Bitcoin ile Ethereum Arasındaki Nedenselliğin Transfer Entropisi ile Analizi

Zaman serileri arasındaki nedenselliğin ve bilgi akışının analizi literatürde önemli bir araştırma konusudur. Bu tür ilişkileri analiz etmek için çeşitli nedensellik testleri önerilmiştir. Bu bağlamda en çok kullanılan nedensellik testleri Granger, Toda-Yamamoto ve Hatemi-J nedensellik testleridir. Bu testler bir nedenselliğin olup olmadığını ve nedenselliğin yönünü ortaya koymakta ancak nedenselliğin derecesini ölçmemektedir. Yeni ve bilgi teorisi tabanlı bir yöntem olan transfer entropisi zaman serileri arasındaki nedenselliğin ve bilgi akışının analizinde kullanılabilmektedir. Granger, Toda-Yamamoto ve Hatemi-J nedensellik testlerinin aksine transfer entropisi zaman serileri arasındaki doğrusal olmayan ilişkileri tespit edebilmektedir. Kripto paralar son yıllarda büyük önem kazanmıştır. En popüler kripto paralar arasında Bitcoin ve Ethereum bulunmaktadır. Bu iki kripto para birimi arasındaki bilgi akışının ve nedenselliğin gösterilmesi yatırımcılar için değerlidir. Bu çalışmada transfer entropisi yöntemini kullanılarak Bitcoin ve Ethereum arasındaki nedensellik ve bilgi akışı analiz edilmiştir. Bu iki kripto para birimi arasındaki transfer entropisinin zaman içinde nasıl değiştiğini göstermek için kayan bir pencere yaklaşımı kullanılmıştır. Elde edilen sonuçların sağlam olup olmadığını göstermek için farklı pencere uzunlukları ele alınmıştır. Çalışmada günlük ve saatlik olmak üzere iki veri seti kullanılmıştır. Saatlik veride belirgin bir nedensellik tespit edilmiş iken günlük veride herhangi bir nedensellik bulunamamıştır.

Analysis of Causality Between Bitcoin and Ethereum Using Transfer Entropy

In the literature causality and information flow between time series are investigated. To analyze this relationship several causality tests are proposed. Mostly used causality tests are Granger, Toda-Yamamoto and Hatemi-J causality tests. These tests indicate whether there is causality and the direction of causality but do not measure the strength of causality. A new and information theory-based method transfer entropy can be used to analyze causality and information flow between time series. Unlike Granger, Toda-Yamamoto and Hatemi-J causality tests transfer entropy can detect nonlinear relationships between time series. Cryptocurrencies have gained significant importance in recent years. The most popular cryptocurrencies are Bitcoin and Ethereum. Demonstrating information flow and causality between these two cryptocurrencies are valuable for the investors. In this study we analyzed causality and information flow between Bitcoin and Ethereum by using transfer entropy method. We adopted a sliding window approach to demonstrate how transfer entropy between these two cryptocurrencies change through time. We used different window lengths to demonstrate whether obtained results are robust. In the analysis two datasets are used. These are daily and hourly data. In hourly data a significant causality is detected. However, in the daily data no evidence for causality is found.

PDF

___

Assaf, A., Bilgin, M. H., & Demir, E. (2022). Using transfer entropy to measure information flows between cryptocurrencies. Physica A: Statistical Mechanics and its Applications, 586, 126484.
Będowska-Sójka, B., Kliber, A., & Rutkowska, A. (2021). Is Bitcoin Still a King? Relationships between Prices, Volatility and Liquidity of Cryptocurrencies during the Pandemic. Entropy, 23(11), 1386.
Dimpfl, T., & Peter, F. J. (2013). Using transfer entropy to measure information flows between financial markets. Studies in Nonlinear Dynamics and Econometrics, 17(1), 85-102.
Dimpfl, T., & Peter, F. J. (2014). The impact of the financial crisis on transatlantic information flows: An intraday analysis. Journal of International Financial Markets, Institutions and Money, 31, 1- 13.
Dimpfl, T., & Peter, F. J. (2019). Group transfer entropy with an application to cryptocurrencies. Physica A: Statistical Mechanics and its Applications, 516, 543-551.
García-Medina, A., & González Farías, G. (2020). Transfer entropy as a variable selection methodology of cryptocurrencies in the framework of a high dimensional predictive model. PloS one, 15(1), e0227269.
García-Medina, A., & Hernández, J. B. (2020). Network analysis of multivariate transfer entropy of cryptocurrencies in times of turbulence. Entropy, 22(7), 760.
Granger, C. W. (1969). Investigating causal relations by econometric models and cross-spectral methods. Econometrica: Journal of the Econometric Society, 37, 424-438.
Hatemi-j, A. (2012). Asymmetric causality tests with an application. Empirical Economics, 43(1), 447- 456.
Jizba, P., Kleinert, H., & Shefaat, M. (2012). Rényi’s information transfer between financial time series. Physica A: Statistical Mechanics and its Applications, 391(10), 2971-2989.
Kullback, S., & Leibler, R. A. (1951). On information and sufficiency. The Annals of Mathematical Statistics, 22(1), 79-86.
Marschinski, R., & Kantz, H. (2002). Analysing the information flow between financial time series. The European Physical Journal B-Condensed Matter and Complex Systems, 30(2), 275-281.
Osei, P. M., & Adam, A. M. (2020). Quantifying the information flow between Ghana Stock Market Index and its constituents using transfer entropy. Mathematical Problems in Engineering 2020, 1-10. doi:10.1155/2020/6183421.
Schreiber, T. (2000). Measuring information transfer. Physical Review Letters, 85(2), 461-464.
Shannon, C. E. (1948). A mathematical theory of communication. The Bell System Technical Journal, 27(3), 379-423.
Toda, H. Y., & Yamamoto, T. (1995). Statistical inference in vector autoregressions with possibly integrated processes. Journal of Econometrics, 66(1-2), 225-250.
Yao, C. Z., & Li, H. Y. (2020). Effective transfer entropy approach to information flow among EPU, Investor Sentiment and Stock Market. Frontiers in Physics, 8 (206).