015), Batten, Ciner und Lucey (2015) sowie Agyei-Ampomah, Gounopoulos und Mazouz (2014), betonen jedoch die Widerstandsfähigkeit der Silber-, Platin- und Palladiummärkte (zusammen mit den Goldmärkten) gegenüber Finanzkrisen und legen nahe, dass die Aufnahme von Edelmetallen in ein Portfolio das systematische Anlagerisiko durch Diversifizierung senken kann, insbesondere in Zeiten abnormaler Aktienmärkte Volatilität (Hillier, Draper & Faff, 2006; Belousova & Dorfleitner, 2012; Skiadopoulos, 2012; Lucey & Li, 2015).

Mensi, Hamed Al-Yahyaee und Kang (2017) untersuchen die zeitlich variierenden Risiko-Spillover zwischen Edelmetallen und den US-amerikanischen, japanischen, europäischen und asiatischen Aktienmärkten auf der Grundlage des Spillover-Index von Diebold und Yilmaz (2012). Sie finden Hinweise auf Spillover-Effekte zwischen den Edelmetall- und Aktienmärkten. Darüber hinaus zeigen sie, dass alle oben genannten Aktienmärkte (mit Ausnahme des japanischen Marktes) entscheidende Faktoren für Risikospillover waren und dass die vier Edelmetallmärkte während der globalen Finanzkrise und der europäischen Staatsschuldenkrise Nettorisikoempfänger waren.

Mehrere Studien konzentrieren sich auf die Spillover-Effekte von Edelmetallen auf Währungs- und Rohölpreise. Antonakakis und Kizys (2015) stellen bei der Untersuchung der dynamischen Interdependenz zwischen Renditen und der Volatilität von Rohstoff- und Devisenmärkten fest, dass der Informationsgehalt von Gold, Silber, Platin sowie die Wechselkurse CHF/USD und GBP/USD die Quelle der Renditen und Volatilitäten von Palladium, Rohöl und den Wechselkursen EUR/CHF und GBP/USD sind. Darüber hinaus zeigen sie, dass Gold und CHF/USD die wichtigsten Rohstoff- bzw. Währungstransmitter für Rendite- und Volatilitätsübertragungen auf die anderen Vermögenswerte in ihrem Modell sind. Schließlich weisen sie darauf hin, dass die Ergebnisse der dynamischen Spillover-Analyse zeit- und ereignisabhängig sind. In ähnlicher Weise untersuchen Fernandez-Perez, Frijns und Tourani-Rad (2017) die gleichzeitigen Spillover-Effekte zwischen Edelmetallen (Gold, Silber, Platin und Palladium), Rohöl und US-Wechselkursen mithilfe eines strukturellen vektorautoregressiven (VAR) Modells. Die Autoren zeigen starke und asymmetrische gleichzeitige Spillover-Effekte, die von der Granger-Kausalitätsstatistik nicht erfasst werden. Auch Hammoudeh und Yuan (2008) untersuchen einen Zusammenhang in Form integrierter Netzwerke. Sie analysieren den US-Edelmetallmarkt mithilfe von verallgemeinerten autoregressiven bedingten Heteroskedastizitätsmodellen (GARCH) und stellen fest, dass verzögerte Ölpreise als Determinante für die univariaten Volatilitäten von Silber, Gold und Kupfer dienen. Huang, Cheng, Guo und Shao (2012) analysieren die Auswirkungen des US-Dollars und der Ölpreise auf den chinesischen Edelmetallmarkt (Kupfer, Gold und Silber) mithilfe eines VAR-Modells. Sie stellen fest, dass der US-Dollar die Preise für chinesisches Gold und Silber bestimmt. Kürzlich haben Shahzad et al. (2018) untersuchen die Auswirkungen der internationalen Ölpreise auf eine breite Palette von Edelmetallrenditen (Gold, Silber, Platin, Palladium und Titan). Durch die Implementierung des VAR für eine Value-at-Risk-Spezifikation (VaR) untersuchen sie die Aufwärts-/Abwärtsrisiko-Spillover von Öl auf die Edelmetallmärkte und messen gleichzeitig die Reaktion jedes Edelmetalls auf die erwarteten negativen/positiven Ölschocks.

Ein weiterer Strang in der Literatur befasst sich mit den individuellen Beziehungen zwischen Bitcoin und anderen Finanzanlagen und hebt die wertvolle Rolle von Bitcoin als Anlagevermögen hervor. Dyhrberg (2016), Bouri, Molnár et al. (2017) und Bouri, Jalkh et al. (2017) betonen die Vorteile der Einbeziehung von BTC in Portfolios. Dyhrberg (2016) untersucht die Absicherungsfähigkeiten von BTC mit der asymmetrischen GARCH-Methodik unter Verwendung täglicher USD/EUR- und USD/GBP-Wechselkurse und des FTSE-Index für den Zeitraum vom 19. Juli 2010 bis 22. Mai 2015. Der Autor kommt zu dem Schluss, dass BTC sich gegen den FTSE-Index und – kurzfristig – den US-Dollar absichern kann. In die gleiche Richtung gehen Bouri, Molnár et al. (2017) untersuchen die Diversifizierungs-, Absicherungs- und Safe-Haven-Eigenschaften von BTC gegenüber den wichtigsten globalen Aktienindizes, Anleihen, Öl, Gold, dem allgemeinen Rohstoffindex und dem US-Dollar-Index mithilfe eines dynamischen bedingten Korrelationsmodells. Sie zeigen anhand täglicher und wöchentlicher Daten, dass BTC für Diversifizierungszwecke geeignet ist. Bei wöchentlichen extremen Abwärtsbewegungen asiatischer Aktien weist BTC jedoch eine starke Safe-Haven-Eigenschaft auf. Bouri, Jalkh et al. (2017) untersuchen außerdem durch die Anwendung bivariater asymmetrischer dynamischer bedingter Korrelationen (DCCs), ob BTC die Rolle eines Diversifikators, einer Absicherung oder eines sicheren Hafens sowohl gegenüber allgemeinen Rohstoffindizes als auch gegenüber spezifischen Energierohstoffindizes übernommen hat. Ihre Ergebnisse legen nahe, dass BTC als starke Absicherung und sicherer Hafen gegenüber beiden Rohstoffindizes gilt.

Bouoiyour und Selmi (2017) untersuchen mithilfe eines Ansatzes, der auf der Ensemble-Empirical-Mode-Zerlegung basiert, die Absicherungs- und Safehaven-Fähigkeiten von BTC für den US-Aktienpreisindex. Die Ergebnisse zeigen, dass die Fähigkeit von BTC, als sicherer Hafen zu fungieren, von der Zeit abhängt: Kurzfristig fungiert es als schwacher sicherer Hafen und langfristig als Absicherung. Corbet et al. (2018) analysieren die Beziehungen zwischen drei Kryptowährungen (BTC, Ripple und Litecoin) und einer Vielzahl anderer Finanzanlagen wie dem MSC GSCI Total Return Index, dem breiten USD-Wechselkurs, dem SP500-Index, dem COMEX-Goldschlusspreis VIX und dem Markit ITTR110-Index. Sie implementieren die verallgemeinerte Varianzzerlegungsmethode, um die Verbindung zwischen Kryptowährungen und den Mainstream-Assets zu bewerten. Ihre Ergebnisse deuten darauf hin, dass Kryptowährungen miteinander verbunden sind und als Diversifizierungsmittel dienen können, von dem Anleger kurzfristig profitieren. Katsiampa (2018) untersucht bei der Untersuchung der Volatilitätsdynamik von Bitcoin und Ether Hinweise auf gegenseitige Abhängigkeiten auf dem Kryptowährungsmarkt. Darüber hinaus zeigt der Autor, dass Ether eine wirksame Absicherung gegen Bitcoin sein kann, während die Analyse der optimalen Portfoliogewichte darauf hinweist, dass Bitcoin Ether überwiegen sollte. In ähnlicher Weise verwenden Ji, Bouri, Lau und Roubaud (2019) eine Reihe von Maßnahmen, die von Diebold und Yilmaz (2012, 2016) entwickelt wurden, um die Vernetzung über Rendite- und Volatilitäts-Spillovers bei sechs großen Kryptowährungen zu beobachten. In Bezug auf Volatilitäts-Spillover zeigen die Ergebnisse, dass Bitcoin den größten Einfluss auf andere Kryptowährungen hat, gefolgt von Litecoin; Dash weist eine äußerst schwache Vernetzung auf und bietet Absicherungs- und Diversifizierungsvorteile auf dem Kryptowährungsmarkt. Sie zeigen außerdem, dass das Handelsvolumen sowie die globalen Finanz- und Unsicherheitseffekte ausschlaggebende Faktoren für Spillover-Effekte sind. Darüber hinaus wirken sich die Goldpreise negativ auf die Nettoauswirkungen der direktionalen Volatilität aus, während der VIX einen positiven Effekt zeigt. In die gleiche Richtung untersuchen Aslanidis, Bariviera und Martínez-Ibañez (2019) Kryptowährungen und traditionelle Vermögenswerte (Aktien- und Anleihenindizes sowie Gold). Durch die Anwendung einer dynamischen bedingten Korrelationsanalyse auf den Kryptowährungsmarkt stellen sie positive Korrelationen zwischen Kryptowährungen und vernachlässigbare Korrelationen zwischen Kryptowährungen und traditionellen Finanzanlagen fest. Eine Untersuchung von Canh, Wongchoti, Thanh und Thong (2019) ist eine der jüngsten Studien, die Volatilitäts-Spillover-Effekte auf dem Kryptowährungsmarkt untersuchen. Bei der Analyse der sieben größten Kryptowährungen (Bitcoin, Litecoin, Ripple, Stellar, Monero, Dash und Bitcoin) dokumentieren sie Volatilitäts-Spillover mit starken positiven Korrelationen zwischen Kryptowährungen und stellen begrenzte Diversifizierungsvorteile innerhalb des Kryptowährungsmarktes fest. Ji, Bouri, Gupta, Roubaud (2018) stellen die kausalen Zusammenhänge zwischen Bitcoin und mehreren Finanzanlagen (d. h. Aktien, Anleihen, Währungen und Rohstoffen) in Frage, indem sie einen gerichteten azyklischen graphbasierten Ansatz und prognostizierte Fehlervarianzzerlegungen verwenden. Ihre Ergebnisse deuten darauf hin, dass Bitcoin ziemlich isoliert ist. Sie finden jedoch Hinweise auf verzögerte Beziehungen zwischen Bitcoin und einigen Vermögenswerten, insbesondere während der rückläufigen Phase des Bitcoin-Marktes.

Bouoiyour et al. (2018) vergleichen die Rolle von BTC und Gold als Absicherung, sicherer Hafen und/oder Diversifikator gegen extreme Schwankungen der Ölpreise, indem sie einen Quantil-zu-Quantil-Ansatz und das bedingte VaR-Maß verwenden. Die Autoren kommen zu dem Schluss, dass sowohl BTC als auch Gold ölbezogene Portfoliorisiken reduzieren, BTC jedoch als ausgeprägtere Absicherung und sicherer Hafen dienen kann als Gold. In ähnlicher Weise haben Selmi et al. (2018) vergleichen die Absicherungsfunktionen von Bitcoin und Gold gegen extreme Ölpreisbewegungen unter alternativen Verteilungen sowohl der Öl- als auch der Bitcoin/Gold-Märkte. Durch die Berücksichtigung verschiedener Unsicherheitsindikatoren bestätigen sie, dass es sinnvoll ist, sowohl Bitcoin als auch Gold, aber nicht Öl, in einen Portfolio-Risikomanagementplan bei politischen und wirtschaftlichen Turbulenzen einzubeziehen. Die Diversifizierungsvorteile von BTC werden auch durch die jüngste Arbeit von Guesmi et al. gestützt. (2019). Bouri, Gupta, Lau, Roubaud, Wang (2018) untersuchen die tägliche Abhängigkeit zwischen globalem Finanzstress und Bitcoin, indem sie verschiedene standard- und quantilbasierte Copula-Modelle anwenden. Die Autoren finden Beweise für die Richtungsvorhersehbarkeit vom globalen Finanzstressindex bis hin zu Bitcoin-Erträgen, was die Fähigkeit von Bitcoin unterstreicht, etwa 60 Tage lang als sicherer Hafen gegen globale Finanzstress zu fungieren. Shahzad, Bouri, Roubaud, Kristoufek, Lucey (2019) tragen zur Debatte um die Safe-Haven-Eigenschaft von Bitcoin bei und schlagen eine neue Definition eines schwachen und starken Safe-Haven im Rahmen eines bivariaten Kreuzquantilogramm-Ansatzes vor. Ihre Ergebnisse zeigen, dass Bitcoin, Gold und der Rohstoffindex in manchen Fällen schwache sichere Häfen sind und dass die Rolle dieser Vermögenswerte als sichere Häfen zeitlich variiert.

Bouri, Gupta, Lahiani, Shahbaz (2018) untersuchen die nichtlinearen, asymmetrischen und Quantileffekte des aggregierten Rohstoffindex und der Goldpreise auf den Bitcoin-Preis, indem sie mehrere fortschrittliche autoregressive Distributed-Lag-Modelle (ARDL) implementieren. Die Autoren schlagen die Möglichkeit vor, Bitcoin-Preisbewegungen auf der Grundlage von Preisinformationen aus Rohstoff- und Goldpreisen vorherzusagen.

Anyfantaki, Arvanitid und Topaloglou (2018) bewerten neben Bitcoin auch andere Kryptowährungen (Ether, Ripple und Litecoin) hinsichtlich ihrer Diversifizierungsvorteile. Sie wenden stochastische Dominanztests mit In-Sample- und Out-of-Sample-Daten an und stellen fest, dass Kryptowährungen risikoscheuen Anlegern Investitionsmöglichkeiten bieten, die über traditionelle Anlageklassen (Aktien, Anleihen und Bargeld) hinausblicken. In ihrer Analyse werden die Kryptowährungsmärkte von den traditionellen Aktien- und Anleihemärkten segmentiert, um die Dominanz des erweiterten Anlageuniversums zu erklären.

Trotz neuer Studien zu den Absicherungs- und Safe-Haven-Eigenschaften von BTC sind ihre asymmetrischen Verbindungen zu Edelmetallen (wie Gold, Silber, Platin und Palladium) weiterhin unerforscht.

3. Ökonometrischer Modellierungsrahmen

3.1. Asymmetrische Volatilitäts-Spillover

Wir führen ein neues Maß für die Volatilität ein, um Asymmetrien aufgrund negativer und positiver Schocks zu bewerten. Nehmen wir an, dass die Intraday-Rendite die logarithmische Differenzrendite des Fünf-Minuten-Preises ist, also , sodass die realisierte Varianz (RV) definiert werden kann als

In Anlehnung an Barndorff-Nielsen, Kinnebrock und Shephard (2010) zerlegen wir RV in Schätzer der realisierten Semivarianz (RS), um die Asymmetrie aufgrund negativer oder positiver Bewegungen spezifischer Volatilitäten (z. B. schlechte und gute Volatilität) zu messen. Die negativen und positiven realisierten Halbvarianzen ( und ) sind wie folgt definiert:

^<sup>2 Frühere Studien kamen zu dem Schluss, dass die realisierte Volatilität konsistente Schätzungen der integrierten Volatilität liefert und nicht den Stellvertreter der Volatilität, d. h. absolute Renditen (Andersen & Bollerslev, 1998; Andersen et al., 2001, 2003; Barndorff-Nielsen & Shephard, 2002).

Fig. 1. Dynamik der täglich realisierten Volatilität Hinweis: Diese Abbildung zeigt die realisierten Varianzen von fünf Vermögenswerten, die aus fünfminütigen Intraday-Renditen ermittelt wurden. Die Volatilität wird gemäß Gl. berechnet. (1).

(2)

(3)

Die Summe der negativ realisierten Semivarianz, ein Maß für das Abwärtsrisiko , und der positiv realisierten Semivarianz, ein Maß für das Aufwärtsrisiko , ist immer gleich dem gesamten realisierten Semivarianz-RV (d. h. ). Somit liefern die realisierten Halbvarianzen ein vollständiges Bild der realisierten Varianz.

Table 1

Beschreibende Statistiken für realisierte Volatilität, Upside-Semi-Volatilität und Downside-Semi-Volatilität.

Hinweis: In dieser Tabelle werden die deskriptiven Statistiken der realisierten Volatilität und Halbvolatilität im Stichprobenzeitraum vom 15. Dezember 2014 bis zum 2. Februar 2018 dargestellt. Die statistischen Jarque-Bera-Tests beziehen sich auf die Nullhypothese der Normalität für die Verteilung der Reihe. *** gibt die Ablehnung der Nullhypothese auf dem Signifikanzniveau von 1 % an.

Table 2Gesamtspillover der täglich realisierten Volatilität.

Hinweis: Gemäß dem Schwarz-Informationskriterium basiert die zugrunde liegende Varianzzerlegung auf einem täglichen VAR der Ordnung 4, der mithilfe eines verallgemeinerten VAR-Spillover-Frameworks ermittelt wird.

Um die Intensität der guten und schlechten Volatilität zu berücksichtigen, unterscheidet diese Studie zwischen der negativen Halbvarianz und der positiven Halbvarianz in den gesamten Volatilitäts-Spillovers, bezeichnet mit . Zu diesem Zweck übernehmen wir die Methodik von Diebold und Yilmaz (2012), die direkt aus der Varianzzerlegung folgt, die mit einer an die Volatilität angepassten Vektorautoregression mit N-Variablen verbunden ist. Ein N-dimensionaler Vektor der realisierten Varianz, in N verschiedenen Märkten, wird als kovarianzstationärer VAR(p) definiert:

wobei N×N autoregressive Koeffizientenmatrizen sind und ein Vektor von Fehlertermen ist, von denen angenommen wird, dass sie seriell unkorreliert sind. Da davon ausgegangen wird, dass der obige VAR-Prozess kovarianzstationär ist, kann eine Darstellung des gleitenden Durchschnitts als geschrieben werden.

wobei die N×N-Koeffizientenmatrizen aus der Rekursion erhalten werden, mit und für i<0. Um die asymmetrischen Volatilitäts-Spillover abzuschätzen, erstellen wir ein VAR-Modell (Gl. (4)), ersetzen jedoch den Vektor der Volatilitäten

Um die asymmetrischen Volatilitäts-Spillover abzuschätzen, erstellen wir ein VAR-Modell (Gl. (4)), ersetzen jedoch den Volatilitätsvektor durch einen 2N-dimensionalen Vektor negativer und positiver Halbvarianzen . Die Elemente der -Step-Ahead-verallgemeinerten Prognosefehlervarianz haben dann die Form

Fig. 2. Gesamtvolatilitäts-Spillover von fünf Vermögenswerten Anmerkungen: Die Dynamik der gesamten Spillover-Effekte wird mithilfe einer rollierenden Stichprobenanalyse mit gleitenden 100-Tage-Fenstern berechnet.

(5)

wobei die Kovarianzmatrix der Fehler im nicht orthogonalisierten VAR durch dargestellt wird. bezeichnet die Standardabweichung des Fehlerterms der -Gleichung, und ist ein -Vektor, der eins als -Element annimmt und ansonsten Null. Schließlich ist die Koeffizientenmatrix, die den h-verzögerten Fehler in der unendlichen gleitenden Durchschnittsdarstellung des nicht orthogonalisierten VAR multipliziert.

3.2. Maß für die gerichtete Spillover-Asymmetrie

Um den Asymmetrie-Volatilitäts-Spillover zu quantifizieren, wenden wir realisierte Halbvarianzen an, um genauere Informationen über das Spillover-Verhalten zu erhalten, indem wir ein gerichtetes Spillover-Asymmetriemaß definieren. Die Asymmetrie ist die Differenz zwischen dem gerichteten Volatilitäts-Spillover, der von einer positiven oder negativen Halbvarianz herrührt. Im Gegensatz zu den symmetrischen Richtungsspillovers bei realisierten Volatilitäten betrachten wir die Elemente der H-Step-Ahead-Zerlegung der verallgemeinerten Prognosefehlervarianz in Gl. (5) zur Berechnung asymmetrischer Richtungs-Spillover. Wir definieren den gerichteten Spillover vom Markt auf alle anderen Märkte

(6)

Basierend auf den gerichteten Spillovers in Gl. (3) Wir vermuten die asymmetrischen Richtungsübertragungen, die bestimmen, wie sich die Schocks mit schlechter und guter Volatilität auf einem Markt auf die Volatilität in allen anderen Märkten auswirken. Nach Baruník et al. (2017) ist der Netto-Richtungsasymmetrie-Spillover (SAM) wie folgt definiert als die Differenz in der Reaktion aller anderen Märkte auf einen Schock mit schlechter oder guter Volatilität im Markt i:

(7)

wobei und Volatilitäts-Spillover-Indizes aufgrund positiver bzw. negativer Halbvarianzen sind, unter Verwendung der H-Step-Ahead-Prognose zum Zeitpunkt t. Wenn negativ (positiv) ist, beobachten wir einen starken Effekt schlechter (guter) Volatilität vom Markt i auf alle anderen Märkte j. Wir verwenden außerdem ein gleitendes Fenster von 100 Tagen, um das zeitlich variierende asymmetrische Verhalten des Volatilitäts-Spillovers einzubeziehen.

3.3. Maß für die Spillover-Asymmetrie

Um das Ausmaß asymmetrischer Volatilitäts-Spillover weiter zu quantifizieren, definieren wir ein Spillover-Asymmetriemaß wie folgt:

(8)

Die Größe von gibt den Grad der Asymmetrie im Spillover aufgrund von und an. Wenn die schlechte (gute) Volatilität von die gute (schlechte) Volatilität von dominiert, ist negativ (positiv). Wenn jedoch der Spillover von und gleich ist, nimmt den Wert Null an, was darauf hinweist, dass keine Spillover-Symmetrie vorliegt. Um die Nullhypothese der symmetrischen Verbundenheit () zu testen, verwenden wir den Bootstrap-Konfidenzansatz von Baruník, Kočcenda und Vácha (2016).

3.4. Netzwerkverbundenheit bei Asymmetrievolatilität

Diebold und Yilmaz (2014, 2016) schlagen eine Netzwerktopologie aller Marktvernetzungen vor und veranschaulichen die Varianz

Fig. 3. Direktionale Netto-Spillover in der täglich realisierten Volatilität. Hinweis: Positive Werte weisen darauf hin, dass der Vermögenswert ein Volatilitätsüberträger für andere Märkte ist, wohingegen negative Werte darauf hinweisen, dass der Vermögenswert ein Volatilitätsempfänger von anderen Märkten ist.

Zerlegungsmatrix als Adjazenzmatrix eines gewichteten gerichteten Netzwerks. Die Elemente der Adjazenzmatrix repräsentieren unsere paarweise Richtungsverbundenheit, . Die Summe der Zeilen (Knoten in Grad) ist die gesamte Richtungsverbundenheit „Von“, ; und die Summe der Spalten (Knoten-Out-Grade) ist die gesamte Richtungsverbundenheit „To“, .

4. Daten und vorläufige Analyse

In unserer Analyse untersuchen wir den Volatilitäts-Spillover und seine Asymmetrien zwischen BTC und vier großen Edelmetallen (Gold, Silber, Palladium und Platin). In diesem Zusammenhang generieren wir täglich realisierte Halbvolatilität basierend auf hochfrequenten Fünf-Minuten-Renditen im Zeitraum vom 15. Januar 2014 bis zum 2. Februar 2018. Aufgrund der Verfügbarkeit von Hochfrequenzdaten verwenden neuere Studien Fünf-Minuten-Hochfrequenzdaten zur Schätzung der realisierten Volatilität, um den Kompromiss zwischen Genauigkeit und Marktmikrostrukturrauschen (aufgrund von) zu eliminieren

Table 3Asymmetrischer direktionaler Volatilitäts-Spillover in Halbvarianzen RS⁺und.RS^–

Die fett gedruckten (diagonalen) Werte sind die eigenen Spillover-Effekte.

der Bid-Ask-Bounce, asynchroner Handel, seltener Handel und Preisdiskretion) (Kumar, 2017; Bissoondoyal-Bheenick, Brooks & Do, 2019; Horpestada, Lyócsa, Molnára & Olsen, 2019; Luo & Wang, 2019; Xu, Ma & Zhang, 2019).

Beachten Sie, dass positive (negative) Renditen mit guten (schlechten) Nachrichten über Bitcoin und die vier Edelmetalle verbunden sind. Jede Stichprobe weist 978 täglich realisierte Volatilitäten für den Stichprobenzeitraum auf, wobei 234.306 Beobachtungen von 5-Minuten-Intervalldaten für die Analyse verfügbar sind. Die Tick-Daten wurden von Tick Data, Inc. bezogen. Um Schätzungsverzerrungen zu vermeiden, die durch eine geringe Handelsaktivität auf dem Markt verursacht werden könnten, schließen wir Wochenenden und Feiertage sowie die Zeiträume vom 24. bis 26. Dezember und vom 21. Dezember bis 2. Januar aus.

Fig. 1 zeigt die Dynamik der täglich realisierten Volatilität von 2014 bis 2018. Wir beobachten, dass die täglich realisierte Volatilität im Teilzeitraum 2015–2016 große Spitzenwerte aufweist. Die Spitzen resultieren aus irrationalen Reaktionen der Anleger (z. B. Panik und Herdenverhalten). Die Reaktionen der Anleger auf gute und schlechte Nachrichten waren stark.

Table 1 präsentiert die deskriptiven Statistiken für die geschätzten realisierten Varianzen, die Halbvolatilität nach oben und die Halbvolatilität nach unten. Panel A zeigt, dass BTC den höchsten Mittelwert sowie die höchste Standardabweichung der realisierten Varianz aufweist. Die Verteilungen der realisierten Maße für alle Reihen weisen eine positive Schiefe auf, was bedeutet, dass die meisten Werte niedriger als der Mittelwert sind. Bei allen Verteilungen der realisierten Maße unterschieden sich die Kurtosen wesentlich von 3, was der Kurtosis einer univariaten Normalverteilung entspricht, was auf hohe Spitzen und fette Ausläufer (leptokurtisch) hinweist. Basierend auf diesen beiden statistischen Maßen können wir daher den Schluss ziehen, dass keine der Verteilungen der realisierten Maße normalverteilt ist, was auch durch die Jarque-Bera-Statistik bestätigt wird. Der Unterschied zwischen den Mittelwerten in den Feldern B und C ist vernachlässigbar, sodass wir den Schluss ziehen können, dass beide Arten der Halbvolatilität gleichermaßen zur realisierten Varianz beitragen.

5. Empirische Analyse

In diesem Abschnitt werden die geschätzten Ergebnisse des Volatilitäts-Spillover-Effekts zwischen dem BTC- und dem Edelmetallmarkt vorgestellt und diskutiert. Die empirischen Ergebnisse sind in drei Unterabschnitte gegliedert. Im ersten Unterabschnitt schätzen wir die dynamischen Spillover-Effekte ab und zeigen die wichtige Eigenschaft des Volatilitäts-Spillovers zwischen den BTC- und Edelmetallmärkten. Zweitens untersuchen wir die Asymmetrie bei der Halbvolatilitätsübertragung, indem wir das asymmetrische Verhalten von Anlegern in Bezug auf Abwärts- und Aufwärtsrisiken erfassen. Im letzten Abschnitt wird das Konnektivitätsnetzwerk untersucht, um den Nettosender oder Nettoempfänger der asymmetrischen Volatilität zu bestimmen.

5.1. Dynamik des Volatilitäts-Spillovers: Statistische Analyse

Der Gesamt- und Netto-Volatilitäts-Spillover-Index zwischen BTC und den Edelmetallmärkten wird in Table 2 berichtet. Die untere rechte Ecke zeigt, dass der Gesamt-Spillover 56,6 % erreicht, was auf ein hohes Maß an Volatilitäts-Spillover zwischen BTC und den Edelmetallmärkten hindeutet. Genauer gesagt sind in unserer gesamten Stichprobe 56,6 % der Fehlervarianz der Volatilitätsprognose in allen fünf Märkten auf Spillover-Effekte zurückzuführen. Was die Richtungsübertragungen betrifft, die „To“ übertragen werden, leistet Palladium den größten Beitrag zu anderen Märkten (80,9 %), gefolgt von Gold (68,6 %), Silber (65,1 %) und Platin (61,9 %). Das Ergebnis zeigt, dass Palladium der Markt ist, auf dem Anleger vorsichtig sein sollten, da es die Hauptquelle für Volatilitäts-Spillover-Schocks auf andere Edelmetalle darstellt. Sowohl Silber als auch Platin sind im Hinblick auf den Spillover-Beitrag neutral und weisen einen Nettowert von Null auf. Interessanterweise trägt BTC nur 6,4 % zum Volatilitäts-Spillover auf die Edelmetallmärkte bei und erhält 20,4 % seines Volatilitäts-Spillovers vom Gegenmarkt. In Bezug auf die Netto-Spillover-Effekte („Bis“ – „Von“) ist Palladium der größte Nettobeitragszahler von Spillover-Effekten (11,9 %), gefolgt von Gold (2,9 %), während BTC der größte Netto-Spillover-Empfänger ist (-14 %). Dieses Ergebnis zeigt, dass BTC einen viel geringeren Einfluss hat als Edelmetalle. Tatsächlich trägt es nur 1,09 % bzw. 1,33 % zur Prognosefehlervarianz von Gold und Silber bei, während Gold 22,95 % zu der von Silber beiträgt. Dieses Ergebnis weist darauf hin, dass Silber und Palladium als Instrumente zur Preisfindung für Gold dienen. Andererseits bietet BTC größere Diversifizierungsvorteile als Edelmetalle.

Diese Ergebnisse stimmen mit den Ergebnissen der Spillover-Tests von Corbet et al. überein. (2018), allerdings mit unterschiedlichen Stichprobenzeiträumen und Daten

Table 4 Asymmetrischer paarweiser gerichteter Volatilitäts-Spillover in den Halbvarianzen und

Fig. 4. Spillover-Asymmetriemaß: SAM. Hinweis: Diese Abbildung zeigt das Ausmaß der Spillover-Asymmetrie unter Verwendung des rollierenden Stichprobenansatzes für fünf Vermögenswerte. Positive (negative) Werte zeigen an, dass Spillover-Effekte, die von RS⁺ ausgehen, größer (kleiner) sind als die von RS^–.

Frequenzen. Ihre auf der verallgemeinerten Varianzzerlegungsmethode von Diebold und Yilmaz (2012) basierende Analyse zeigt, dass zwischen Kryptowährungsmärkten (Bitcoin zusammen mit Litecoin und Ripple) und anderen Finanzmärkten (z. B. Gold, Anleihen-FX, SP 500, VIX und GSCI) kaum ein Zusammenhang besteht. Ihre Ergebnisse deuten – wie auch dieses Papier – darauf hin, dass Bitcoin ein effektiver Portfolio-Diversifizierer sein und Anlegern einen sicheren Hafen bieten kann.

5.2. Dynamik des Volatilitäts-Spillovers: eine grafische Analyse

Obwohl die Spillover-Tabellen und -Indizes der gesamten Stichprobe eine nützliche Zusammenfassung des „durchschnittlichen“ Verhaltens liefern, zeigen sie nicht die Änderungen, die während unseres Stichprobenzeitraums stattgefunden haben. Fig. 2 stellt den zeitlich variierenden Gesamtvolatilitäts-Spillover-Index zwischen BTC und Edelmetallen dar, der mithilfe einer dynamischen Rolling-Sample-Analyse ermittelt wurde. Die grafische Darstellung verdeutlicht, dass Volatilitäts-Spillover-Effekte im Laufe der Zeit stark variieren und auf wirtschaftliche Ereignisse reagieren. Die Volatilitätsauswirkungen erreichten im 2. und 4. Quartal 2015 ihren Höhepunkt. Diese Zeiträume entsprechen einer Verlangsamung der globalen Wirtschaftstätigkeit, die durch den Abschwung in den Schwellenländern in Verbindung mit dem gedämpften Wachstum in den fortgeschrittenen Volkswirtschaften und dem Ölpreisverfall verursacht wurde. Der Rückgang der chinesischen Wirtschaft sowie die Verlangsamung der russischen und brasilianischen Wirtschaft waren für den Abwärtsdruck auf die globale Wachstumsrate verantwortlich. Darüber hinaus verzeichneten Osteuropa und Lateinamerika unter den Schwellenländern nahezu Nullwachstumsraten. Unter den fortgeschrittenen Volkswirtschaften hatte die anhaltende Rezession in Japan erhebliche Auswirkungen auf die Verlangsamung der globalen Wachstumsrate.

Im Laufe der Zeit verzeichnete der Gesamtvolatilitäts-Spillover-Index ab 2016 eine deutliche Abwärtsbewegung, die höchstwahrscheinlich mit der Geldpolitik der fortgeschrittenen Volkswirtschaften aufgrund der verschlechterten globalen Wachstumsaussichten im Jahr 2015 zusammenhängt. Die Bank of Japan bevorzugte einen negativen Leitzins, während die Europäische Zentralbank ein starkes geldpolitisches Lockerungsprogramm ankündigte, dem eine Leitzinssenkung folgte. Im Einklang damit sendete das Federal Reserve Board Signale an den Markt über eine leichte Straffung der Geldpolitik. Dementsprechend könnte die Erwartung niedrigerer Leitzinsen in fortgeschrittenen Volkswirtschaften auf lange Sicht mit dem Anstieg der Risikobereitschaft und dem Rückgang der Risikoprämien der Schwellenländer zusammenhängen, was im ersten Quartal 2016 den Weg für Kapitalströme in die Schwellenländer ebnete. Ebenso war im dritten Quartal 2016 ein geringes Ausmaß an Gesamtvolatilitäts-Spillover zu verzeichnen, hauptsächlich aufgrund des globalen Wirtschaftswachstums. Unter den fortgeschrittenen Volkswirtschaften verzeichneten die USA, der Euroraum, das Vereinigte Königreich und Japan Aufwärtstrends bei den Wachstumsraten, wobei die Volkswirtschaften der USA und des Vereinigten Königreichs deutlich stärker wuchsen als in früheren Zeiträumen.

Die hohen Spillover-Effekte im letzten Quartal 2016 und im ersten Quartal 2017 spiegeln die Folgen zweier markanter Ereignisse wider, die zu Unsicherheit über die globalen Wachstumsaussichten führten. Einer davon ist der Brexit, dessen Auswirkungen auf die Weltwirtschaft noch unklar waren. Gleichzeitig führte der Ausgang der US-Präsidentschaftswahl zu großer Unsicherheit über die Wirtschaftspolitik in den USA. Diese beiden Vorfälle, die durch Spillover-Effekte zu einigen politischen Reaktionen in anderen Volkswirtschaften führten, bestimmten den hohen Gesamt-Spillover-Wert im letzten Quartal 2016 und im ersten Quartal 2017. Die Volatilitäts-Spillover-Effekte erreichten im dritten Quartal 2017 ihr Minimum. Der Trend fällt mit dem zunehmenden Volumen des Welthandels zusammen.

Obwohl wir über bemerkenswerte Ergebnisse zum Zusammenhang zwischen dem gesamten Volatilitäts-Spillover und bestimmten Ereignissen (d. h. politischen und makroökonomischen Ereignissen) berichten, gehen wir in unseren Analysen nicht auf den kausalen Charakter oder die Richtung der Zusammenhänge ein. Weitere Arbeiten zu kausalen Modellierungstechniken könnten dabei helfen, zu überprüfen, ob die wirtschaftlichen Aussichten oder politischen Ereignisse einen Einfluss auf den Volatilitäts-Spillover haben. Eine Untersuchung der kausalen Zusammenhänge zwischen diesen Variablen würde den Rahmen dieser Studie sprengen und wird daher künftiger Forschung überlassen.

Zusammenfassend lässt sich sagen, dass der Volatilitäts-Spillover-Index im Laufe der Zeit zu- und abnimmt. Unsere Interpretation ist, dass Zeiten finanzieller Not große Volatilitätsauswirkungen auf die BTC- und Edelmetallmärkte auslösen. Die Ergebnisse legen nahe, dass Anleger ihre Portfoliostrukturen entsprechend anpassen sollten.

Fig. 3 veranschaulicht die zeitliche Entwicklung des Nettovolatilitäts-Spillovers für jeden Markt zusätzlich zur zeitlich variierenden rollierenden Analyse des gesamten Volatilitäts-Spillovers. Eine genauere Betrachtung dieser Zahl zeigt, dass Gold und Palladium Nettorisikogeber sind, während BTC Nettoempfänger von Schocks durch Edelmetalle ist. Gold spielt in Zeiten der Flucht in die Qualität eine wichtige Rolle auf den Finanzmärkten

Fig. 5. Asymmetrischer direktionaler Netto-Spillover bei Halbvarianzen. Hinweis: Diese Abbildung vergleicht das Maß der asymmetrischen Nettovolatilität, das für die fünf Vermögenswerte ermittelt wurde. Positive (negative) Werte zeigen an, dass die Spillover-Effekte von größer (kleiner) sind als die von .

Palladium wird bei Marktnot eingesetzt, wird in erheblichem Maße in den internationalen Reserven der Zentralbanken verwendet und ist ein Wertaufbewahrungsmittel, wohingegen Palladium im Automobilsektor stark nachgefragt wird. Obwohl BTC oft als „neues Gold“ bezeichnet wird, zeigt diese Analyse, dass Gold und BTC unterschiedliche Eigenschaften haben. Dieses Ergebnis lässt sich möglicherweise durch die im Vergleich zu Gold geringe Marktkapitalisierung von BTC erklären. Sowohl Silber als auch Platin sind im Laufe der Zeit auswirkungsneutral.

5.3. Asymmetrien bei gerichteten Volatilitäts-Spillovers

Wir untersuchen nun die asymmetrischen Merkmale der gerichteten Volatilitäts-Spillover zwischen BTC und Edelmetallen und berücksichtigen dabei die unterschiedlichen Größenordnungen der Volatilitäts-Spillover, je nachdem, ob die Schocks positiv oder negativ sind. Table 3 präsentiert die Informationen in einem praktischen Matrixformat, das es uns ermöglicht, die Verhältnisse zwischen guten und schlechten Volatilitäten zu unterscheiden

Fig. 6. Paarweises Richtungsnetzwerk in den Halbvarianzen RS⁺ und RS^–. Anmerkungen: Diese Abbildung zeigt den paarweisen Richtungszusammenhang innerhalb der Halbvarianzen RS⁺ und RS^– in Table 2. Die Kantenfarben ordnen die Stärke der paarweisen Richtungsverbundenheit ein, von Rot (am stärksten) über Blau und Hellblau bis hin zu Grün (am schwächsten). Die Dicke des Randpfeils gibt die Stärke der paarweisen Richtungsverbundenheit an. Positive Halbvarianzen werden durch P_BTC (BTC), P_Gold, P_Silber, P_Palladium und P_Platinum angezeigt, während negative Halbvarianzen durch N_BTC (BTC), N_Gold, N_Silber, N_Palladium und N_Platinum angezeigt werden. (Zur Interpretation der Verweise auf Farben in dieser Abbildungslegende wird der Leser auf die Webversion dieses Artikels verwiesen.)

Fig. 7. Netzpaarweises Richtungsnetzwerk in den Halbvarianzen und . Anmerkungen: Diese Abbildung zeigt die net-paarweise gerichtete Verbundenheit innerhalb der Halbvarianzen und in Table 3. Die Größe des Knotens zeigt die Größe der netzpaarweisen Richtungsverbundenheit an, und die Farben der Knoten reichen von Rot (Sender) bis Gelb und Grün (Empfänger). Die Kantenfarben ordnen die Stärke der netzpaarweisen Richtungsverbundenheit ein, von Rot (am stärksten) über Magenta und Blau bis hin zu Hellblau (am schwächsten). Siehe die Hinweise zu Fig. 6. (Zur Interpretation der Verweise auf Farben in dieser Abbildungslegende wird der Leser auf die Webversion dieses Artikels verwiesen.)

Einzelne Vermögenswerte verbreiten sich über Märkte hinweg, was zu positiven und negativen Spillover-Effekten führt, die sich schließlich in der Volatilität der untersuchten Vermögenswerte niederschlagen. Die Interpretationen der Figuren sind die gleichen wie in Table 2; Aus diesem Grund verzichten wir hier auf eine Interpretation. Positive Spillover-Effekte sind bei BTC am wenigsten ausgeprägt, was bedeutet, dass die Spillover-Effekte positiver Schocks, die von BTC auf Edelmetalle übertragen werden, relativ gering sind. Die Unterscheidung zwischen positiven und negativen Schocks liefert nützliche und vollständige Informationen über Volatilitäts-Spillover-Effekte, um genauere Inputs für das Portfolio-Risikomanagement zu generieren. Beachten Sie, dass der Spillover-Index bei negativer Volatilität stärker ausgeprägt ist, was die Hypothese des Leverage-Effekts stützt.

Table 4 zeigt, wie sich die Asymmetrien der gerichteten Volatilitäts-Spillover zwischen BTC und Edelmetallen ausbreiten. Die Ergebnisse zeigen, dass BTC (Palladium) nach Berücksichtigung guter und schlechter Volatilitäten ein Nettoempfänger (Übermittler) von Schocks von (zu) anderen Märkten bleibt. Gold wirkt sich neutral auf gute Volatilitäten aus, trägt aber insgesamt zu schlechten Volatilitäten bei, was auf Asymmetrieeffekte hindeutet. Dieses Ergebnis zeigt auch die Angemessenheit unserer Methodik. Das Risikospillover der Platin- und Palladiummärkte verschiebt sich je nachdem, ob die Volatilitäten gut oder schlecht sind.

Es ist erwähnenswert, dass Tables 3 and 4 keine zeitlich variierenden Richtungsasymmetriemuster erkennen lassen; Die vollständige Dynamik ist in Fig. 4 dargestellt. Netto-Spillover von schlechter Volatilität dominieren die Spillover von guter Volatilität: Im Jahr 2016 waren es negative Schocks, die zu Volatilitäts-Spillover-Effekten führten. Der Brexit und die US-Wahlen trugen am stärksten zu negativen Spillover-Effekten bei. Andererseits dominierten im Jahr 2017 die Netto-Spillover-Effekte bei guter Volatilität die Spillover-Effekte bei schlechter Volatilität, was hauptsächlich auf das globale Wirtschaftswachstum zurückzuführen war.

Fig. 5 zeigt die dynamische Struktur des asymmetrischen Richtungsspillovers in Halbvarianzen für fünf Vermögenswerte. Nach Baruník et al. (2017) ist der Netto-Richtungsasymmetrie-Spillover definiert als der Unterschied in der Reaktion auf Schocks mit schlechter und guter Volatilität von einem Markt zu allen anderen Märkten. BTC überträgt in hohem Maße positive Netto-Spillover-Effekte auf andere Vermögenswerte. Mit anderen Worten: Positive Netto-Spillover-Effekte haben eine größere Wirkung. Die schlechte Volatilität von Palladium wirkt sich stärker auf die Volatilität anderer Vermögenswerte aus als seine gute Volatilität, was höchstwahrscheinlich auf das Defizit auf dem Palladiummarkt seit mehreren Jahren zurückzuführen ist. Andererseits ist das Ausmaß des Netto-Spillover von Gold zeitabhängig. Gold hat im Jahr 2016 starke negative Nettoauswirkungen auf andere Vermögenswerte übertragen. Das Muster hängt mit der Brexit-Abstimmung und den US-Wahlen zusammen. Umgekehrt kam es im zweiten und letzten Quartal 2017 zu positiven Spillover-Effekten, die mit dem Anstieg des Goldpreises zusammenfielen und sich mit dem Rückgang des US-Dollars sicherlich verstärkten.

5.4. Konnektivitätsnetzwerk

Schließlich entwickeln wir die Netzwerktopologie aller Marktvernetzungen – in Anlehnung an Diebold und Yilmaz (2014, 2016) – und erhalten Figs. 6 and 7, die paarweise gerichtete Netzwerke in den Halbvarianzen RS+ und RS- bzw. paarweise gerichtete Netze in den Halbvarianzen RS+ und RS- zeigen. Fig. 6 zeichnet das Risiko-Spillover-Netzwerkdiagramm auf. Alle Knoten weisen die gleiche Größe und Farbe auf, was nicht auf eine Richtungsleistung hinweist. Nur die Kantenfarbe und -dicke geben Aufschluss über die Stärke der Überlaufrichtung. Fig. 6 zeigt eine klare Häufung der Edelmetallmärkte, BTC ist jedoch ziemlich weit entfernt. Darüber hinaus zeigen die grafischen Beweise einen bidirektionalen paarweisen Zusammenhang zwischen positiven und negativen Halbvarianzen von Edelmetallen, aber der Zusammenhang zwischen positiven und negativen Halbvarianzen von Edelmetallen und BTC ist schwach. Interessanter ist, dass wir eine starke bidirektionale Verbindung zwischen N_BTC und P_BTC beobachten. Die schwache Verbindung zwischen den Edelmetall- und BTC-Märkten bestätigt die Rolle von BTC und Edelmetallen als Zufluchtsanlagen gegen Portfoliorisiken, was bedeutet, dass sie Diversifizierungsvorteile und eine Reduzierung des Abwärtsrisikos bieten können.

Fig. 7 zeigt die Richtung des netzpaarweisen Spillovers, wobei unterschiedliche Knotengrößen und Farben die Stärke des Spillovers darstellen. Diese Abbildung simuliert die Hauptergebnisse unserer dynamischen Analyse der netzpaarweisen Richtungsvernetzung und bietet eine Visualisierung des komplexen Innovationsnetzwerks zwischen den fünf Märkten. Wir zeigen, dass P_Palladium, N_Palladium, P_Silver, N_Gold und N_Platinum (rote Knoten) Nettotransmitter von Volatilitäts-Spillovers sind, während N_BTC, P_BTC, P_Platinum, N_Silver (grüne Knoten) und P Gold (gelbe Knoten) Nettoempfänger von Volatilitäts-Spillovers sind oder gegenüber diesen neutral sind aus anderen Märkten. Insbesondere sind sowohl P_Palladium als auch N_Palladium die größten Überträger, was auf die Dominanz von Palladium gegenüber anderen Edelmetallen sowohl für gute als auch für schlechte Nachrichten hinweist. Interessanterweise importieren N_BTC und P_BTC aufgrund des dicken roten Pfeils von Palladium zu BTC die Volatilität von P_Palladium und N_Palladium, was darauf hindeutet, dass Palladium die Variable mit dem größten Einfluss auf die gute und schlechte Volatilität von BTC ist. Palladium und Platin spielen in vielen Branchen, insbesondere in der Automobilindustrie, eine wichtige Rolle. Da beide Weißmetalle in industriellen Anwendungen für die gleiche Funktion verwendet werden können, wurde Platin aufgrund seiner im Vergleich zu Platin geringeren Kosten langsam durch Palladium ersetzt. Allerdings sind diese beiden Industrierohstoffe knapp – noch mehr als Gold. Trotz seiner Seltenheit und seiner zunehmenden Verwendung in allen Bereichen, von der Automobil- bis zur Schmuckindustrie, ist Palladium billiger als Gold oder Silber, was darauf hindeutet, dass es derzeit unterbewertet ist. Unsere Ergebnisse unterstreichen die Bedeutung von Palladium in Portfolios und liefern erhebliche politische Implikationen für Anleger. Aufgrund seines begrenzten Angebots und der geringen Liquidität unterliegt der Palladiummarkt stärkeren Schwankungen als die Silber- und Goldmärkte. Obwohl Palladium für Gelegenheitsinvestoren möglicherweise weniger attraktiv ist, bietet es Anlegern, die auf der Suche nach spekulativen Gewinnen sind, reichlich Gelegenheit.

6. Fazit

Globalisierung und Finanzliberalisierung haben die Integration zwischen den Finanzmärkten verstärkt und die Möglichkeiten zur Diversifizierung verringert. In diesem Artikel werden die Beziehungen zwischen den Intraday-Daten der BTC- und Edelmetallmärkte (Gold, Palladium, Platin und Silber) untersucht. In unserer Analyse verwenden wir den generalisierten Spillover-Index und das gerichtete Spillover-Maß von Diebold und Yilmaz (2012), Baruník et al. (2017) Methodik zur Messung der Richtungs-Spillover-Asymmetrie und Diebold und Yilmaz‘ (2014, 2016) Methodik zur Netzwerktopologie aller Marktvernetzungen.

Die Ergebnisse zeigen Hinweise auf Spillover-Effekte der Volatilität zwischen Edelmetallen und BTC. Darüber hinaus verstärkt sich der Spillover-Trend bei Abschwächungen der globalen Wirtschaftstätigkeit sowie bei der Brexit-Abstimmung und den US-Präsidentschaftswahlen, was auf eine finanzielle Ansteckung hindeutet. Palladium ist der größte Nettobeitragszahler von Spillover-Effekten, gefolgt von Gold, während BTC ein Nettoempfänger von Spillover-Effekten ist. Andererseits unterstützen wir die Beweise für eine Asymmetrie bei der Halbvolatilitätsübertragung, die zeigt, dass BTC in hohem Maße positive Netto-Spillover-Effekte auf andere Edelmetallanlagen überträgt. Die schlechte Volatilität von Palladium beeinflusst die Volatilität anderer Vermögenswerte stärker als seine gute Volatilität. Das Ausmaß des Netto-Spillover-Effekts von Gold variiert zeitlich und hängt von wirtschaftlichen Ereignissen ab. Schließlich finden wir das Netzwerk der Zusammenhänge und gehen davon aus, dass die guten und schlechten Volatilitäten von Palladium den größten Einfluss auf die guten und schlechten Volatilitäten von BTC haben.

Diese Ergebnisse haben wichtige Implikationen für Anleger und Portfoliomanager im Hinblick auf Diversifizierungsvorteile zwischen den oben genannten fünf Märkten. BTC bietet größere Diversifizierungsvorteile als Edelmetalle, da BTC einen viel geringeren Einfluss auf die Fehlervarianz der Volatilitätsprognose hat als Edelmetalle. Diese Informationen können Marktteilnehmern dabei helfen, ihr Risiko durch eine optimale Portfolioauswahl zu diversifizieren. Darüber hinaus könnten Händler von Edelmetallen und BTC von der Berücksichtigung der festgestellten Asymmetrien bei Volatilitätsauswirkungen profitieren. Allerdings entwickelt und reift Bitcoin immer noch weiter und benötigt daher Zeit, um von Anlegern/Händlern/Praktikern/Portfoliomanagern als alternative Anlage zu Gold und anderen Edelmetallen wahrgenommen zu werden.

Darüber hinaus haben unsere Ergebnisse auch Auswirkungen auf politische Entscheidungsträger und Regulierungsbehörden, die sich Sorgen um Preisstabilität und Finanzstabilität machen. Höhere Spillover-Übertragungen in Zeiten der Verlangsamung der globalen Wirtschaftsaktivität oder in Zeiten des Brexits und der US-Wahlen haben dazu geführt, dass politische Entscheidungsträger ihre Wirtschaftspolitik neu formulierten und Finanzreformen und makroökonomische Grundlagen wieder aufleben ließen, um das Finanzsystem zu stabilisieren. Finanzbehörden sollten in der Lage sein, zeitnah über makroprudenzielle Maßnahmen zu entscheiden, indem sie Lehren aus solchen Zeiträumen ziehen und potenzielle Ansteckungs- und Spillover-Risiken identifizieren, die die Finanzstabilität gefährden könnten.

Danksagungen

Dieser Artikel ist Teil der Doktorarbeit von Aylin Aslan. Diplomarbeit an der Fakultät für Betriebswirtschaftslehre in I.D. Bilkent-Universität. Der letzte Autor (Sang Hoon Kang) bestätigt die finanzielle Unterstützung durch das Bildungsministerium der Republik Korea und die National Research Foundation of Korea (NRF-2017S1A5A8019204).

Anhang A. Ergänzende Daten

Ergänzende Daten zu diesem Artikel finden Sie online unter https://doi.org/10.1016/j.najef.2019.101031.

Referenzen

Agyei-Ampomah, S., Gounopoulos, D. & Mazouz, K. (2014). Bietet Gold einen besseren Schutz vor Verlusten bei Staatsanleihen als andere Metalle? Journal of Banking & Finance, 40, 507–521.

Andersen, T. G. & Bollerslev, T. (1998). Antwort an die Skeptiker: Ja, Standard-Volatilitätsmodelle liefern genaue Prognosen. International Economic Review, 39, 885–905

Andersen, T. G., Bollerslev, T., Diebold, F. X. & Labys, P. (2001). Die Verteilung der realisierten Wechselkursvolatilität. Journal of the American Statistical Association, 96, 42–55.

Andersen, T. G., Bollerslev, T., Diebold, F. X. & Labys, P. (2003). Modellierung und Prognose realisierter Volatilität. Econmetrica, 71, 579-625.

Antonakakis, N. & Kizys, R. (2015). Dynamische Spillover-Effekte zwischen Rohstoff- und Devisenmärkten. International Review of Financial Analysis, 41, 303–319.

Anyfantaki, S., Arvanitid, S., Topaloglou, N., 2018. Diversifizierung, Integration und Kryptowährungsmarkt. Arbeitspapiere 244, Bank von Griechenland.

Aslanidis, N., Bariviera, A. F. und Martínez-Ibañez, O. (2019). Eine Analyse der bedingten Kreuzkorrelationen von Kryptowährungen. Finance Research Letters, 31, 130–137. Bariviera, A. (2017). Die Ineffizienz von Bitcoin erneut betrachtet: Ein dynamischer Ansatz. Wirtschaftsbriefe, 161, 1–4.

Bariviera, A. F., Zunino, L. & Rosso, O. A. (2018). Eine Analyse der Preisdynamik hochfrequenter Kryptowährungen unter Verwendung von Quantoren der Permutationsinformationstheorie. Chaos: Eine interdisziplinäre Zeitschrift für nichtlineare Wissenschaft, 28(7), 075511.

Barndorff-Nielsen, O., Kinnebrock, S. & Shephard, N. (2010). Volatilität und Zeitreihenökonometrie: Essays zu Ehren von Robert F. Engle, Kapitel „Messung der durch Abwärtsrisiken realisierten Semivarianz“. Oxford University Press.

Baruník, J., Kočcenda, E. & Vácha, L. (2016). Asymmetrische Vernetzung am US-Aktienmarkt: Schlechte und gute Volatilitäts-Spillover. Journal of Financial Markets, 27, 55–78.

55–78.
Baruník, J., Kočcenda, E. & Vácha, L. (2017). Asymmetrische Volatilitätszusammenhänge auf dem Devisenmarkt. Journal of International Money and Finance, 77, 39–56.

Batten, J. A., Ciner, C. & Lucey, B. M. (2015). Welche Edelmetalle fließen wann auf welche über und warum? Einige Beweise. Applied Economics Letters, 22, 466–473. Baur, D., Hong, K. & Lee, A. (2018). Bitcoin: Tauschmittel oder Spekulationsvermögen? Journal of International Financial Markets, Institutions and Money, 54, 177–189.

Baur, D. G. & Lucey, B. M. (2010). Ist Gold eine Absicherung oder ein sicherer Hafen? Eine Analyse von Aktien, Anleihen und Gold. Financial Review, 45, 217–229. Baur, D. G. & McDermott, T. K. (2010). Ist Gold ein sicherer Hafen? Internationale Beweise. Journal of Banking & Finance, 34, 1886–1898.

Belousova, J. & Dorfleitner, G. (2012). Über die Diversifikationsvorteile von Rohstoffen aus Sicht von Euro-Investoren. Journal of Banking & Finance, 36, 2455–2472.

Bissoondoyal-Bheenick, E., Brooks, R. & Do, H. X. (2019). Asymmetrische Beziehung zwischen Auftragsungleichgewicht und realisierter Volatilität: Belege aus dem australischen Markt. International Review of Economics and Finance, 62, 309–320.

Bouoiyour, J., Selmi, R. (2017). Sind Trump und Bitcoin gute Partner? arXiv:1703.00308 [q-fin.GN].

Bouoiyour, J., Selmi, R. & Wohar, M. E. (2018). Messung der Reaktion des Goldpreises auf Unsicherheit: Eine Analyse über den Durchschnitt hinaus. Wirtschaftsmodellierung, 75, 105–116. Bouri, E., Azzi, G. & Dyhrberg, A. H. (2017). Zur Rendite-Volatilitäts-Beziehung im Bitcoin-Markt rund um den Preisabsturz von 2013. Economics: The Open-Access. Open-Assessment E-Journal, 11, 1–16.

Bouri, E., Gupta, r., Lahii, a. und Shahbaz, M. (2018). Testen auf asymmetrische nichtlineare kurz- und langfristige Beziehungen zwischen Bitcoin, aggregierten Rohstoff- und Goldpreisen. Ressourcenrichtlinie, 57, 224–235.

Bouri, E., Gupta, R., Lau, C. K. M., Roubaud, D. & Wang, S. (2018). Bitcoin und globaler Finanzstress: Ein Copula-basierter Ansatz zur Abhängigkeit und Kausalität in den Quantilen. The Quarterly Review of Economics and Finance, 69, 297–307.

Bouri, E., Jalkh, N., Molnár, P. und Roubaud, D. (2017). Bitcoin für Energierohstoffe vor und nach dem Crash im Dezember 2013: Diversifikator, Absicherung oder sicherer Hafen? Angewandte Ökonomie, 49, 5063–5073.

Bouri, E., Molnár, P., Azzi, G., Roubaud, D. & Hagfors, L. I. (2017). Zu den Absicherungs- und sicheren Hafeneigenschaften von Bitcoin: Ist es wirklich mehr als ein Diversifikator? Finance Research Letters, 20, 192–198.

Brière, M., Oosterlinck, K. & Szafarz, A. (2015). Virtuelle Währung, greifbare Rendite: Portfoliodiversifikation mit Bitcoin. Journal of Asset Management, 16(6), 365–373. Canh, N. P., Wongchoti, U., Thanh, S. D. & Thong, N. T. (2019). Systematisches Risiko im Kryptowährungsmarkt: Belege aus dem DCC-MGARCH-Modell. Finance Research Letters, 29, 90–100.

Canover, C. M., Jensen, G. R., Johnsos, R. R. und Mercer, J. M. (2009). Können Edelmetalle Ihr Portfolio zum Glänzen bringen? Journal of Investing, 18, 75–86.

Cheah, E. T. & Fry, J. (2015). Spekulationsblasen auf den Bitcoin-Märkten? Eine empirische Untersuchung zum fundamentalen Wert von Bitcoin. Wirtschaftsbriefe, 130, 32–36. Ciaian, P., Rajcaniova, M. & Kancs, D. A. (2016). Die Ökonomie der BitCoin-Preisbildung. Applied Economics, 48, 1799–1815.

Corbet, S., Meegan, A., Larkin, C., Lucey, B. und Yarovaya, L. (2018). Erkundung der dynamischen Beziehungen zwischen Kryptowährungen und anderen Finanzanlagen. Wirtschaftsbriefe, 165, 28–34.

Coudert, V. & Raymond, H. (2011). Gold und Finanzanlagen: Gibt es sichere Häfen in Bärenmärkten? Economics Bulletin, 31, 1613-1622.

Diebold, F. X. & Yilmaz, K. (2012). Lieber geben als nehmen: Prädiktive Richtungsmessung von Volatilitäts-Spillovers. International Journal of Forecasting, 28, 57-66

Diebold, F. X. & Yilmaz, K. (2014). Zur Netzwerktopologie von Varianzzerlegungen: Messung der Vernetzung von Finanzunternehmen. Journal of Econmetrics, 182, 119–134

Diebold, F. X. & Yilmaz, K. (2016). Transatlantische Aktienvolatilitätszusammenhänge: US-amerikanische und europäische Finanzinstitute, 2004–2014. Zeitschrift für Finanzökonometrie. 14, 81–127.

Draper, P., Faff, R. W. & Hillier, D. (2006). Leuchten Edelmetalle? Eine Investitionsperspektive. Financial Analysts Journal, 62, 98-106.

Dwyer, G. (2015). Die Ökonomie von Bitcoin und ähnlichen privaten digitalen Währungen. Journal of Financial Stability, 17, 81-91.

Dyhrberg, AH (2016). Absicherungsmöglichkeiten von Bitcoin. Ist es das virtuelle Gold? Finance Research Letters, 16, 139-144.

Eisl, A., Gasser, S.M., Weinmayer, K., 2015. Vorsichtsmaßnahme: Verbessert Bitcoin die Portfoliodiversifizierung? SSRN 2408997. Arbeitspapier.

Fernandez-Perez, A., Frijns, B. & Tourani-Rad, A. (2017). Edelmetalle, Öl und der Wechselkurs: Gleichzeitige Spillover-Effekte. Angewandte Ökonomie, 49, 3863–3879.

Gangwal, S. (2016). Analyse der Auswirkungen der Aufnahme von Bitcoin in das Portfolio. International Journal of Economics and Management Engineering, 10, 3519–3532. Glantz, M. & Kissell, R. (2013). Multi-Asset-Risikomodellierung: Techniken für eine globale Wirtschaft in einem elektronischen und algorithmischen Handel. Epoche. Akademische Presse.

Guesmi, K., Saadi, S., Abid, I. & Ftiti, Z. (2019). Portfoliodiversifizierung mit virtueller Währung: Beweise von Bitcoin. International Review of Financial Analysis, 63,

Hammoudeh, S. & Yuan, Y. (2008). Metallvolatilität bei Öl- und Zinsschocks. Energiewirtschaft, 30, 606-620.

Hillier, D., Draper, P. & Faff, R. (2006). Leuchten Edelmetalle? Eine Investitionsperspektive. Financial Analysts Journal, 62, 98-106.

Horpestada, J. B., Lyócsa, Š., Molnára, P. & Olsen, T. B. (2019). Asymmetrische Volatilität an den Aktienmärkten auf der ganzen Welt. Nordamerikanisches Journal für Wirtschaft und Finanzen. 48, 540–554.

Huang, J., Cheng, H., Guo, Y. & Shao, L. (2012). Eine empirische Untersuchung zu US-Dollar-, Öl- und Metallpreisen basierend auf dem VAR-Modell. Journal of Economic Surveys, 3, 45–49. Jensen, G. R., Johnson, R. R., & Mercer, J. M. (2002). Taktische Vermögensallokation und Rohstoff-Futures. Journal of Portfolio Management, 8, 100–111.

Ji, Q., Bouri, E., Gupta, R. & Roubaud, D. (2018). Netzwerkkausalitätsstrukturen zwischen Bitcoin und anderen Finanzanlagen: Ein gerichteter azyklischer Graphenansatz. The Quarterly Review of Economics and Finance, 70, 203–213.

Ji, Q., Bouri, E., Lau, C. K. M. und Roubaud, D. (2019). Dynamische Vernetzung und Integration in Kryptowährungsmärkten. International Review of Financial Analysis, 63, 257–272.

Ji, Q., Bouri, E. & Roubaud, D. (2018). Dynamisches Netzwerk der impliziten Volatilitätsübertragung zwischen US-Aktien, strategischen Rohstoffen und BRICS-Aktien. Internationale Überprüfung der Finanzanalyse. 57, 1–12.

Katsiampa, P. (2018). Gleichzeitige Volatilitätsbewegung zwischen Bitcoin und Ether. Finance Research Letters. https://doi.org/10.1016/J.FRL.2018.10.005 Im Druck.

Kristoufek, L. (2013). Bitcoin trifft auf Google Trends und Wikipedia: Quantifizierung der Beziehung zwischen Phänomenen des Internetzeitalters. Wissenschaftliche Berichte, 3, 1–7. Kumar, D. (2017). Realisierte Volatilitätsübertragung vom Rohöl auf den Aktiensektor: Eine Studie mit wirtschaftlicher Signifikanzanalyse. International Review of Economics and Finance, 49, 149–167.

Lucey, B. M. & Li, S. (2015). Welche Edelmetalle fungieren wann als sichere Häfen? Einige US-Beweise. Angewandte Wirtschaftsbriefe, 22, 35-45.

Luo, J. & Wang, S. (2019). Die asymmetrische Hochfrequenzvolatilitätsübertragung über internationale Aktienmärkte. Finance Research Letters, 31, 104–109.

Mensi, W., Hamed Al-Yahyaee, K. & Kang, S. H. (2017). Zeitlich variierende Volatilitäts-Spillover zwischen Aktien- und Edelmetallmärkten mit Auswirkungen auf das Portfolio. Ressourcenrichtlinie, 53, 88–102.

Molnár, P., Vagstad, K., Valstad, O., 2015. Ein bisschen riskant? Ein Vergleich zwischen Bitcoin und anderen Vermögenswerten unter Verwendung eines Intraday-Value-at-Risk-Ansatzes, Working Paper, verfügbar unter: http://www.diva-portal.org/smash/get/diva2:742882/fulltext01.pdf.

Nadarajah, S. & Chu, J. (2017). Zur Ineffizienz von Bitcoin. Economics Letters, 150, 6-9.

O’Connor, F. A., Lucey, B. M., Batten, J. A. & Baur, D. G. (2015). Die Finanzökonomie von Gold – A-Umfrage. International Review of Financial Analysis, 41, 186–205. Peng, Y., Albuquerque, P. H. M., de Camboim, S. J. M., Padula, A. J. A. und Montenegro, M. R. (2018). Das Beste aus zwei Welten: Prognose hochfrequenter Volatilität für Kryptowährungen und traditionelle Währungen mit Support-Vektor-Regression. Expertensysteme mit Anwendungen, 97, 177–192.

Popper, N. (2015). Digitales Gold: Die unerzählte Geschichte von Bitcoin. London: Pinguin.

Reboredo, J. C., & Rivera-Castro, M. A. (2014). Kann Gold sich absichern und seinen Wert bewahren, wenn der US-Dollar an Wert verliert? Wirtschaftsmodellierung, 39, 168-173.

Selmi, R., Mensi, W., Hammoudeh S., Bouoiyour, J., 2018. Ist Bitcoin eine Absicherung, ein sicherer Hafen oder ein Diversifikator für Ölpreisbewegungen? ein Vergleich mit Gold. Energiewirtschaft 74, 787–801.

Sensoy, A. (2018). Die Ineffizienz von Bitcoin revisited: Eine Hochfrequenzanalyse mit alternativen Währungen. Finance Research Letters, 28, 68–73.

Shahzad, F., Xiu, G., Wang, J. & Shahbaz, M. (2018). Eine empirische Untersuchung zur Einführung von Kryptowährungen unter der Bevölkerung des chinesischen Festlandes. Technologie in der Gesellschaft, 55, 33–40.

Shahzad, S. J. H., Bouri, E., Roubaud, D., Kristoufek, L. & Lucey, B. (2019). Ist Bitcoin eine bessere sichere Anlage als Gold und Rohstoffe? International Review of Financial Analysis, 63, 322–330.

Skiadopoulos, G. (2012). In Rohstoffe investieren: Volksmeinungen und Missverständnisse. Journal of Asset Management, 13, 77-83.

Urquhart, A. (2016). Die Ineffizienz von Bitcoin. Wirtschaftsbriefe, 148, 80–82.

Xu, W., Ma, F. & Zhang, B. (2019). Asymmetrische Volatilitätsübertragungen zwischen Öl- und Aktienmärkten: Belege aus China und den Vereinigten Staaten. Energy Economics, 80, 310–320.

Yaya, O. O. S., Tumala, M. M. & Udomboso, C. G. (2016). Anhaltende Volatilität und Rendite-Spillover zwischen Öl- und Goldpreisen: Analyse vor und nach der globalen Finanzkrise. Ressourcenrichtlinie, 49, 273–281.

Yermack, D. (2014). Ist Bitcoin eine echte Währung? Eine wirtschaftliche Bewertung, NBER Working Paper Nr. w19747, verfügbar unter: http://www.nber.org/papers/w19747.pdf.