Crypto-asset token activity: measurement, valuation, and impact

Abstract

This dissertation presents and expands upon methodologies for assessing token dormancy and activity, creating the “Active Token Balance” (ATB) metric while implementing a valuation model grounded in network effects theory. These methodologies are empirically applied to the on-chain data of the Chainlink token over 3.5 years, from September 2017 to February 2021. The analysis employs Granger causality tests to assess predictive relationships between the variables, along with Shannon Transfer entropy tests to evaluate informational transfer between the time series, with several significant results. Additionally, the models GARCH, EGARCH, GJR-GARCH, CGARCH, and APARCH are employed to assess the ATB of Chainlink in the conditional mean of the models, revealing statistically significant coefficients across the majority of model specifications. The forecasting performance of selected machine learning methods is examined using Superior Predictive Ability, Stepwise Multiple, and Harvey-Leybourne-Newbold Tests. The findings indicate that the ATB of the token, as determined by the proposed methodology, impacts the price and the returns of the examined token, leading to improved forecasts. This research underscores the importance of dormancy and activity as crucial metrics for token evaluation and their influence on token price while establishing parameterizable methods for their calculation.

Αυτή η διατριβή παρουσιάζει και επεκτείνει μεθοδολογίες για την αξιολόγηση της αδράνειας και της δραστηριότητας των ψηφιακών κερμάτων, δημιουργώντας τον δείκτη "Active Token Balance" (ATB) εφαρμόζοντας παράλληλα ένα μοντέλο αποτίμησης που βασίζεται στη θεωρία των φαινομένων δικτύου. Αυτές οι μεθοδολογίες εφαρμόζονται εμπειρικά σε δεδομένα προερχόμενα από την αλυσίδα συστοιχιών του ψηφιακού κέρματος Chainlink για 3,5 χρόνια, από τον Σεπτέμβριο του 2017 έως τον Φεβρουάριο του 2021. Η ανάλυση χρησιμοποιεί ελέγχους αιτιότητας κατά Granger για την αξιολόγηση των προβλεπτικών σχέσεων μεταξύ των μεταβλητών, μαζί με ελέγχους μεταφοράς εντροπίας κατά Shannon για την αξιολόγηση της μεταφοράς πληροφοριών μεταξύ των χρονοσειρών, με αρκετά σημαντικά αποτελέσματα. Επιπλέον, τα μοντέλα GARCH, EGARCH, GJR-GARCH, CGARCH και APARCH χρησιμοποιούνται για την αξιολόγηση του ATB του Chainlink στον δεσμευμένο μέσο των μοντέλων, αποκαλύπτοντας στατιστικά σημαντικούς συντελεστές στην πλειονότητα των προδιαγραφών των μοντέλων. Η προβλεπτική επίδοση επιλεγμένων μεθόδων μηχανικής μάθησης εξετάζεται χρησιμοποιώντας τους ελέγχους Superior Predictive Ability, Stepwise Multiple και Harvey-Leybourne-Newbold. Τα ευρήματα δείχνουν ότι το ATB του ψηφιακού κέρματος, όπως καθορίζεται από την προτεινόμενη μεθοδολογία, επηρεάζει την τιμή και τις αποδόσεις του εξεταζόμενου ψηφιακού κέρματος, οδηγώντας σε βελτιωμένες προβλέψεις. Αυτή η έρευνα τονίζει τη σημασία της αδράνειας και της δραστηριότητας ως κρίσιμων δεικτών για την αξιολόγηση των ψηφιακών κερμάτων και την επιρροή τους στην τιμή των ψηφιακών κερμάτων, ενώ παράλληλα καθιερώνει παραμετροποιήσιμες μεθόδους για τον υπολογισμό τους.