Tanto en el ámbito académico como entre los profesionales se ha prestado mucha atención a las criptomonedas. Hasta ahora, la atención académica se ha centrado sobre todo en el desarrollo de modelos teóricos (p. ej., Cong y He 2018, Cong et al. 2018, Sockin y Xiong 2018, Schilling y Uhlig 2018, Abadi y Brunnermeier 2018).
En un artículo reciente, utilizamos métodos empíricos de valoración de activos de libro de texto para comparar la rentabilidad de las criptomonedas con la de otras clases de activos (Liu y Tsyvinski 2018). Nos interesan tres preguntas generales que pueden contribuir al debate popular actual y que describen los hechos empíricos estilizados que podrían ser útiles para desarrollar modelos teóricos:
¿Se comportan las criptomonedas de manera similar a otras clases de activos principales? Más concretamente, ¿los mismos factores que determinan la rentabilidad de otras clases de activos también determinan la rentabilidad de las criptomonedas? ¿Qué factores pueden predecir el comportamiento de la rentabilidad de las criptomonedas? ¿La rentabilidad de qué sectores está expuesta a la rentabilidad de las criptomonedas?
Constatamos que la rentabilidad de las criptomonedas no se mueve en paralelo con la de las clases de activos tradicionales. Sin embargo, algunos factores específicos de las criptomonedas —el impulso y la atención de los inversores— predicen con fuerza el rendimiento de las criptomonedas. Por último, creamos un índice de exposición a las criptomonedas de 354 sectores en EE. UU. y de 137 sectores en China.
Propiedades básicas
Nos centramos en tres criptomonedas populares: Bitcoin, Ripple y Ethereum. Durante los periodos que analizamos, estas tres criptomonedas presentan una rentabilidad media elevada y una alta volatilidad. Por ejemplo, la media y la desviación típica de las rentabilidades mensuales históricas de Bitcoin son del 21,60 % y del 69,46 %, respectivamente, cifras que son un orden de magnitud superiores a las de los activos tradicionales. Sin embargo, aunque los ratios de Sharpe de las criptomonedas son más altos que los de las clases de activos tradicionales, la diferencia no es drástica. Si solo se consideran los ratios de Sharpe, las criptomonedas parecen similares a las clases de activos tradicionales.
Acciones, divisas y materias primas metálicas preciosas
Comparamos las criptomonedas con clases de activos tradicionales como las acciones, las divisas y las materias primas metálicas preciosas. Constatamos que las criptomonedas no tienen exposición a los factores de riesgo del mercado bursátil. Por ejemplo, no se mueven en paralelo con los cinco factores de Fama-French (Fama y French 2016). Utilizando un conjunto de 155 factores documentados en la literatura financiera (Feng et al. 2017, Chen y Velikov 2017), constatamos que solo cuatro de los 155 factores son significativos, pero estos cuatro factores no forman ningún patrón discernible.
Dos narrativas populares sobre las funciones de las criptomonedas son que pueden servir como medio de intercambio (como hacen las monedas tradicionales) o como reserva de valor (como hacen las materias primas metálicas preciosas). Analizamos si los mercados perciben las criptomonedas de forma similar a las divisas o a las materias primas metálicas preciosas y constatamos que, en contraste con estas dos narrativas populares, la rentabilidad de las criptomonedas tiene poca exposición a la rentabilidad de las divisas o de las materias primas metálicas preciosas.
Factores específicos de las criptomonedas
Aunque constatamos que las criptomonedas no se comportan como los activos tradicionales, su rentabilidad puede seguir siendo predicha por varios factores específicos de las criptomonedas. Los dos predictores más sólidos de la rentabilidad de las criptomonedas que surgieron son el impulso de series temporales y la atención de los inversores.
El impulso es el fenómeno por el que, cuando un activo aumenta de valor, tiende a subir aún más. Esta es una característica de muchas clases de activos conocidas, y constatamos que está muy presente en las criptomonedas. Por ejemplo, en el caso de las rentabilidades semanales de Bitcoin, un aumento de una desviación típica en la rentabilidad de la semana actual se asocia con un aumento del 3,16 % en la rentabilidad a un horizonte de una semana.
También constatamos que, cuando la atención de los inversores específica de las criptomonedas es anormalmente alta, la rentabilidad de las criptomonedas tiende a aumentar. Utilizamos las búsquedas en Google y las publicaciones en Twitter como indicadores aproximados de la atención de los inversores y constatamos que, en el caso de Bitcoin, por ejemplo, un aumento de una desviación típica en las búsquedas en Google de la semana actual provoca un aumento del 1,84 % en la rentabilidad de la semana siguiente.
Al mismo tiempo, muchos otros posibles factores específicos de las criptomonedas que se mencionan habitualmente en el discurso popular no afectan a los precios de las criptomonedas. Se trata de los costes de la minería, del indicador específico de las criptomonedas del precio-«dividendo» y del ratio de volatilidad realizada específico de las criptomonedas.
Exposiciones sectoriales
Los medios de comunicación y los inversores han especulado con que las criptomonedas podrían afectar potencialmente a todo tipo de sectores. Tomamos 354 sectores en EE. UU. y 137 sectores en China e investigamos si la rentabilidad de las acciones de estos sectores se mueve en paralelo con las criptomonedas. Constatamos que los sectores de la atención sanitaria y de bienes de consumo se mueven de forma significativa y positiva en paralelo con la rentabilidad de Bitcoin, mientras que los sectores financiero, minorista y mayorista no. Al mismo tiempo, hay indicios de que la rentabilidad de Ethereum se mueve de forma significativa y negativa en paralelo con el sector financiero.
Referencias
Abadi, J y M Brunnermeier (2018), «Blockchain economics», Princeton University, mimeo.
Chen, A y M Velikov (2017), «Accounting for the anomaly zoo: A trading cost perspective», documento de trabajo.
Cong, L W y Z He (2018), «Blockchain disruption and smart contracts», NBER Working Paper 24399.
Cong, L W, Z He y J Li (2018), «Decentralized mining in centralized pools», documento de trabajo.
Fama, E F y K R French (2016), «Dissecting anomalies with a five-factor model», Review of Financial Studies 29(1): 69–103.
Feng, G, S Giglio y D Xiu (2017), «Taming the factor zoo», documento de trabajo.
Liu, Y y A Tsyvinski (2018), «Risks and returns of cryptocurrency», NBER Working Paper 24877.
Schilling, L y H Uhlig (2018), «Some simple bitcoin economics», NBER Working Paper 24483.
Sockin, M y W Xiong (2018), «A model of cryptocurrencies», documento de trabajo.
