در دوره بیت کوین و blockchain ، باند های فقید حباب Dot-com معتقدند که آنها شانس دوم برای اعتصاب ثروتمند را به خود اختصاص داده اند. در نتیجه ، ارزهای رمزنگاری شده در معرض همان انواع "غرق غیر منطقی" که توسط آلن گرینسپان توصیف شده است که دوران Dot-com را گرفتار می کند ، مورد توجه قرار گرفته است. در یک سال گذشته ، ارزهای رمزنگاری شده زندگی جدیدی را به این برند رفتار سوداگرانه ، به رهبری ارز بدنام آلفا: بیت کوین داده اند.

در نتیجه ، جامعه به دو شخصیت تقسیم شده است: کسانی که با بیت کوین و آینده ای غیرمتمرکز عصبانی شده اند ، و کسانی که از شنیدن آن خسته شده اند. موضوع قطبی شده است. برای هر تأثیرگذار که این فناوری را تأیید می کند ، صدایی به همان اندازه معتبر وجود دارد که فریاد می زند. هر روز ، لیست افرادی که خود را به عنوان "Crypto-Experts" و "معامله گران رمزنگاری تمام وقت" بازاریابی می کنند. یک روند به ویژه ناامیدکننده ، هجوم ستون های مشاوره سرمایه گذاری رمزنگاری است. معدود موارد خوب توصیه می کنند که با مسئولیت پذیری سرمایه گذاری کنید ، مشاغلی را که خریداری می کنید درک کنید و در رویکرد خود نظم و انضباط داشته باشید. آنهایی که بد مانند طعمه کلیک به نظر می رسند (به عنوان مثال ، "چگونه می توان ریپل بعدی ، اتریوم و بیت کوین را پیش بینی کرد ،" "ارزهای رمزنگاری شده ای که در حال حاضر باید در آن سرمایه گذاری کنید" ، و غیره).

در حالی که این صنعت در حال بسیج است ، افراد نزدیک به این فناوری برای پیش بینی مسیر خود زمان بسیار سختی داشته اند. بیشتر پیش بینی هایی که من دیده ام ریشه در داده ها یا تجزیه و تحلیل عمیق ندارند ، بلکه احساس و جو هستند. من نمی گویم که پاسخ های درستی دارم ، اما معتقدم که راه بهتری برای پیش بینی مسیر بیت کوین و سایر رمزنگاری ها وجود دارد. این حتی ممکن است به تأیید اعتبار این فناوری کمک کند که آیا این فناوری به هیچ وجه آینده خواهد داشت یا خیر. یک رویکرد بالقوه نگاه کردن به حباب Dot-Com برای سابقه است. هر تحلیلی که از اینجا شروع می شود ، چند سؤال را نادیده می گیرد:

• آیا این دو حباب واقعاً مشابه هستند؟
• اگر چنین است ، آیا می توانیم تلاش کنیم تا پایان حباب بیت کوین را حدس بزنیم؟
• و آیا می توانیم پیش بینی کنیم که چه مدت طول می کشد تا گرد و غبار پس از ترکیدن آن حل شود؟

این سؤالاتی است که من امیدوارم با استفاده از تکنیک های دقیق و تحلیلی به آنها پاسخ دهم. برای تأمین سطوح مختلف تعهد این مقاله ، من هر دو نسخه TL ؛ DR و یک تحلیل طولانی را درج کرده ام.

نسخه کوتاه:

همه تجزیه و تحلیل های عالی با یک فرضیه شروع می شوند ، بنابراین در اینجا مال من است: اگر حباب Dotcom و Cryptobubble مشابه هستند ، می توانیم آینده Cryptobubble را با استفاده از حباب Dotcom پیش بینی کنیم. این مقاله به نیمه اول این بیانیه می پردازد: اثبات اینکه حباب ها مشابه هستند.

من از یک تکنیک محبوب استفاده شده در تشخیص الگوی به نام Dynamic Time Warping (DTW) استفاده کردم تا این ادعا را تأیید کنم که این حباب رمزنگاری به حباب Dot-Com اواخر دهه 90/اوایل 2000 می رسد. برای داده ها ، من دو سری زمانی را که به اعتقاد من نشان دهنده رشد و روند هر دو بازار در طول زمان است ، اعمال کردم: 1) کل 600+ قیمت سهام شرکت های اینترنتی در کل حباب Dot-com و 2) قیمت بیت کوین را از سال 2013 شروع کرد. بعد از چندین جمع آوری داده ، تمیز کردن ، مقیاس بندی ، من از DTW برای نقشه برداری از نقاط داده به صورت استراتژیک استفاده کردم و از این طریق فاصله بین این سریال را به حداقل می رساند. در نهایت ، من این مسیر را در برابر بهترین حالت ، مسیر خطی کامل تراز ترسیم کردم. نتایج نشان می دهد که رابطه بین حباب ها قابل توجه است! سه آمار ارزشمند وجود دارد که من برای ارزیابی تناسب مدل رگرسیون استفاده کردم: R² ، آزمون F به طور کلی و خطای استاندارد رگرسیون. مقدار R² مسیر توصیف شده در برابر رگرسیون 0. 92 است ، در حالی که خطای استاندارد رگرسیون حدود 16. 8 (یا حدود 10 ٪ اختلاف) است. بنابراین داده ها تقریباً از نزدیک مورد ایده آل قرار می گیرند. سرانجام ، من یک آزمون F را اجرا کردم و توانستم نتیجه بگیرم که تناسب رگرسیون قابل توجه است (F-Statistic = 3،720. 68 ؛ P = 0. 0000). همه چیز این است که می گویند ، موازی بین حباب Dotcom و حباب رمزنگاری تأیید می شود.

اکنون که تأیید کردم که حباب ها مشابه هستند ، در یک قطعه بعدی از یک تکنیک اقتصاد سنجی به نام Granger علیت استفاده می کنم تا ببینم آیا می توان از داده های حباب Dot-Com برای پیش بینی رشد حباب رمزنگاری استفاده کرد و به طور بالقوه پایان آنواد

نسخه طولانی:

قبل از شروع ، مهم است که تشخیص دهیم که اندازه حباب ها بسیار متفاوت است. در اوج خود ، سرمایه بازار NASDAQ در طول حباب Dot-Com تقریباً 6. 7 تریلیون دلار بود ، در حالی که حباب رمزنگاری در حال حاضر تقریباً 800 میلیارد دلار در حال حاضر یا حدود 1/8 از اندازه است. بنابراین ، من به دنبال این نیستم که درک کنم که آیا آنها از نظر بزرگی قابل مقایسه هستند ، بلکه نحوه مقایسه آنها در رشد است. برای دستیابی به این هدف ، من در این مدت رشد شرکت های اینترنتی را به طور خاص جدا کردم و روند آنها را با ظهور بیت کوین مقایسه کردم.

اول از همه ، تمام کد منبع من در GitHub است و می توانید در اینجا پیدا کنید. می توانید توضیحاتی در مورد فرضیاتی که در بخش ناشناس در نزدیکی پایین این مقاله انجام داده ام ، پیدا کنید. با این حال ، اساس این تجزیه و تحلیل در حدود فرض اصلی من است این است که قیمت سهم یک شرکت نسبتاً با قیمت یک رمزنگاری قابل مقایسه است. هر دو مقدار به صورت سوداگرانه خریداری و فروخته می شوند ، مستعد نوسانات مشابه و از نظر بزرگی مشابه هستند. آینده سهام نیز می تواند در ارزهای رمزپایه توزیع و معامله شود ، که بیشتر قیاس را تقویت می کند.

این تجزیه و تحلیل روشی را که بسیاری دیگر انجام می دهند شروع می کند: جمع آوری داده ها. من لیستی از 600 شرکت بزرگ اینترنت عمومی را بین سالهای 1980 تا 2017 گردآوری کردم. این لیست را می توان در صفحه GitHub مرتبط یافت. سپس داده های قیمت سهام روزانه را در مورد همه این شرکت ها از آن زمان تا اکنون از Finance Yahoo با استفاده از Pandas DataReader استخراج کردم. من توانستم روزانه قیمت های بالا ، کم ، افتتاح و بسته شدن را برای هر شرکت بکشم. به خاطر این تجزیه و تحلیل ، من از قیمت بسته شدن روزانه استفاده کردم ، زیرا معمولاً توسط معامله گران در ارزیابی آنها استفاده می شود. پس از آن ، من داده ها را از 5 اوت 1997 تا 10 مارس 2000 کوتاه کردم.

برای هر روز ، من میانگین قیمت سهم را برای 600 شرکت که در بالا به آنها اشاره کردم ، گرفتم (البته ، 600 شرکت برای کل مدت زمان و یا در تجارت نبودند). توجه به این نکته حائز اهمیت است که من تاریخ هایی را که بورس سهام در آن تجارت نمی کند حذف کردم (یعنی آخر هفته ها و تعطیلات عمومی).

نیمه رمزنگاری این مرحله جمع آوری داده ها مستقیم تر بود. از آنجا که بیت کوین صاحب سهم شیرها از بازار است ، من معتقدم که این ارزش به اندازه کافی قوی از کل بازار است. برای توجیه بیشتر این تصمیم ، بخش فرضیات را بررسی کنید. من از API Exchange Kraken برای تهیه قیمت تاریخی بیت کوین به روز از 9 سپتامبر 2013 تا 9 سپتامبر 2017 استفاده کردم.

اینجا جایی است که من مکث کردم. در هر دو مجموعه داده چندین چالش ذاتی وجود دارد ، و من چند دستکاری داده های مختلف را برای پرداختن به آنها انجام دادم:

• بسیاری از سر و صدا: داده های قیمت سهام حاوی سر و صدای زیادی است و بسیار مستعد نوسان است. قیمت بیت کوین هیچ تفاوتی ندارد. برای پرداختن به نوسانات سریع قیمت سهام ، میانگین پنج روزه (هفتگی) را گرفتم. من همین کار را برای قیمت های بیت کوین انجام دادم ، اما به طور متوسط هفت روزه گرفتم زیرا BTC می تواند 24/7 معامله شود.
• مقیاس های مختلف: علاوه بر این ، هر دو سیگنال از نظر بزرگی قابل مقایسه نیستند. به عبارت ساده ، حباب dot-com بسیار بزرگتر از حباب بیت کوین بود (در حال حاضر). این امکان وجود دارد که مقایسه سرمایه های بازار بهتر از قیمت سهم/سکه باشد ، اما تعیین به راحتی درپوش بازار حباب Dot-Com با گذشت زمان کمی مشکل است. برای پرداختن به مسائل مقیاس گذاری ، من هر یک از مجموعه داده ها را عادی کردم ، به طوری که تمام مقادیر نسبت به یکدیگر دارند و از 0 و 1 متغیر هستند.
• جدول زمانی ناهموار: آخرین مسئله این است که سری زمانی ناهموار است. برگه فرضیات را بررسی کنید که چرا تاریخ شروع / پایان را که انجام دادم انتخاب کردم. به طور معمول ، راه حل سری زمانی ناهموار استفاده از درون یابی برای پر کردن شکافهای بینابینی است ، اما مجموعه داده های ما به طور یکنواخت با همان نرخ نمونه برداری می شوند. انتخاب نهایی من برای استفاده از پیچ و تاب زمان پویا تحت تأثیر لزوم رسیدگی به این چالش بود. من دقیقاً توضیح خواهم داد که چرا بعداً در این مقاله.
• متفرقهمشاهدات: هر دو مجموعه داده غیر فصلی هستند. من مطمئن نیستم که ارزش ذکر کردن را ذکر کنید ، زیرا ما در حال بررسی حباب های سوداگرانه هستیم و نتایج غیر منطقی همان چیزی است که ما می خواهیم درک کنیم.

بعد از این تمرین پاکسازی ، قیمت های نرمال و یکنواخت را در برابر زمان زیر ترسیم کردم. در نگاه اول ، نتایج امیدوار کننده است:

اکنون که داده ها در مورد جایی است که ما به آن نیاز داریم ، بیایید به قسمت سرگرم کننده برویم: مقایسه سری داده ها. Warping Time Dynamic (DTW) یک تکنیک محبوب برای تجزیه و تحلیل سری های زمانی است ، به خصوص برای مواردی که از نظر کادری و طول متفاوت هستند.

در اصل ، DTW تکنیکی است که برای نقشه برداری از نقاط استراتژیک در سری های زمانی و پیدا کردن حداقل فاصله اقلیدسی کل بین آنها استفاده می شود. این کار با ایجاد یک ماتریس متشکل از مسافت یا "هزینه" بین تمام نقاط در یک سری زمانی انجام می شود. سپس ماتریس را طی می کنیم ، از سلول ماتریس در ابتدای هر دو سری شروع می کنیم و نقاطی را انتخاب می کنیم که کمترین فاصله بین یکدیگر را دارند. اینگونه است که مقادیر سری زمانی DTW را به حداقل می رساند تا "هزینه" یا فاصله بین نقاط را به حداقل برساند. بصری زیر این روش دقیق را نشان می دهد:

من می توانم زمان بیشتری را برای توضیح این رویکرد بگذرانم ، اما این یک تکنیک پذیرفته شده و پذیرفته شده برای تشخیص الگوی است. برای درک واقعی تکنیک ، می توانید منابع زیر را بررسی کنید:

• : صدا کمی آزار دهنده است ، اما حاوی توضیح سطح بالایی است و از طریق یک مقاله جالب در مورد چند روش DTW ها می توان به طور مؤثر در امور مالی استفاده کرد (من در این تجزیه و تحلیل از یک روش مشابه استفاده می کنم).

برای اهداف این تجزیه و تحلیل ، من از یک بسته پایتون "سریع DTW" استفاده کردم. Digression کوچک: برای الگوریتم های خارج از قفسه ، اجرای یک DTW دارای زمان (N²) زمان و حافظه است که عالی نیست. چند ترفند الگوریتمی وجود دارد که می تواند فضا و پیچیدگی زمان استهلاک را به O (N) منتقل کند. کتابخانه ای که من از آن استفاده کردم این ترفندها را به دست می آورد ، به همین دلیل آن را "DTW سریع" نامیده می شود.

با اجرای یک DTW در سری زمانی نرمال و یکدست ، توانستم فاصله بین سری زمانی و کمترین مسیر را بدست آورم.

اکنون که مسیر و فاصله اقلیدسی خود را مشخص کرده ایم ، با آن چه می کنیم؟چگونه می توانیم از این نتایج برای نتیجه گیری در مورد داده ها استفاده کنیم؟اولین غریزه من استفاده از فاصله محاسبه شده بود. از آنجا که داده ها برای اولین بار نرمال شد ، هدف ما این است که فاصله بین سری زمانی را متناسب کنیم. اگر فاصله بسیار ناچیز باشد ، می توانم به راحتی بگویم که این سریال مشابه است (از نظر آماری دقیق تری وجود دارد که می توانم در اینجا از آن استفاده کنم ، اما من هنوز هم می خواهم این را برای اکثر آنها قابل هضم نگه دارم). اگر اینطور نیست ، می توانم جلو بروم و این تلاش را رها کنم. اما چگونه می توانیم آستانه ای را برای ارزیابی آن مقدار تعیین کنیم؟سابقه؟من با استفاده از همان رویکرد ، در راه تجزیه و تحلیل های مشابه چیز زیادی پیدا نکردم. کیفی؟پس از هضم اطلاعات زیادی در مورد هر دو حباب ، من نمی توانم هیچ شاخص تاریخی یا متنی را که می توانم از اینجا استفاده کنم برای تعیین آستانه مناسب مشخص کنم.

این خروجی دوم الگوریتم را به جا گذاشت: مسیر. برای من مدتی طول کشید تا با یک رویکرد فرود بیایم ، اما فکر می کنم صدای یک صدا را ایجاد کرده ام. برای درک آن ، در مورد موارد لبه در این تحلیل فکر کنید. اگر دو سری زمانی یکسان باشند ، مسیر دقیقاً خطی با نقشه های 1-1 خواهد بود. اگر این سریال بسیار متفاوت باشد ، مسیر کاکوفون به نظر می رسد. با توجه به این موضوع ، من یک خط خطی بین مختصات شروع و پایان مسیر (شیب = 1. 60) ترسیم کردم. این خط نشان دهنده یک نتیجه ایده آل و هماهنگی کامل بین سری زمانی است. سپس مسیر DTW را با محاسبه مقدار R² ، آزمون F و خطای استاندارد رگرسیون با آن خط روند مقایسه کردم. طرح زیر این مقایسه را خلاصه می کند.

نتایج ، که در بالا مشاهده می شود نشان می دهد که شباهت بین دو حباب قابل توجه است! مقدار R² مسیر توصیف شده در برابر رگرسیون 0. 92 است ، در حالی که خطای استاندارد رگرسیون در حدود 16. 8 (یا حدود 10 ٪ اختلاف) است. بنابراین داده ها تقریباً از نزدیک مورد ایده آل قرار می گیرند. سرانجام ، من یک آزمون F را اجرا کردم و توانستم نتیجه بگیرم که تناسب رگرسیون قابل توجه است (F-Statistic = 3،720. 68 ؛ P = 0. 0000). همه چیز این است که می گویند ، موازی بین حباب Dotcom و حباب رمزنگاری تأیید می شود. اکنون می توانم از این فرض به عنوان پایه ای برای هر تجزیه و تحلیل مقایسه ای بعدی بین دو حباب استفاده کنم.

در حال آمدن: پیش بینی ها

اکنون که ما مشخص کردیم که هر دو حباب روند مشابهی دارند ، آیا می توانیم از یکی برای پیش بینی دیگری استفاده کنیم؟با نگاهی به طرح زیر ، روده من می گوید که ممکن است بتوانیم. در یک مقاله آینده ، من استفاده از یک تست اقتصادسنجی به نام Granger علیت را بررسی می کنم تا ببینم آیا می توانم با استفاده از داده های حباب Dot-Com پیش بینی های صوتی را در مورد Crypto-Bubble انجام دهم. یادآوری ، طرح زیر عادی شده است. از آنجا که معیارها معادل نیستند ، عادی سازی آنها به ما امکان می دهد معادل تر باشیم.

فرضیات:

• در ابتدا، من می خواستم تاریخ شروع و قبل از خرابی حباب دات کام را به صورت تحلیلی تعیین کنم. در حالی که تاریخ اخیر را می توان به راحتی تعیین کرد، تعریف آغاز سرمایه گذاری سوداگرانه در شرکت های اینترنتی می تواند شامل یک تحلیل کمی بسیار گسترده باشد. در واقع، بررسی اینکه چرا سرمایه گذاری سوداگرانه در وهله اول رخ داده است، به همان اندازه منطقی است. خوشبختانه، این رویکرد زندگی ما را بسیار آسان تر می کند. در حالی که بسیاری از رشد سریع شرکت های جدید کامپیوتری/IT، سرمایه های مخاطره آمیز و مصرف رایانه و اینترنت یاد می کنند، مقاله مالیات بر عایدی سرمایه و نوسانات بازده سهام: شواهدی از قانون معافیت مالیات دهندگان در سال 1997، جدول زمانی تعریف شده تری ارائه می دهد. محققان استدلال می کنند که قانون معافیت مالیات دهندگان در سال 1997، که نرخ مالیات بر عایدی سرمایه را کاهش داد، ریسک بازده دارایی بالاتری را ایجاد کرد و نوسانات بازده سهام را افزایش داد. آن ها ثابت می کنند که این کاهش مالیات به سرعت با سفته بازی های طمع محور در شرکت های اینترنتی دنبال شد. استدلال مقاله هم از نظر کیفی و هم از نظر کمی قابل دفاع و قانع کننده است. بنابراین، برای هدف این تجزیه و تحلیل، من فرض کردم که تاریخ شروع حباب دات کام مطابق با تصویب قانون معافیت مالیات دهندگان در 5 آگوست 1997 است. تعیین تاریخ پایان بسیار ساده تر بود. NASDAQ Composite در 10 مارس 2000 در 5132. 52 به اوج رسید و در 2. 5 سال بعد تا 78 درصد سقوط کرد. به دلایل واضح، من انتهای حباب دات کام را به این تاریخ می چسبانم.
• از 6 ژانویه 2018، ارزش بازار بیت کوین تقریباً 254 میلیارد دلار بود، در حالی که کل صنعت ارزهای دیجیتال 793 میلیارد دلار ارزش داشت. بنابراین، بیت کوین تقریباً یک سوم کل بازار ارزهای دیجیتال را تشکیل می دهد. اگرچه این بسیار قانع کننده است، اما سهم بازار برای اثبات اینکه عملکرد بیت کوین نشان دهنده کل بازار است کافی نیست. در اینجا چیزهای نامشهود نیز در حال بازی هستند. من استدلال می کنم که بدنام بودن بیت کوین به تنهایی نشان دهنده تأثیر آن بر بازار است. بیت کوین ارز دیجیتال پایه ای است که برای 1) ذخیره ارزش و 2) خرید سایر ارزهای دیجیتال استفاده می شود. عملکرد و ارزش آن به طور موثر توانایی تعامل با بقیه بازار را تقویت می کند. این شبیه به این است که اتر دروازه بان تمام فناوری ها و ارزهای ساخته شده در بالای پلتفرم و شبکه اتریوم است.
• اساس این تجزیه و تحلیل در حدود فرض اصلی من است که قیمت سهم یک شرکت نسبتاً با قیمت یک رمزنگاری قابل مقایسه است. هر دو مقدار به صورت سوداگرانه خریداری و فروخته می شوند ، مستعد نوسانات مشابه و از نظر بزرگی مشابه هستند. آینده سهام نیز می تواند در ارزهای رمزپایه توزیع و معامله شود ، که بیشتر قیاس را تقویت می کند. در پایان ، من به حجم یا مقادیر علاقه ای ندارم ، بلکه رشد و مسیر صنایع است. من معتقدم که هر دو مقدار نشانگر قله ها و فرورفتگی های هر دو بازار است.

به من نزدیک می شود که در مورد استفاده ، اما ...

• 2 نمونه t-test: این آزمون به سمت درک این است که آیا تفاوت آماری بین مقادیر میانگین هر سری وجود دارد یا خیر. من مطمئن نیستم که این مورد در مورد ما ارزشمند است ، زیرا مقایسه وسایل نشانگر شباهت بین این سریال نیست.
• تجزیه و تحلیل طیفی: رویکرد در اینجا استفاده از تبدیل فوریه به داده های سری زمانی برای یافتن طیف داده های سری زمانی نامنظم است که می تواند برای به دست آوردن چگالی طیفی قدرت مربوطه استفاده شود. با استفاده از تبدیل معکوس فوریه از چگالی طیفی قدرت مربوطه ، یک مجموعه داده کامل با نرخ نمونه گیری یکنواخت ارائه می دهد. معمولاً ، این رویکرد فقط برای داده های دوره ای که در فواصل نامنظم نمونه برداری می شوند ، کار می کند و بعید است که حاوی فضای باز باشد. از آنجا که تجزیه و تحلیل ما بر مقایسه دو فضای باز است و ما از یک مجموعه داده اساساً یکنواخت و غیر دوره ای استفاده می کنیم ، احتمالاً این راه درستی نبود. من همچنین مطمئن نیستم که این روش می تواند برای گسترش پایان یک سری زمانی به اندازه سریال های زمانی دیگر استفاده شود.
• ARIMA: من با استفاده از مدل های ARIMA برای تجزیه و تحلیل این داده ها استفاده کردم. آنقدر ، که من حتی برای تأیید این رویکرد اقدامات ملموس انجام دادم. اولین قدم من این بود که بفهمم کدام مدل ARIMA را می خواهیم انتخاب کنیم. من با مدل Autoregressive (AR) شروع کردم. این مدل یک مدل خطی است که مقدار فعلی یک سری زمانی را با استفاده از مقدار قبلی فوری در زمان پیش بینی می کند. برای تعیین اینکه آیا مدل AR مناسب است ، من قیمت سهام (X [T]) را در برابر مقادیر تاخیر تک آنها (X [T-1]) ترسیم کردم و همین کار را برای قیمت بیت کوین انجام دادم. توطئه ها را می توان در زیر یافت:

• بین مقادیر قیمت سهام در برابر سری LAG1 ارتباط خوبی وجود دارد (92/0 = R²). به طور مشابه ، بین مقادیر قیمت بیت کوین در برابر سری LAG1 (بدون نقشه) یک همبستگی قوی (94/0 = r مربع) وجود داشت. این نشان می دهد که یک مدل AR ممکن است یک رویکرد خوب باشد ، زیرا نشان می دهد که ما می توانیم با استفاده از یک مقدار در زمان قبلی ، هر مقدار را در حال حاضر پیش بینی کنیم. اما من اینجا مکث کردم. اگر از یکی از مدل های ARIMA برای هر دو سری استفاده کنیم ، چگونه آنها را مقایسه خواهیم کرد؟پارامترهای مدل حاصل را مقایسه کنید؟آیا یک رویکرد آماری پذیرفته شده برای این امر وجود دارد؟من خیلی مطمئن نبودمدر پایان ، این صلیب معتبر ، توجه من را از آریما دور کرد

چیزهایی که من با زمان بیشتری تغییر می کنم (به ترتیب خاصی) ...

• یک رویکرد تحلیلی تر برای یافتن تاریخ شروع و پایان هر دو سری زمانی حاصل شده است.
• به تفاوت در مقیاس عمیق تر
• گسترش یافته است که شامل ارزهای رمزنگاری شده بیشتر از بیت کوین است

روش شناسی

همانطور که گفته شد ، من تمام کد منبع خود را در اینجا به GitHub ارسال کرده ام. علاوه بر لینک های تعبیه شده در سراسر ، من می خواهم منابع داده ، ابزارها و منابعی را که برای پشتیبانی از این تجزیه و تحلیل استفاده شده است ، فراخوانی کنم: