DOI: https://doi.org/10.1016/j.intfin.2026.102285
تاريخ النشر: 2026-01-08
المؤلف: Massimo Guidolin وآخرون
الموضوع الرئيسي: الأسواق المالية واستراتيجيات الاستثمار
نظرة عامة
تستكشف هذه الورقة القدرات التنبؤية لخصائص البلوكشين ومؤشرات المشاعر على عوائد العملات المشفرة، باستخدام إطار توقع خارج العينة عبر 40 عملة مشفرة. تم بناء ثلاثة محافظ تحاكي العوامل أسبوعيًا بناءً على نشاط الشبكة (المستخدمون النشطون)، وكثافة الحوسبة (معدل التجزئة)، والمشاعر المستمدة من اتجاهات البحث في Google. تكشف النتائج أن جميع المتنبئين الثلاثة يظهرون أداءً كبيرًا، حيث غالبًا ما تتجاوز العوائد المعادلة لليقين (CER) معدل الخطر الخالي، مما يبرز أهميتها الاقتصادية. كما أن تنفيذ منهجية فرز المحافظ يؤكد فعالية دمج إشارات البلوكشين والمشاعر، مما يبرز أهمية كل من العوامل الأساسية والسلوكية في توقع عوائد العملات المشفرة.
تحلل الدراسة في قسمين رئيسيين: فحص داخل العينة للعلاقات بين العوامل المحددة وعوائد العملات المشفرة، وتقييم خارج العينة لقوتها التنبؤية. تشير النتائج إلى أن محافظ تحاكي العوامل تحقق تحسينات كبيرة في التوقعات التراكمية، مع مكاسب أداء إضافية تتراوح بين 10% إلى 60% بنهاية فترة خارج العينة. ومن الجدير بالذكر أن المتنبئين المعتمدين على المشاعر يظهرون قوة توقع قوية بشكل خاص، حيث تتجاوز تقديرات CER غالبًا 20%. كما تؤكد الدراسة أن المتنبئين المعتمدين على البلوكشين يحتفظون بقيمتهم التنبؤية حتى بالنسبة للعملات المشفرة غير القابلة للتعدين، مما يشير إلى دورها كعوامل خطر منهجية. تدعو النتائج إلى دمج مقاييس معدلة حسب المخاطر، مثل CER، في تقييم الأداء التنبؤي، وتقترح مجالات للبحث المستقبلي، بما في ذلك استكشاف خصائص البلوكشين البديلة وتطبيق أطر معدلة حسب المخاطر في تقييمات استثمار العملات المشفرة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التعقيدات المحيطة بتقييم العملات المشفرة، خاصة في ضوء نموها السريع وتقلبها مقارنة بفئات الأصول التقليدية. على عكس الأصول المالية التقليدية، التي يتم تقييمها عادةً بناءً على التدفقات النقدية والأرباح، تفتقر العملات المشفرة إلى خصائص أساسية واضحة، مما يجعل تقييمها تحديًا. تؤكد الورقة على أهمية الميزات المحددة للبلوكشين، مثل نشاط الشبكة والأمان، جنبًا إلى جنب مع رؤى المالية السلوكية التي تبرز دور المشاعر في انحرافات الأسعار. على الرغم من التقدم النظري في فهم هذه العلاقات، لا يزال التحقق التجريبي محدودًا.
لمعالجة هذه الفجوة، تهدف الدراسة إلى تقديم أدلة قوية مدفوعة بالبيانات حول تأثير كل من العوامل الأساسية والمعتمدة على المشاعر على عوائد العملات المشفرة. تركز على مقاييس رئيسية مثل معدل تجزئة البلوكشين وعدد المستخدمين النشطين كمؤشرات أساسية، بينما تستخدم بيانات Google Trends لقياس مشاعر السوق. تمتد التحليلات عبر مجموعة بيانات من أغسطس 2015 إلى أبريل 2025، حيث يتم فحص خمس عملات مشفرة رئيسية من نوع إثبات العمل قبل التوسع إلى 40 لزيادة قابلية التطبيق. يستخدم المؤلفون إطار توقع ديناميكي خارج العينة لتقييم القوة التنبؤية لهذه العوامل، مما يكشف أن الأسس الأساسية للبلوكشين تحتفظ بقدرات توقع كبيرة حتى بالنسبة للعملات المشفرة غير القابلة للتعدين. لا تعزز هذه الأبحاث فقط فهم ديناميات سوق العملات المشفرة ولكنها تقترح أيضًا استراتيجية استثمار جديدة تعتمد على الأداء التنبؤي لهذه العوامل، مما يسهم في الأدبيات المتعلقة بتقييم العملات المشفرة وقابلية توقع العوائد.
طرق
في هذا القسم، يوضح المؤلفون منهجيتهم لتحليل عوائد العملات المشفرة، مع التركيز على بناء العوامل ذات الصلة وقوتها التفسيرية. تمتد مجموعة البيانات من 21 أغسطس 2015 إلى 25 أبريل 2025، وتتكون من 505 ملاحظات أسبوعية. يتم حساب العوائد الأسبوعية عن طريق متوسط أسعار السجل اليومية على فترات متدحرجة لمدة 7 أيام، مما يساعد على التخفيف من تأثيرات يوم الأسبوع ومشكلات القيم الشاذة. يركز التحليل على خمس عملات مشفرة رئيسية—بيتكوين (BTC)، إيثريوم (ETH)، لايتكوين (LTC)، مونيرو (XMR)، وداش—التي تمثل 70% إلى 90% من القيمة السوقية. تشمل المقاييس الرئيسية قوة الحوسبة (تقاس بالتيراهش) وعدد المستخدمين النشطين، على الرغم من ظهور قيود بالنسبة لـ XMR وETH بسبب ميزات الخصوصية والانتقال إلى آلية توافق الآراء من نوع إثبات الحصة (PoS)، على التوالي.
تنقسم المنهجية إلى مرحلتين: تحليل داخل العينة لبناء العوامل والتحقق من الفرضيات المتعلقة بالأسس والمشاعر، وتحليل خارج العينة (OOS) الذي يتضمن 40 عملة مشفرة تم اختيارها بناءً على توفر البيانات. تغطي عينة OOS الفترة من 5 يناير 2018 إلى 25 أبريل 2025، مع 382 ملاحظة أسبوعية. يستخدم المؤلفون بيانات Google Trends لقياس مشاعر المستثمرين، وبناء مؤشر مشاعر استنادًا إلى الانحراف المعياري لحجم البحث. يستخدم التحليل مؤشر Coin Metrics Bletchley (CMBI) كمعيار لتقييم العوائد غير الطبيعية المتوسطة (ألفا) من المحافظ المدارة. يُلاحظ أن تصنيف العملات المشفرة إلى عملات إثبات العمل (PoW) وعملات غير قابلة للتعدين (NMCs) واسع، مما يعكس الطبيعة المتنوعة لتصميمات العملات المشفرة.
نتائج
في قسم النتائج، تقدم الدراسة تحليلًا شاملاً لكل من الأداء التنبؤي داخل العينة وخارجها (OOS) لنماذج عوائد العملات المشفرة. يكشف الانتقال من نموذج ذو عاملين، يتضمن عوائد بيتكوين (BTC) وعامل زخم، إلى نموذج ذو ثلاثة عوامل يشمل العوامل الأساسية (المستخدمون، معدل التجزئة، ومشاعر Google) عن نتائج كبيرة. في نموذج العاملين، تظهر جميع العملات المشفرة التي تم تحليلها (BTC، ETH، LTC، DASH) تعرضًا إيجابيًا قويًا لعوائد BTC، مع معاملات تتراوح من 0.87 إلى 0.98، بينما يظهر عامل الزخم معاملات أقل (0.02 إلى 0.14). تشير نماذج الثلاثة عوامل إلى تحول في إشارة تعرض BTC، ليصبح سالبًا عبر جميع العملات المشفرة، مما يشير إلى تفاعل معقد مع العوامل الأساسية. تتحسن القوة التفسيرية، المقاسة بواسطة $R^2$، بشكل كبير في نماذج الثلاثة عوامل، مما يشير إلى أن هذه النماذج تلتقط بشكل أفضل ديناميات عوائد العملات المشفرة.
تظهر التحليلات خارج العينة أن العوامل الأساسية تتفوق باستمرار على معيار متوسط بسيط في توقع العوائد عبر مجموعة أوسع من 40 عملة مشفرة. تشير الأخطاء التراكمية في التوقعات إلى أن النماذج التي تستخدم محافظ تحاكي العوامل تحقق دقة تنبؤية متفوقة، خاصة من 2020 إلى 2023. ومن الجدير بالذكر أن عامل معدل التجزئة يظهر كأكثر المتنبئين استقرارًا، بينما يكتسب عامل مشاعر Google موثوقية مع مرور الوقت، متفوقًا في النهاية على المتنبئين الآخرين بنهاية فترة OOS. يتم التأكيد على القيمة الاقتصادية لهذه النماذج التنبؤية من خلال العوائد المعادلة لليقين السنوية الإيجابية (CER) عبر معظم العملات المشفرة، مما يشير إلى أن الاستراتيجيات لا تعزز فقط الدقة التنبؤية ولكن أيضًا تحسن الأداء المعدل حسب المخاطر. بشكل عام، تسلط النتائج الضوء على أهمية دمج العوامل الأساسية والعوامل المدفوعة بالمشاعر في توقع عوائد العملات المشفرة، مع تداعيات على استراتيجيات إدارة المحافظ.
مناقشة
تستعرض قسم المناقشة في الورقة الأدبيات الواسعة حول العملات المشفرة، مع التركيز على الخصائص الأساسية لتكنولوجيا البلوكشين وآثارها على تسعير الأصول. تبرز الآراء المتناقضة حول قابلية مقارنة العملات المشفرة بالعملات التقليدية، مع التركيز بشكل خاص على تقلب بيتكوين واستخدامها المحدود كوسيلة للتبادل، كما أشار ييرماك (2024). ومع ذلك، فإن الاعتماد المتزايد على أنظمة دفع العملات المشفرة من قبل الشركات يشير إلى تحول محتمل في هذا المنظور. يتناول القسم أيضًا عدم الكفاءة في بورصات العملات المشفرة، كما تم تحليله بواسطة ماكاروف وشوار (2020)، والتي تكشف عن تباينات الأسعار وفرص التحكيم، مما يشير إلى مشكلات السيولة.
علاوة على ذلك، تلخص الورقة النتائج من دراسات مختلفة تستكشف العلاقة بين عوائد العملات المشفرة وعوامل السوق. يحدد ليو وتسيفينسكي (2021) الزخم وانتباه المستثمرين كعوامل رئيسية تؤثر على عوائد العملات المشفرة، بينما يجد بيانكي وآخرون (2023) أن العملات المشفرة لا يتم التنبؤ بها بشكل منهجي بواسطة عوامل الأصول التقليدية ولكنها تتأثر بشكل كبير بمشاعر المستثمرين. يقترح المؤلفون نموذجًا نظريًا يدمج الأسس الأساسية للبلوكشين—مثل معدل التجزئة وحجم الشبكة—مع العوامل السلوكية مثل المشاعر، بهدف التحقق تجريبيًا من هذه العلاقات. يفترض هذا النموذج أن قيمة العملات المشفرة مدفوعة بديناميات العرض والطلب داخل الشبكات اللامركزية، حيث يتم إنشاء الثقة من خلال جهود التعدين ومشاركة المستخدمين. يختتم القسم بتحديد فرضيات قابلة للاختبار مستمدة من هذا الإطار، مع التأكيد على الحاجة إلى تحليل تجريبي لسد الفجوات الحالية في الأدبيات.
DOI: https://doi.org/10.1016/j.intfin.2026.102285
Publication Date: 2026-01-08
Author(s): Massimo Guidolin et al.
Primary Topic: Financial Markets and Investment Strategies
Overview
This paper investigates the predictive capabilities of blockchain characteristics and sentiment indicators on cryptocurrency returns, employing an out-of-sample forecasting framework across 40 cryptocurrencies. Three weekly factor-mimicking portfolios are constructed based on network activity (active users), computational intensity (hashrate), and sentiment derived from Google search trends. The findings reveal that all three predictors demonstrate significant performance, with certainty equivalent returns (CER) often exceeding the risk-free rate, underscoring their economic relevance. The implementation of a portfolio sorting methodology further validates the effectiveness of combining blockchain and sentiment signals, highlighting the importance of both fundamental and behavioral factors in predicting cryptocurrency returns.
The analysis is divided into two main components: an in-sample examination of the relationships between the identified factors and cryptocurrency returns, and an out-of-sample assessment of their predictive power. The results indicate that the factor-mimicking portfolios yield substantial cumulative forecast improvements, with excess performance gains ranging from 10% to 60% by the end of the out-of-sample period. Notably, the sentiment-based predictors exhibit particularly strong forecast power, with CER estimates frequently surpassing 20%. The study also emphasizes that blockchain-based predictors maintain their predictive value even for non-mineable cryptocurrencies, suggesting their role as systematic risk factors. The findings advocate for the integration of risk-adjusted metrics, such as CER, in evaluating predictive performance, and propose avenues for future research, including the exploration of alternative blockchain characteristics and the application of risk-adjusted frameworks in cryptocurrency investment assessments.
Introduction
The introduction of this research paper highlights the complexities surrounding cryptocurrency valuation, particularly in light of their rapid growth and volatility compared to traditional asset classes. Unlike conventional financial assets, which are typically evaluated based on cash flows and dividends, cryptocurrencies lack clear fundamental characteristics, making their valuation challenging. The paper emphasizes the significance of blockchain-specific features, such as network activity and security, alongside behavioral finance insights that underscore the role of sentiment in price deviations. Despite theoretical advancements in understanding these relationships, empirical validation remains limited.
To address this gap, the study aims to provide robust, data-driven evidence on the impact of both fundamental and sentiment-based factors on cryptocurrency returns. It focuses on key metrics such as blockchain hashrate and active user count as fundamental indicators, while utilizing Google Trends data to gauge market sentiment. The analysis spans a dataset from August 2015 to April 2025, initially examining five major Proof-of-Work cryptocurrencies before expanding to 40 for broader applicability. The authors employ a dynamic out-of-sample forecasting framework to assess the predictive power of these factors, revealing that blockchain fundamentals maintain significant forecasting capabilities even for non-mineable cryptocurrencies. This research not only enhances the understanding of cryptocurrency market dynamics but also proposes a novel investment strategy based on the predictive performance of these factors, thereby contributing to the literature on cryptocurrency valuation and return predictability.
Methods
In this section, the authors detail their methodology for analyzing cryptocurrency returns, focusing on the construction of relevant factors and their explanatory power. The dataset spans from August 21, 2015, to April 25, 2025, comprising 505 weekly observations. Weekly returns are calculated by averaging daily log prices over rolling 7-day periods, which helps mitigate day-of-the-week effects and outlier issues. The analysis centers on five major cryptocurrencies—Bitcoin (BTC), Ethereum (ETH), Litecoin (LTC), Monero (XMR), and Dash—accounting for 70% to 90% of the market capitalization. Key metrics include computational power (measured in terahashes) and active user count, although limitations arise for XMR and ETH due to privacy features and a transition to a Proof of Stake (PoS) consensus mechanism, respectively.
The methodology is divided into two stages: an in-sample analysis to construct factors and validate hypotheses regarding fundamentals and sentiment, and an out-of-sample (OOS) analysis involving 40 cryptocurrencies selected based on data availability. The OOS sample covers January 5, 2018, to April 25, 2025, with 382 weekly observations. The authors utilize Google Trends data to gauge investor sentiment, constructing a sentiment indicator based on the standard deviation of search volume. The analysis employs the Coin Metrics Bletchley Index (CMBI) as a benchmark to assess average excess abnormal returns (alpha) from managed portfolios. The classification of cryptocurrencies into Proof of Work (PoW) and Non-Mineable Currencies (NMCs) is noted to be broad, reflecting the diverse nature of cryptocurrency designs.
Results
In the results section, the study presents a comprehensive analysis of both in-sample and out-of-sample (OOS) predictive performance of cryptocurrency return models. The transition from a two-factor model, incorporating Bitcoin (BTC) returns and a momentum factor, to a three-factor model that includes fundamental factors (Users, Hashrate, and Google sentiment) reveals significant findings. In the two-factor model, all cryptocurrencies analyzed (BTC, ETH, LTC, DASH) exhibit strong positive exposure to BTC returns, with coefficients ranging from 0.87 to 0.98, while the momentum factor shows lower coefficients (0.02 to 0.14). The three-factor models indicate a shift in the sign of BTC exposure, becoming negative across all cryptocurrencies, suggesting a complex interaction with fundamental factors. The explanatory power, measured by $R^2$, improves significantly in the three-factor models, indicating that these models better capture the dynamics of cryptocurrency returns.
The OOS analysis demonstrates that the fundamental factors consistently outperform a simple average benchmark in predicting returns across a broader cross-section of 40 cryptocurrencies. The cumulative forecast errors indicate that models utilizing factor mimicking portfolios yield superior predictive accuracy, particularly from 2020 to 2023. Notably, the Hashrate factor emerges as the most stable predictor, while the Google sentiment factor gains reliability over time, ultimately outperforming other predictors by the end of the OOS period. The economic value of these predictive models is underscored by positive annualized certainty equivalent returns (CER) across most cryptocurrencies, suggesting that the strategies not only enhance predictive accuracy but also improve risk-adjusted performance. Overall, the findings highlight the significance of incorporating fundamental and sentiment-driven factors in cryptocurrency return forecasting, with implications for portfolio management strategies.
Discussion
The discussion section of the paper reviews the extensive literature on cryptocurrencies, focusing on the fundamental characteristics of blockchain technology and their implications for asset pricing. It highlights the contrasting views on cryptocurrencies’ comparability to traditional currencies, particularly emphasizing Bitcoin’s volatility and limited use as a medium of exchange, as noted by Yermack (2024). However, the increasing adoption of cryptocurrency payment systems by businesses suggests a potential shift in this perspective. The section also addresses the inefficiencies in cryptocurrency exchanges, as analyzed by Makarov and Schoar (2020), which reveal price discrepancies and arbitrage opportunities, indicating liquidity issues.
Further, the paper synthesizes findings from various studies that explore the relationship between cryptocurrency returns and market factors. Liu and Tsyvinski (2021) identify momentum and investor attention as key drivers of cryptocurrency returns, while Bianchi et al. (2023) find that cryptocurrencies are not systematically predicted by traditional asset factors but are significantly influenced by investor sentiment. The authors propose a theoretical model that integrates blockchain fundamentals—such as hashrate and network size—with behavioral factors like sentiment, aiming to empirically validate these relationships. This model posits that the value of cryptocurrencies is driven by demand and supply dynamics within decentralized networks, where trust is established through mining efforts and user engagement. The section concludes by outlining testable hypotheses derived from this framework, emphasizing the need for empirical analysis to bridge existing gaps in the literature.