За последние десятилетия как в целом мире, так и в Российской Федерации кардинальные перемены произошли в сфере денежного обращения. В повседневной жизни наряду с наличными денежными средствами все большая часть населения России применяет безналичные способы оплаты услуг, товаров, осуществляет переводы и платежи. Обыденностью стало использование мобильных устройств, бесконтактных способов оплаты и пластиковых карт в денежных расчетах. При этом увеличивается потребность участников финансового оборота в повышении их кибербезопасности, удобства и уменьшении комиссионных расходов, что осуществимо только с использованием передовых технологий.
Наряду с этим растет спрос в использовании цифровых финансовых технологий организациями, банками и государством в целом. Совокупность данных факторов определяет необходимость исследования вопроса о целесообразности выпуска в Российской Федерации цифровой валюты Центральным банком как вспомогательной формы денежных средств, способных удовлетворить потребности финансового рынка. В настоящее время Банк России ставит перед собой приоритет в адаптированности системы денежного обращения к постоянно меняющимся потребностям бизнеса и граждан, внедрению инновационных технологий как в финансовом секторе, так и в экономической сфере в целом.
Целью статьи являются: анализ особенности функционирования рынка цифровой валюты, выявление и определение динамики биткойна, построение методического инструментария прогнозирования курса динамики биткойна.
В последнее время на рынке криптовалют применяются различные модели исправления ошибок. Используя ECM, Х. Лян [13] обнаружил, что связь между нормой доходности биткойна и соответствующими показателями для измерения денежной функции не была значимой, что отвергает исходное предположение о том, что биткойн может выполнять денежную функцию, указывая на то, что он не имеет способности и потенциала выполнять денежную функцию. А.Хаффар и Э. Ле Фур [7] проанализировали влияние потрясений на финансовых рынках развивающихся и развитых стран на цену биткойна, используя модель коррекции структурных векторных ошибок. Г. Кейлбар и Я.Чжан [11] проанализировали роль отношений коинтеграции в большой системе криптовалют с использованием модели векторной коррекции ошибок (VECM). Б. Сетела и др. [15] подтвердили существование краткои долгосрочных отношений между силой тренда и объемом на бычьем и медвежьем рынках криптовалют посредством применения VECM к ежедневным данным биткойнов. Исследовали связанность возвратов на восьми основных биржах биткойнов как со статической, так и с динамической точки зрения, применяя расширение декомпозиции дисперсии ошибки прогноза, инвариантной к порядку, Ф.Диболдол и К. Йилмаз [4] до обобщенного вектора коррекции ошибок. Используя изменяющуюся во времени модель VEC, Л. Чанг и Я.Ши [3] изучили динамические доли информации четырех ведущих криптовалют: биткойн, эфириум, риппл и лайткойн. Б. Капар и Х.Олмо[10] предложили эмпирическую модель для анализа динамики цен на биткойны, рассмотрев модель VEC за два перекрывающихся периода: 2010–2017 и 2010–2019 гг. Эти результаты предоставили эмпирические доказательства наличия коррекции цены биткойна в период 2018–2019 гг., не коррелирующей с фундаментальными факторами рынка. А. Ибрагим и др. [9] спрогнозировали цену закрытия биткойна, используя модели прогнозирования векторной авторегрессии (VAR) и байесовской векторной авторегрессии (BVAR). Экспериментальные результаты показали, что модели VAR обеспечивают лучшую производительность по сравнению с традиционными моделями авторегрессии и моделями BVAR. Р.Хаким дас Невес [8] изучил взаимосвязь между ценой виртуальной валюты, ценой биткойна и количеством поисковых запросов в Google, в которых использовались термины «биткойн», «крах биткойна» и «кризис в период с декабря 2012 по февраль 2018 г.», используя модель исправления ошибок. Гочек и Скляров (2019) стремились определить, что влияет на цену биткойна, и проанализировали большой набор данных, применяя модели VEC, дополненные факторами, представляющими ненаблюдаемые экономические силы. Л. Гочек и И.Скляров [6] также обнаружили, что основным фактором, влияющим на цену биткойна, является его популярность. Ван и др. (2016) провели коинтеграционный анализ и использовали модель VEC, чтобы продемонстрировать, что существует связь между ценой биткойна и некоторыми переменными, включая индекс цен на акции, цену на нефть и ежедневный объем торгов биткойнами. Краткосрочный анализ показал, что цена на нефть и объем торгов биткойнами мало влияли на цену биткойна, тогда как индекс цен на акции имел на нее относительно большее влияние. И. Георгула и др.[5] использовали VECM для исследования существования долгосрочных отношений между коинтегрированными переменными. Георгула и др. (2015) показали, что цена биткойна положительно связана с количеством биткойнов и отрицательно — с индексом фондового рынка S&P 500.