Initial Coin Offerings. Eine empirische Analyse der Erfolgsdeterminanten von ICOs mit einem Exkurs zu Verteilungseigenschaften von ICOs


Exposé Écrit pour un Séminaire / Cours, 2020

18 Pages, Note: 1,0


Extrait


Inhaltsverzeichnis

Abkürzungsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

1. Einleitung

2. Literatur

3. Hypothesen

4. Daten und Methodik

5. Ergebnisse

6. Diskussion

7. Zusammenfassung

8. Anhang
8.1 Exkurs: Renditeverteilungseigenschaften von Kryptowährungen

9. Literaturverzeichnis

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

Abbildungsverzeichnis

Abbildung 1: Anzahl der Presale-Durchführungen pro ICO (Hypothese 1)

Abbildung 2: Anzahl der Code-Verfügbarkeit pro ICO (Hypothese 2)

Abbildung 3: Anzahl der Social-Media-Kanäle pro ICO (Hypothese 8)

Abbildung 4: Anzahl der Nutzung des Utility-Token pro ICO (Hypothese 10)

Abbildung 5: Anzahl der ICOs im Monatsverlauf (Hypothese 9)

Abbildung 6: Bildungsabschluss pro CEO eines ICOs (Hypothese 12)

Abbildung 7: Nennung der untersuchten ICOs

Abbildung 8: Anzahl der ICOs im Jahresverlauf

Die gesamten Abbildungen befinden sich im Anhang 8.2.

Tabellenverzeichnis

Tabelle 1: Deskriptive Statistiken zu den Hypothesen 3, 4, 5, 6, 7, 11

Tabelle 2: Replikation der Tabelle 2 von Varmaz, A. und Abée 2018

Tabelle 3: Replikation der Tabelle 3 von Varmaz, A. und Abée 2018

Die gesamten Tabellen befinden sich im Anhang 8.3.

Abstract: Diese Arbeit analysiert anhand einer eigens entwickelten Datenbank die Erfolgsdeterminanten von ICOs. Die Datenbank beinhaltet 50 ICOs und 63 Merkmale. Bei der Analyse konnten folgende 11 Erfolgsdeterminanten festgestellt werden: Presale-Durchführung, Code-Verfügbarkeit sowie die erhöhte Anzahl der Whitepaper-Seiten, Tokens, Teammitgliedern, Advisor und erhöhter ETH-Wert, Social-Media-Nutzung, positive Anlegerstimmung, positive Analystenratings und der Master-Abschluss. Die bisherige Literatur wird mit dieser Analyse bestätigt, wobei die vorgefundene ICO-Literatur gegensätzliche Auffassungen der Erfolgsdeterminanten Presale-Durchführung und Master-Abschluss analysiert hatte.

1. Einleitung

Initial Coin Offerings (ICOs) oder Token Verkäufe sind smart contracts, die auf der DistributedLedger-Technologie basieren (z.B. Blockchain), um externe Finanzierung durch die Ausgabe von Coins oder Tokens zu erhöhen. Smart contracts sind Computerprotokolle, die eine Wertaustauschtransaktion zwischen dem Unternehmer und dem Investor automatisieren, sodass eine Disintermediation geschaffen wird (Hahn und Wons 2018, S. 240). 5.600 ICOs haben bis zum Jahr 2019 27 Milliarden USD für ihre Projekte einsammeln können (ICObench 2019). Zum Vergleich, die Crowdfunding-Industrie soll diesen Wert erst 2025 erreichen (Valuates Reports 2018). ICOs sind eine Kombination aus Crowdfunding-Kampagnen, Initial Public Offerings und Krypto-Technologie (Varmaz, A. und Varmaz, N. 2018, S. 130). Dadurch sind ICOs besonders für Projekte in der Early-Stage-Phase attraktiv (Hahn und Wons 2018, S. 238).

Auf der einen Seite untersucht die Literatur mit Hilfe von empirischen Analysen die Determinanten eines erfolgreichen ICOs (Adhami, Giudici und Martinazzi 2017; Amsden und Schweizer 2018; Momtaz 2018; Panin, Kemell und Hara 2019). Auf der anderen Seite entwickelt die Literatur Modelle und Theorien für den ICO-Markt (Li, J. und Mann 2018; Catalini und Gans 2019). Des Weiteren wird die rechtliche Ebene der ICOs in der Literatur analysiert (Varmaz, A. und Varmaz, N. 2018; Hahn und Wons 2018; Rohr und Wright 2018).

Jedoch sind die Untersuchungen der Determinanten eines erfolgreichen ICOs nicht eindeutig. Sodass keine einheitlichen Aussagen über die Erfolgsursachen eines ICOs getätigt werden können. Dadurch ist die Aufgabe dieses Elaborats weitere Erfolgsdeterminanten zu identifizieren bzw. bestätigte Erfolgsdeterminanten zu analysieren. Trotzdem wird nur eine deskriptive Darstellung der Ergebnisse durchgeführt. Darüber hinaus wird keine Analyse der rechtlichen Ebene von ICOs vorgenommen. Das Ziel dieser Arbeit ist Erklärungsansätze für die Erfolgsdeterminanten von ICOs darzubieten. Sodass die Merkmale des ICO-Marktes charakterisiert werden können. Im ersten Abschnitt der Arbeit soll die Literatur der ICOs erläutert werden. Anschließend werden die Hypothesen auf Basis der Literatur gebildet. Darauffolgend wird die Methodik des Elaborats vorgestellt. Im gleichen Abschnitt werden zusätzlich die Identifizierung und Reproduktion der Daten dargelegt. Im vierten Abschnitt werden die schlussfolgernden Ergebnisse deskriptiv dargestellt. Im nächsten Abschnitt folgt die Diskussion unter dem Bezug, der zur erkennenden Erklärungsansätze für die Erfolgsdeterminanten. Als letztes wird Zusammenfassung der Arbeit durchgeführt.

2. Literatur

Nachfolgend wird ein kurzer Überblick über die empirische ICO-Literatur dargestellt. Durch das junge Bestehen der ICOs ist die wissenschaftliche Literatur in diesem Bereich nicht sehr ausgeprägt. Der erste ICO wurde 2013 durchgeführt und erhielt von seinen Investoren ca. 680.000 USD. Nennenswert waren die ICOs erst ab dem Jahre 2016 (Varmaz, A. und Varmaz, N. 2018, S. 131). Der Höhepunkt der ICOs wurde in den Jahren 2017 und 2018 erreicht (Li, J. und Mann 2018, S. 20). Dadurch ist die mehrheitliche Veröffentlichung der ICO-Literatur ab bzw. in dem Jahre 2018 nachzuvollziehen.

Grundlegend versucht die empirische ICO-Literatur die Erfolgsdeterminanten von ICOs herauszufinden. Nach Adhami, Giudici und Martinazzi sind der Token-Service (wenn der Token/Coin für den Zugriff auf oder die Bezahlung von Diensten verwendet werden kann), die Code-Verfügbarkeit und die Presale-Durchführung drei stark signifikante Faktoren für einen erfolgreichen ICO (Adhami, Giudici und Martinazzi 2017, S. 36). Dagegen können Amsden und Schweizer die erhöhte Anzahl an Whitepaper-Seiten, Tokens, Team-Mitgliedern, Advisor, Kontakten des CEOs bei LinkedIn (<500), sowie die Verfügbarkeit auf Telegram, keine Presale-Durchführung und einen höheren ETH-Wert bei dem Start des ICOs als stark signifikante Faktoren für einen erfolgreichen ICO (Gesamtbetrag der Einsammlung) darstellen (Amsden und Schweizer 2018, S. 60-61). Darüber hinaus analysiert die ICO-Literatur spezielle ICO-Determinanten. Durch verstärkte Loyalität des eigenen CEOs können Projekte z.B. höhere Erlöse erzielen (Momtaz 2020b, S. 1). Des Weiteren wird ein ICO Underpricing in den ersten 30 Tagen festgestellt. Damit einhergehend wurde ein positiver Zusammenhang mit der erhöhten Anzahl an Twitter-Followern und gesteigerter Twitter-Intensität festgestellt (Benedetti und Kostovetsky 2018, S. 35-36). Außerdem besitzen größere ICOs eine schlechtere Long-RunPerformance (Momtaz 2019, S. 1). Dagegen ist eine negative Anlegerstimmung mit zukünftigen kurzfristigen negativen Renditen gleichzusetzen. Deswegen suchen Projekte „günstige Zeiträume“ für ihren ICO (Drobetz, Momtaz und Schröder 2019, S. 41). Zudem helfen Utility-Tokens dem Emittenten ein höheres Level an zukünftiger Beschäftigung zu erreichen (Howell, Niessner und Yermack 2019, S. 35-36). Darüber hinaus wird eine erfolgreiche Mittelbeschaffung positiv mit der Offenlegung, dem Informationsumfeld und dem Hype der Projekte festgestellt (Bourveau et al. 2018, S. 1). Dazu wurde ein positiver Zusammenhang zwischen der Veröffentlichung von übertriebenen Informationen im Whitepaper und größerer Mittelbeschaffung in kürzerer Zeit gefunden (Momtaz 2020a, S. 1). Außerdem werden Analystenratings in eine positive Relation mit Token Verkäufe gesetzt (Lee, Li, T. und Shin 2018, S. 1). Zudem können Investoren-Entscheidungen Einfluss auf den Erfolg eines Projektes ausüben (Boreiko und Risteski 2020, S. 11-16). Dagegen finden Boreiko und Vidusso einen positiven Zusammenhang zwischen extensiver Berichterstattung auf einer ICOPlattform und Token Verkäufen (Boreiko und Vidusso 2019, S. 67). Ebenfalls wird eine positive Assoziation zwischen Frequenz und Standort der ICOs ermittelt (Huang, Meoli und Vismara 2019, S. 18).

Sowohl in den zwei grundlegenden Untersuchungen als auch in den spezielleren empirischen Analysen ist keine eindeutige bzw. sogar gegensätzliche Argumentation nachzuvollziehen.

Zudem werden unterschiedliche Maßeinheiten für „einen erfolgreichen ICO“ benutzt. Z.B. benutzen Adhami, Giudici und Martinazzi den Erfolg oder Misserfolg der ICO-Kampagne als Maßeinheit. Dagegen ist die Erfolgs-Maßeinheit bei Amsden und Schweizer der eingesammelte Gesamtbetrag des ICOs. Nichtsdestotrotz sollen anhand der eigens zusammengestellten Datenbank einige der erläuterten Determinanten analysiert werden.

3. Hypothesen

Aus dem vorherigen Abschnitt sollen die Hypothesen für diese Arbeit erstellt werden. Aufgrund der Datenlage und der Methodik, die im nächsten Abschnitt näher erläutert werden, werden allerdings nicht alle genannten Determinanten untersucht. Sodass eine Spezialisierung auf die, in dem Ermessen des Autors, wichtigsten Determinanten erfolgt. Zudem wird ein ICO als erfolgreich angesehen, wenn dieser das eigens definierte Soft-Cap (bzw. minimalstes Investment zur Fortführung des Projektes) erreicht hat.

Abbildung in dieser Leseprobe nicht enthalten

4. Daten und Methodik

Im folgenden Abschnitt soll die Erstellung der Datenbank und die Methodik dieses Elaborats erläutert werden. Die Methodik dieser Arbeit ist eine Assoziationsstudie und soll durch die Analyse der Zeitreihen Zusammenhänge zwischen dem Erfolg eines ICOs und unterschiedlichen Merkmalen eines ICOs darstellen. Jedoch werden die Ergebnisse nur deskriptiv dargestellt.

Die Datenbank hat eine Größe von 50 durchgeführten ICOs und 63 Merkmalen zu den jeweiligen ICOs. Die ICOs wurden zufällig nach eigenem Ermessen ausgewählt. Zudem werden die ICOs im Anhang 8.2 (Abbildung 7) aufgelistet. In der nächsten Abbildung wird die Anzahl der ICOs nach ihrem Start im Zeitverlauf dargestellt.

Abbildung 8: Anzahl der ICOs im Jahresverlauf

Abbildung in dieser Leseprobe nicht enthalten

Quelle: eigene Darstellung

Dies deckt sich sowohl mit den bereits genannten Literaturaussagen als auch mit der mehrheitlichen Veröffentlichung von wissenschaftlicher ICO-Literatur in bzw. nach dem Jahre 2018. Die 63 Merkmale der ICOs werden in einem beigefügten Dokument dargestellt und erläutert. Die Daten für die 63 Merkmale des jeweiligen ICOs wurden über die ProjektWebseite, das ICO-Whitepaper und über die Webseiten https://icorating.com/ico/all/, https://www.icodata.io/ICO, https://www.cryptocompare.com/ico/#/completed und https://icobench.com/ im Zeitraum 04.05.2020 bis 09.05.2020 identifiziert. Die Priorität der Daten von den genannten Plattformen ist gleichzusetzen mit der vorhergetätigten Auflistung. Sodass z.B. die Daten der Projekt-Webseite den Daten der anderen Plattformen vorgezogen werden (usw.). Wobei keine unterschiedliche Priorität zwischen den Webseiten festgelegt wurde. Falls eine unterschiedliche Priorität notwendig war, wurde die Webseite mit der höheren Anzahl an ausgebenden ICO-Merkmalen mit gesteigerter Priorität versehen. Felder von Merkmalen bleiben leer (=NaN), wenn keine eindeutige Aussage über das Merkmal des ICOs identifiziert werden kann.

Aufgrund der durchgeführten Datenidentifizierung und Methodik dieser Arbeit sind von vorneherein Einschränkungen zuerkennen. Nichtsdestotrotz ist die Zielsetzung dieser Arbeit eine grundlegende Sichtung von Erfolgsdeterminanten der ICOs durchzuführen und Erklärungsansätze der gesichteten Zusammenhänge darzulegen. Dies ist sowohl mit den Daten und der Methodik als auch einer deskriptiven Darstellung der Ergebnisse möglich. Die Ergebnisse werden im folgenden Abschnitt dargestellt.

5. Ergebnisse

In diesem Abschnitt sollen die Resultate der ausgewerteten Datenbank vorgestellt werden. Dabei sollen die im Abschnitt 3 aufgestellten Hypothesen beantwortet werden. Anzumerken ist die erhöhte nicht Identifizierung von ICO-Merkmalen, die mit NaN gewertet wurden. Dadurch ist eine Signifikanz-Analyse nicht aussagekräftig, sodass eine deskriptive Darstellung und deskriptive Statistikauswertung durchgeführt wurden. Die Anzahl der untersuchten ICOs in der Datenbank ist 50 und die Anzahl der erfolgreichen ICOs aus der untersuchten Datenbank beträgt 6.

Eine Bestätigung durch die deskriptive Darstellung der Auswertungen wird bei den Hypothesen 1 (Abbildung 1), 2 (Abbildung 2), 3, 4, 5, 6, 7 (Tabelle 1), 8 (Abbildung 3), 9 (Abbildung 5), 11 (Tabelle 1), 12 (Abbildung 6) angenommen. Wobei ein positiver Einfluss der einzelnen Nutzung von Social-Media-Plattformen auf den Erfolg nicht unbedingt sichtbar ist (z.B. Bitcointalk). Jedoch kann die Hypothese 8 durch ihre Generalisierung in dieser Datenbank bestätigt werden. Außerdem wird die Hypothese 4 bestätigt, ohne die Einbeziehung des Mittelwertes, da ein fehlgeschlagener ICO mit hoher Anzahl an angebotenen Tokens den Mittelwert manipuliert. Außerdem wird die Argumentation unterstützt von der Statistik „Totale Anzahl an Tokens“. Aufgrund der geringen Anzahl zur Nutzung von Advisorteams an der Gesamtstichprobe wird die Hypothese 6 trotz des geringen Unterschieds zwischen Kontroll- und Merkmalsgruppe bestätigt. Zudem gibt es einen mittelstarken Unterschied im Median zwischen der Kontroll- und Merkmalsgruppe. Die Hypothese 7 wird aufgrund der starken Unterscheidung des Median-Wertes bestätigt. Der Median-Wert der Merkmalsgruppe ist fast doppelt so hoch wie der Median-Wert der Kontrollgruppe. Zudem wird diese Argumentation durch die Statistik des Token-Preises in USD gestützt. Dagegen kann die Hypothese 10 (Abbildung 4), aufgrund der ausschließlichen Nutzung des Utility-Tokens, nicht bestätigt werden (bei 16 Projekten keine Angabe). Darüber hinaus befinden sich im Anhang 8.2 und 8.3 zu jeder Hypothese eine deskriptive Statistik oder Abbildung.

6. Diskussion

In der nachfolgenden Diskussion sollen Erklärungsansätze für einzelne Erfolgsdeterminanten geliefert werden. Darüber hinaus soll verstärkt auf die Determinanten eingegangen werden, die nicht bestätigt werden konnten oder neue Erweiterungen für die ICO-Literatur bieten.

Nichtsdestotrotz soll auch die starke Übereinstimmung mit der ICO-Literatur erläutert werden.

Die erste getestete und bestätigte Hypothese ist die Presale-Durchführung. Obwohl Amsden und Schweizer ein gegensätzliches Analyse-Ergebnis, zu Adhami, Giudici und Martinazzi erzielt haben. Adhami, Giudici und Martinazzi konnten auch einen positiven Einfluss des Presale-ICO auf den Erfolg des ICOs ermitteln. Dies kann zum einen mit der unterschiedlichen Definition des ICO-Erfolgs zusammenhängen. Amsden und Schweizer definieren den Erfolg des ICOs über den eingesammelten Gesamtbetrag eines Projektes. Wobei gerade PresaleDurchführungen wichtig für den späteren Erfolg sind. Durch Presales sind die ICOs attraktiver für anspruchsvolle Anleger, wie Hedgefonds oder Risikokapitalfonds. Dadurch wird der ICO noch attraktiver und sendet ein positives Signal an den Markt. Jedoch werden diese PresaleDurchführungen mit hohen Token-Boni erkauft, sodass die anspruchsvollen Anleger durch gezieltes sehr kurzfristiges Investment Renditen zum Nachteil des Unternehmers erwirtschaften. Da diese Anleger kein Interesse an einem langfristigen Investment haben verfällt der ICO einem kurzfristigen Hype. Des Weiteren spielt in einem sehr stark Informationasymmetrischen Markt die Transparenz eine große Rolle (Varmaz, A. und Varmaz, N. 2018, S. 147). Deswegen ist ein positiver Einfluss der Code- und Social-Media-Verfügbarkeit sowie der erhöhten Anzahl an Whitepaper-Seiten und guten Analystenratings auf den Erfolg eines ICOs verständlich. Die Notwendigkeit nach Transparenz ist auch in der benachbarten CrowdfundingIndustrie zu beobachten. Erfolgreiche Crowdfunding-Kampagnen liefern den Investoren zwar zu 75 % ihre Produkte zu einem späteren Zeitpunkt. Allerdings werden erfolgreiche Crowdfunding-Projekte in dieser Zeit qualitativ hochwertig und transparent gemanagt (Mollick 2014, S. 1). Des Weiteren hat Kickstarter, die führende Crowdfunding-Plattform, hohe Anforderungen für Projektstarter. Bei Kickstarter ist ein Video zum Projekt und eine stetige Kommunikation mit den Unterstützern Pflicht. Sodass auch hier eine fast 40 prozentige Erfolgsquote bei Projekten nachvollziehbar auf einem undurchsichtigen Markt ist. Zudem verlagern nicht umsonst viele Business-Angels und Venture-Capital-Unternehmen ihren Investmentbereich auf die Expansion-Stage-Phase. Also besitzt der Markt der ICOs eine starke Informationsasymmetrie. Ein weiteres Argument hierfür ist die Unerfahrenheit der Investoren über den jungen ICO-Markt. Zwar haben ca. 80 % bereits Investmenttätigkeiten durchgeführt und genießen eine hohe Bildung, doch genau dieses Phänomen zeigt die starke Unsicherheit in diesem Markt. In diesem Markt sind eher erfahrene Investoren und trotzdem besitzt der Markt noch viele Unsicherheiten (Fisch et al. 2018, S. 11). Diese Unsicherheiten versuchen die Projekte auch durch eine hohe Anzahl an Teammitgliedern und Advisorpersonen zu negieren. Die zugehörigen Hypothesen 5 und 6 konnten im vorherigen Abschnitt bestätigt werden. Zudem konnte diese Arbeit der ICO-Literatur eine Erweiterung an Erfolgsdeterminanten darlegen. Die Hypothese 12 hat den positiven Einfluss eines CEO-Masterstudiums auf den Erfolg eines ICOs bestätigt. Die Bestätigung der Hypothese 12 ist ein weiteres Indiz für die starke Unsicherheit in dem Markt. Da Marktteilnehmer, in einem stark verunsicherten Markt, ihre Investitionsentscheidung auf sicheren Informationen aufbauen. Interessant wäre es zusehen, ob diese Investitionsentscheidung bewusst oder unterbewusst von Investoren getätigt wurde. Sodass die Frage aufgeworfen wird, ob in der starken ICO-Markt-Unsicherheit Investitionsentscheidungen auf Basis von eher einfachen Marktinformationen realisiert werden, um somit die Gleichheit zum Aktienhandel aufzubauen. Ein Vergleich der beiden Märkte in Form von Renditeverteilungseigenschaften wird im Exkurs durchgeführt, der im Anhang 8.1 platziert ist. Eine weitere Bestätigung meiner Ergebnisse ist die Arbeit von Panin, Kemell und Hara, die 8 erfolgreiche ICO-Unternehmen interviewen. Panin, Kemell und Hara identifizieren 5 Erfolgsfaktoren für ICOs: „(1) inspiring idea that will sell, (2) efficient building of a community of supporters, (3) effective marketing, (4) professional team und (5) clarity of problem and solution“. Sowohl effektives Marketing als auch professionelles Team werden mit den Hypothesen 5,6 und 8 in dieser Arbeit bestätigt. Zudem wird ebenfalls die Transparenz mit den Erfolgsfaktoren 2 und 5 angesprochen. Diese beiden Erfolgsfaktoren werden beeinflusst durch die Erfolgsdeterminanten Presale-Durchführung, Code-Verfügbarkeit, hohe Anzahl an Whitepaper-Seiten und Analystenratings (Hypothesen 1, 2, 3, 11). Außerdem wurden alle 8 interviewten ICOs im Jahre 2017 und 2018 durchgeführt, sodass diese ICOs in den HöhepunktJahren des ICO-Bereiches stattfanden. Dies ist gleichzusetzen mit der Bestätigung der Hypothese 91 (Panin, Kemell und Hara 2019, S. 243-247). Sodass diese Arbeit grundlegend die Erfolgsdeterminanten der ICO-Literatur und die eigene Wahrnehmung von erfolgreichen ICOs bestätigt.

7. Zusammenfassung

Diese Arbeit analysiert anhand einer eigens entwickelten Datenbank die Erfolgsdeterminanten von ICOs. Die Datenbank beinhaltet 50 ICOs und 63 Merkmale. Bei der Analyse konnten folgende 11 Erfolgsdeterminanten festgestellt werden: Presale-Durchführung, CodeVerfügbarkeit sowie die erhöhte Anzahl der Whitepaper-Seiten, Tokens, Teammitgliedern, Advisor und erhöhter ETH-Wert, Social-Media-Nutzung, positive Anlegerstimmung, positive Analystenratings und der Master-Abschluss. Die bisherige Literatur wird mit dieser Analyse bestätigt, wobei die vorgefundene ICO-Literatur gegensätzliche Auffassungen der Erfolgsdeterminanten Presale-Durchführung und Master-Abschluss analysiert hatte.

Einschränkungen dieser Arbeit sind Aufbereitung der Daten und daraus folgende deskriptive Analyse. Dadurch darf keine einfache Generalisierung der Ergebnisse erfolgen. Z.B. wird die Utility-Token-Art grundsätzlich bei ICOs nach meiner Analyse und der Auffassung der Literatur verwendet. Diese Token-Art könnte eine Voraussetzung sein, kann jedoch aufgrund der schlechten Unterscheidbarkeit nicht in Bezug auf den Erfolg geprüft werden. Die Stärken der Analyse sind ihre einfache Durchführbarkeit und Einsicht der Ergebnisse. Die zukünftige ICO-Forschung sollte die Erfolgsdeterminanten für ICOs auch unter den genannten Einschränkungen (z.B. Utility-Token) bestimmen. Zudem sollte untersucht werden, ob einfache Heuristiken die Ursache für die Investitionsentscheidung auf Basis einfacher Informationen sind.

8. Anhang

8.1 Exkurs: Renditeverteilungseigenschaften von Kryptowährungen

8.1.1 Einleitung

In diesem Exkurs sollen Renditeverteilungseigenschaften von Krypto-Märkten mit denen von Aktien-Märkten verglichen werden. Die Frage ist, ob die Erkenntnisse der traditionellen Kapitalmarkttheorie auch auf den neu entstandenen und jungen Krypto-Markt anwendbar sind. Die Verteilungseigenschaften von Renditen besitzen eine wichtige Rolle in der Finanzforschung als auch in der Finanzwirtschaft. Sofern die Renditen in einem Jahr normalverteilt sind, werden die einzelnen Tages-Renditen einen größeren Unterschied zur Jahres-Rendite aufweisen. Währenddessen werden Renditen die t-verteilt oder extremverteilt sind, eher durch stark einzelne schwankende Renditen erklärt. Auf Basis des zentralen Grenzwertsatzes unterstützen Bachelier und Osborne die Annahme der Normalität (Bachelier 1900; Osborne 1959). Empirisch werden die Aussagen von Kendall und Moore unterstützt (Kendall und Hill 1953; Moore 1962). Mandelbrot und Zarnfaller waren 1959 die ersten Wissenschaftler, die alternative Verteilungen für Renditen vorstellten und die Normalverteilung der Renditen anzweifelten (Mandelbrot und Zarnfaller 1959). Außerdem haben in den 1960er Jahren weitere Elaborate die Annahme der normalverteilten Renditen widerlegt (Fama 1963, 1965; Mandelbrot 1963, 1967). Mittnik und Rachev waren der Auffassung, dass die stabile Pareto-Verteilung, die Extremwertverteilung und die t-Verteilung die Renditen besser darstellen als die Normalverteilung (Mittnik und Rachev 1993). Dabei ist die t-Verteilung bei einer stabilen Marktlage und die stabile Pareto-Verteilung, die Extremwertverteilung bei unsicherer Marktlage ein guter Indikator für die Verteilung von Renditen. Die Analyse der Verteilungseigenschaften von Krypto-Märkten ist in der Literatur beschränkt. Das Elaborat von Varmaz, A. und Abée untersucht als eine der wenigen Arbeiten die Verteilungseigenschaften zwischen dem Aktien-Markt und dem Krypto-Markt. Die beiden Wissenschaftler verifizieren mit ihrer empirischen Analyse die Annahme der wesentlichen Gleichheit zwischen den Renditeeigenschaften der Aktien-Märkte und Krypto-Märkte. Diese Arbeit soll als Erweiterung zu der Arbeit von Varmaz, A. und Abée dienen. Indem eine empirische Analyse anhand von 5 Kryptowährungen den Vergleich der Verteilungen von Varmaz, A. und Abée deskriptiv repliziert (Varmaz, A. und Abée 2018). Im nachfolgenden Abschnitt sollen die Daten der Arbeit kurz erläutert werden.

[...]


1 Panin, Kemell und Hara benennen den ETH-Price-Crash als Negativ-Faktor.

Fin de l'extrait de 18 pages

Résumé des informations

Titre
Initial Coin Offerings. Eine empirische Analyse der Erfolgsdeterminanten von ICOs mit einem Exkurs zu Verteilungseigenschaften von ICOs
Université
University of Bremen
Note
1,0
Auteur
Année
2020
Pages
18
N° de catalogue
V1135111
ISBN (ebook)
9783346507419
ISBN (Livre)
9783346507426
Langue
allemand
Mots clés
initial, coin, offerings, eine, analyse, erfolgsdeterminanten, icos, exkurs, verteilungseigenschaften
Citation du texte
Philipp Wierzchowski (Auteur), 2020, Initial Coin Offerings. Eine empirische Analyse der Erfolgsdeterminanten von ICOs mit einem Exkurs zu Verteilungseigenschaften von ICOs, Munich, GRIN Verlag, https://www.grin.com/document/1135111

Commentaires

  • Pas encore de commentaires.
Lire l'ebook
Titre: Initial Coin Offerings. Eine empirische Analyse der Erfolgsdeterminanten von ICOs mit einem Exkurs zu Verteilungseigenschaften von ICOs



Télécharger textes

Votre devoir / mémoire:

- Publication en tant qu'eBook et livre
- Honoraires élevés sur les ventes
- Pour vous complètement gratuit - avec ISBN
- Cela dure que 5 minutes
- Chaque œuvre trouve des lecteurs

Devenir un auteur