DOI: https://doi.org/10.54254/2754-1169/2026.ld31658
تاريخ النشر: 2026-02-10
المؤلف: Denghang Nong
الموضوع الرئيسي: الأسواق المالية واستراتيجيات الاستثمار
نظرة عامة
تستكشف هذه الدراسة التحديات المتعلقة بتطبيق أطر التقييم التقليدية، وبشكل خاص نموذج تسعير الأصول الرأسمالية (CAPM)، على الشركات التي لديها تعرض كبير للعملات المشفرة، باستخدام MicroStrategy (MSTR) كحالة دراسية. تحدد الأبحاث وجود علاقة قوية بين عوائد MSTR وبيتكوين (BTC) بعد استثمار الشركة في BTC، مما يشير إلى أن MSTR تعمل كوكيل مدعوم لبيتكوين. يفشل نموذج CAPM التقليدي في تفسير أداء MSTR بشكل كافٍ، خاصة في ظروف السوق الصاعدة والهابطة، حيث يمثل فقط 11.8% و37.4% من تباين العائد، على التوالي. من خلال دمج عامل عائد بيتكوين الخطي، تتحسن القوة التفسيرية للنموذج بشكل كبير، لتصل إلى 46.6% في الأنظمة الصاعدة و64.7% في الأنظمة الهابطة.
لزيادة تحسين النموذج، تستخدم الدراسة تقنيات التعلم الآلي، وبشكل خاص الغابة العشوائية وتحليل SHAP، لتطوير نموذج متعدد العوامل وغير خطي مصمم لشركات خزينة الأصول الرقمية. يحقق هذا النموذج الجديد 48.1% من القوة التفسيرية في الأنظمة الصاعدة و66.5% في الأنظمة الهابطة، مما يبرز “علاوة التقعر الأسية” لـ MSTR بالنسبة لبيتكوين. تشير النتائج إلى أن النماذج الخطية التقليدية غير كافية لالتقاط تعقيدات التقييمات المتأثرة بالعملات المشفرة. تعترف الدراسة بالقيود، بما في ذلك التركيز على حالة واحدة والحاجة إلى تحسينات منهجية إضافية، مثل تقييم أهمية الميزات واستكشاف خوارزميات متقدمة لتحسين دقة التنبؤ.
مقدمة
تسلط المقدمة الضوء على التحول الكبير للأصول الرقمية، وخاصة العملات المشفرة مثل بيتكوين، من استثمارات متخصصة إلى أدوات مالية رئيسية، تؤثر على الأسواق التقليدية. من الجدير بالذكر أن شركات مثل MicroStrategy قد اعتمدت بيتكوين كأصل احتياطي رئيسي، مما يغير من ملفات المخاطر الخاصة بها ويتحدى نماذج تسعير الأصول التقليدية، وبشكل خاص نموذج تسعير الأصول الرأسمالية (CAPM). تشير الأبحاث إلى أن شركات خزينة الأصول الرقمية (DAT) تظهر تقلبًا أكبر، مع بيتا تتجاوز 1.0، وبعض الشركات تتجه نحو العملات المشفرة الأقل سيولة، مما يزيد من عدم اليقين في أسعار الأسهم.
تهدف هذه الدراسة إلى تقييم قيود نموذج CAPM التقليدي في سياق شركات DAT، باستخدام MicroStrategy كحالة دراسية. تبدأ بتحديد العلاقة بين بيتكوين (BTC) وعوائد MicroStrategy (MSTR) لتحديد التغيرات الهيكلية في سلوك الأصول بعد استحواذ BTC. ثم تنتقد الأبحاث إطار CAPM وتقترح نموذجًا معززًا يتضمن عامل عائد BTC محدد. بالإضافة إلى ذلك، تستخدم تقنيات التعلم الآلي، مثل خوارزمية الغابة العشوائية وتحليل SHAP، لتقييم مساهمات العوامل المختلفة، مما يدعو في النهاية إلى نموذج تسعير أصول متعدد العوامل وغير خطي مصمم لتقييم شركات DAT.
مناقشة
تقيم قسم المناقشة في ورقة البحث تطبيق نموذج تسعير الأصول الرأسمالية (CAPM) على MicroStrategy (MSTR)، وهي شركة مستثمرة بشكل كبير في بيتكوين (BTC). تجد الدراسة وجود علاقة كبيرة بين عوائد MSTR وBTC، خاصة بعد استحواذ MSTR على بيتكوين في عام 2020، مع ارتفاع معامل ارتباط بيرسون من حوالي 0.057 إلى 0.695، مما يشير إلى أن MSTR قد أصبحت فعليًا وكيلًا للتعرض لبيتكوين. يكشف تحليل CAPM التقليدي أن MSTR هي سهم ذو بيتا مرتفعة، مع ألفا يومية تقدر بـ 0.28% وR² تبلغ 21.8%، مما يشير إلى أداء غير عادي محدود يتجاوز التعرض للسوق. بالمقارنة، يشير انخفاض R² لـ MSTR بالنسبة لشركات التكنولوجيا والمالية الأخرى إلى أن CAPM يفسر أقل من تباين عائدها.
لزيادة القوة التفسيرية للنموذج، تفصل الدراسة البيانات إلى فترات صاعدة وهابطة وتدمج عوائد BTC في إطار CAPM. يحسن هذا التعديل القوة التفسيرية بشكل كبير لتصل إلى 46.6% في الأنظمة الصاعدة و64.7% في الأنظمة الهابطة. تشمل التحسينات الإضافية اختبار مصطلح مربع لعوائد BTC الزائدة، والذي يلتقط “علاوة التقعر الأسية” خلال الظروف الصاعدة. تُستخدم تقنيات التعلم الآلي، وبشكل خاص الغابة العشوائية وتحليل SHAP، لتقييم أهمية العوامل والتفاعلات، مما يؤدي إلى قوة تفسيرية تبلغ 48.1% في الأنظمة الصاعدة و66.5% في الأنظمة الهابطة. تؤكد النتائج على عدم كفاية النماذج الخطية التقليدية في التقاط تعقيدات الأصول المعرضة للعملات المشفرة، مما يبرز الحاجة إلى استراتيجيات تحوط غير خطية ضد “مخاطر الذيل الأيمن”. تشمل اتجاهات البحث المستقبلية تعزيز تقييمات أهمية الميزات واستكشاف خوارزميات التعلم الآلي المتقدمة لتحسين دقة التنبؤ.
DOI: https://doi.org/10.54254/2754-1169/2026.ld31658
Publication Date: 2026-02-10
Author(s): Denghang Nong
Primary Topic: Financial Markets and Investment Strategies
Overview
This study explores the challenges of applying traditional valuation frameworks, specifically the Capital Asset Pricing Model (CAPM), to companies with significant cryptocurrency exposure, using MicroStrategy (MSTR) as a case study. The research identifies a strong correlation between MSTR’s returns and Bitcoin (BTC) following the company’s investment in BTC, suggesting that MSTR functions as a leveraged proxy for Bitcoin. The traditional CAPM fails to adequately explain MSTR’s performance, particularly in bullish and bearish market conditions, where it only accounts for 11.8% and 37.4% of return variance, respectively. By incorporating a linear Bitcoin return factor, the explanatory power of the model improves significantly, reaching 46.6% in bullish and 64.7% in bearish regimes.
To further enhance the model, the study employs machine learning techniques, specifically Random Forest and SHAP analysis, to develop a multi-factor, non-linear model tailored for Digital Asset Treasury companies. This new model achieves 48.1% explanatory power in bullish and 66.5% in bearish regimes, highlighting MSTR’s “exponential convexity premium” relative to Bitcoin. The findings indicate that traditional linear models are inadequate for capturing the complexities of cryptocurrency-influenced valuations. The study acknowledges limitations, including the single-case focus and the need for further methodological improvements, such as assessing feature importance and exploring advanced algorithms to refine predictive accuracy.
Introduction
The introduction highlights the significant shift of digital assets, particularly cryptocurrencies like Bitcoin, from niche investments to mainstream financial instruments, influencing traditional markets. Notably, companies such as MicroStrategy have adopted Bitcoin as a primary reserve asset, altering their risk profiles and challenging conventional asset-pricing models, specifically the Capital Asset Pricing Model (CAPM). Research indicates that digital asset treasury (DAT) companies exhibit greater volatility, with a beta exceeding 1.0, and some firms are venturing into less liquid cryptocurrencies, further increasing stock price uncertainty.
This study aims to evaluate the limitations of the traditional CAPM in the context of DAT companies, using MicroStrategy as a case study. It begins by establishing a correlation between Bitcoin (BTC) and MicroStrategy (MSTR) returns to identify structural changes in asset behavior post-BTC acquisition. The research then critiques the CAPM framework and proposes an augmented model that includes a specific BTC return factor. Additionally, it employs machine learning techniques, such as the Random Forest algorithm and SHAP analysis, to assess the contributions of various factors, ultimately advocating for a multifactor, non-linear asset pricing model tailored for the valuation of DAT companies.
Discussion
The discussion section of the research paper evaluates the application of the Capital Asset Pricing Model (CAPM) to MicroStrategy (MSTR), a company heavily invested in Bitcoin (BTC). The study finds a significant correlation between MSTR and BTC returns, particularly after MSTR’s Bitcoin acquisition in 2020, with a Pearson correlation coefficient rising from approximately 0.057 to 0.695, indicating that MSTR has effectively become a proxy for Bitcoin exposure. Traditional CAPM analysis reveals MSTR as a high-beta stock, with an estimated daily alpha of 0.28% and an R² of 21.8%, suggesting limited abnormal performance beyond market exposure. Comparatively, MSTR’s lower R² relative to other tech and finance companies indicates that CAPM explains less of its return variation.
To enhance the model’s explanatory power, the study separates data into bullish and bearish periods and incorporates BTC returns into the CAPM framework. This adjustment significantly improves explanatory power to 46.6% in bullish and 64.7% in bearish regimes. Further refinements include testing a square term for BTC excess returns, which captures the “exponential convexity premium” during bullish conditions. Machine learning techniques, specifically Random Forest and SHAP analysis, are employed to assess factor importance and interactions, yielding an explanatory power of 48.1% in bullish and 66.5% in bearish regimes. The findings underscore the inadequacy of traditional linear models in capturing the complexities of cryptocurrency-exposed assets, highlighting the need for nonlinear hedging strategies against “right-tail risk.” Future research directions include enhancing feature importance assessments and exploring advanced machine learning algorithms to improve predictive accuracy.