Методи аналізу впливу віртуальних активів на агрегати грошової маси

Сергій Миколайович Защипас

doi:10.26642/pbo-2025-3(62)-18-35

Автор(и)

Сергій Миколайович Защипас Державний університет «Житомирська політехніка», Україна https://orcid.org/0000-0003-4285-9545

DOI:

https://doi.org/10.26642/pbo-2025-3(62)-18-35

Ключові слова:

віртуальні активи, криптоактиви, стейблкоїни, монетарна трансмісія, канал віртуальних фінансових сервісів, VAR, BVAR, TVP-VAR, тест Грейнджера, валютний ринок, грошова маса, M2, імпульсні відгуки, динамічна зв’язність

Анотація

У статті досліджується вплив ринку віртуальних активів (VA) на монетарне середовище України з позицій перегляду традиційних підходів до вимірювання грошової маси та функціонування монетарного трансмісійного механізму. На основі даних за період 2016–2025 рр. сформовано узгоджену базу часових рядів для трьох сегментів ринку VA (біткоїн, сукупний ринок криптоактивів, стейблкоїни) та ключових індикаторів монетарного сектору України (агрегат M2, офіційний курс гривні до долара США, обсяги валютних операцій банків). Операційне визначення змінних враховує різну частоту даних, сезонні ефекти та структурні злами, пов’язані з пандемією COVID-19 і повномасштабною війною. Методичний інструментарій ґрунтується на поєднанні VAR, BVAR та TVP-VAR моделей із тестами причинності за Грейнджером, а також на використанні функцій імпульсних відгуків та узагальненої декомпозиції дисперсії прогнозної помилки. Запропоновано модифікацію підходу Ленци – Прімічері до масштабування волатильності шоків, яка дозволяє коректно врахувати епізоди різких макроекономічних коливань у тижневих та місячних рядах. Результати показують, що віртуальні активи статистично значуще впливають передусім на валютний сегмент монетарного середовища: індикатори біткоїна та стейблкоїнів виявляють стійкі причинно-наслідкові зв’язки з офіційним курсом та обсягами операцій на валютному ринку, тоді як прямий вплив на агрегат M2 є слабким і нестійким. Це підтверджує часткову валідність гіпотези про канал віртуальних фінансових сервісів: VA не формують окремий автономний монетарний канал, а модифікують та підсилюють класичний валютний канал передачі монетарних імпульсів, що потребує їх урахування в системі моніторингу фінансової стабільності та сценаріях стрес-тестування.

Посилання

Domrachev, V.M. and Tretynyk, V.V. (2019), «Zastosuvannia vektornoi avtorehresii dlia modeliuvannia dynamiky makroekonomichnykh pokaznykiv rozvytku ekonomiky Ukrainy», Naukovyi Visnyk Uzhhorodskoho Universytetu. Seriia. Matematyka i Informatyka, Issue 1, No. 34, pp.79–85.

Kushnir, L.L. (2025), Ahrehaty hroshovi, [Online], available at: https://vue.gov.ua/Ahrehatyhroshovi

Lukianenko, I. and Horodnichenko, Yu. (2002), Suchasni ekonometrychni metody u finansakh, navchalnyi posibnyk, Litera LTD, Kyiv.

Natsionalnyi bank Ukrainy, ofitsiinyi sait (2025), [Online], available at: https://bank.gov.ua/

Akaike, H. (1974), «A New Look at the Statistical Model Identification», Sel. Pap. Hirotugu Akaike, in Parzen, E., Tanabe, K. and Kitagawa, G. (ed.) Springer New York, рр. 215–222, doi: 10.1007/978-1-4612-1694-0_16.

«Money supply M2» (2025), CEIC Data, [Online], available at: https://www.ceicdata.com/en/indicator/money-supply-m2

Doan, T., Litterman, R.B. and Sims, C.A. (1983), Forecasting and conditional projection using realistic prior distributions, National Bureau of Economic Research, Cambridge, MA, doi: 10.3386/w1202.

Numerical recipes in C: the art of scientific computing (1992), in Press, W.H. (ed.), Cambridge University Press, New York, 994 р.

Fund, I.M. (2008), Monetary and financial statistics, compilation guide, International Monetary Fund, Washington, D.C.

Gelman, A., Carlin, J.B., Stern, H.S. et al. (2013), Bayesian data analysis, CRC Press, Boca Raton, FL.

Messari – crypto data, research, and analysis (2025), [Online], available at: https://messari.io/

Koop, G., Pesaran, M.H. and Potter, S.M. (1996), «Impulse response analysis in nonlinear multivariate models», J. Econom., Vol. 74, Issue 1, рр. 119–147, doi: 10.1016/0304-4076(95)01753-4.

Koop, G. and Korobilis, D. (2009), «Bayesian Multivariate Time Series Methods for Empirical Macroeconomics», SSRN Electron. J., doi: 10.2139/ssrn.1514412.

Lenza, M. and Primiceri, G. (2020), How to Estimate a VAR after March 2020, National Bureau of Economic Research, Cambridge, MA, doi: 10.3386/w27771.

Litterman, R.B. (1986), «Forecasting with Bayesian Vector Autoregressions: Five Years of Experience», J. Bus. Econ. Stat., Vol. 4, Issue 1, 25 р., doi: 10.2307/1391384.

Lütkepohl, H. (2005), New introduction to multiple time series analysis, Springer, Berlin, Heidelberg, New York, 764 р., doi: 10.1007/978-3-540-27752-1.

Metropolis, N. and Ulam, S. (1949), «The monte carlo method», J. Am. Stat. Assoc, Vol. 44, Issue 247, рр. 335–341.

Nizam, A.M. (2023), «How the fiat-backed stablecoins are manipulating US money supply», 2023 SSRN Electron. J., doi: 10.2139/ssrn.4510449.

Primiceri, G.E. (2005), «Time Varying Structural Vector Autoregressions and Monetary Policy», Rev. Econ. Stud, Vol. 72, Issue 3, рр. 821–852.

Shin, Y. and Pesaran, H.H. (1998), «Generalized impulse response analysis in linear multivariate models», Econ. Lett., Vol. 58, Issue 1, рр. 17–29, doi: 10.1016/S0165-1765(97)00214-0.

Siggiridou, E. and Kugiumtzis, D. (2015), Granger Causality in Multi-variate Time Series using a Time Ordered Restricted Vector Autoregressive Model, doi: 10.48550/ARXIV.1511.03463.

«Real-time cryptocurrency market data» (2025), CoinCap, [Online], available at: https://coincap.io/

CoinMarketCap – cryptocurrency prices, charts, and market capitalizations (2025), [Online], available at: https://coinmarketcap.com/

Zashchypas, S. (2025), «Empirical VAR-based analysis of virtual asset shocks transmission into Ukraine’s monetary system», Zenodo, doi: 10.5281/zenodo.17849089.

«Cryptocurrency Prices, Charts, and Crypto Market Cap», [Online], available at: https://www.coingecko.com/

Список використаної літератури:

Домрачев В.М. Застосування векторної авторегресії для моделювання динаміки макроекономічних показників розвитку економіки України / В.М. Домрачев, В.В. Третиник // Науковий Вісник Ужгородського Університету. Серія : Математика і Інформатика. – 2019. – Вип. 1, № 34. – С. 79–85.

Кушнір Л.Л. Агрегати грошові / Л.Л. Кушнір. – 2025 [Електронний ресурс]. – Режим доступу : https://vue.gov.ua/Агрегати_грошові.

Лук’яненко І. Сучасні економетричні методи у фінансах : навчальний посібник / І.Лук’яненко, Ю.Городніченко. – Київ : Літера ЛТД, 2002.

Національний банк України : офіційний сайт. – 2025 [Електронний ресурс]. – Режим доступу : https://bank.gov.ua/.

Akaike H. A New Look at the Statistical Model Identification / H.Akaike // Sel. Pap. Hirotugu Akaike ; E.Parzen, K.Tanabe, G.Kitagawa (ed.). – Springer New York, 1974. – P. 215–222. DOI: 10.1007/978-1-4612-1694-0_16.

Money supply M2 / CEIC. – 2025 [Electronic resource]. – Access mode : https://www.ceicdata.com/en/indicator/money-supply-m2.

Doan T. Forecasting and conditional projection using realistic prior distributions / T.Doan, R.B. Litterman, C.A. Sims. – Cambridge, MA : National Bureau of Economic Research, 1983. DOI: 10.3386/w1202.

Numerical recipes in C: the art of scientific computing / W.H. Press ed. – New York : Cambridge University Press, 1992. – 994 р.

Fund I.M. Monetary and financial statistics : compilation guide / I.M. Fund. – Washington, D.C. : International Monetary Fund, 2008.

Bayesian data analysis / A.Gelman, J.B. Carlin, H.S. Stern and other. – Boca Raton, FL : CRC Press, 2013.

Messari – crypto data, research, and analysis. – 2025 [Electronic resource]. – Access mode : https://messari.io/.

Koop G. Impulse response analysis in nonlinear multivariate models / G.Koop, M.H. Pesaran, S.M. Potter // J. Econom. – 1996. – Vol. 74, Issue 1. – P. 119–147. DOI: 10.1016/0304-4076(95)01753-4.

Koop G. Bayesian Multivariate Time Series Methods for Empirical Macroeconomics / G.Koop, D.Korobilis // SSRN Electron. J. – 2009. DOI: 10.2139/ssrn.1514412.

Lenza M. How to Estimate a VAR after March 2020 / M.Lenza, G.Primiceri. – Cambridge, MA : National Bureau of Economic Research, 2020. DOI: 10.3386/w27771.

Litterman R.B. Forecasting with Bayesian Vector Autoregressions: Five Years of Experience / R.B. Litterman // J. Bus. Econ. Stat. – 1986. – Vol. 4, Issue 1. – 25 р. DOI: 10.2307/1391384.

Lütkepohl H. New introduction to multiple time series analysis / H.Lütkepohl. – Berlin, Heidelberg ; New York : Springer, 2005. – 764 р. DOI: 10.1007/978-3-540-27752-1.

Metropolis N. The monte carlo method / N.Metropolis, S.Ulam // J. Am. Stat. Assoc. – 1949. – Vol. 44, Issue 247. – P. 335–341.

Nizam A.M. How the fiat-backed stablecoins are manipulating US money supply / A.M. Nizam // 2023 SSRN Electron. J. – 2023. DOI: 10.2139/ssrn.4510449.

Primiceri G.E. Time Varying Structural Vector Autoregressions and Monetary Policy / G.E. Primiceri // Rev. Econ. Stud. – 2005. – Vol. 72, Issue 3. – P. 821–852.

Shin Y. Generalized impulse response analysis in linear multivariate models / Y.Shin, H.H. Pesaran // Econ. Lett. – 1998. – Vol. 58, Issue 1. – P. 17–29. DOI: 10.1016/S0165-1765(97)00214-0.

Siggiridou E. Granger Causality in Multi-variate Time Series using a Time Ordered Restricted Vector Autoregressive Model / E.Siggiridou, D.Kugiumtzis. – 2015. DOI: 10.48550/ARXIV.1511.03463.

Real-time cryptocurrency market data / CoinCap. – 2025 [Electronic resource]. – Access mode : https://coincap.io/.

CoinMarketCap – cryptocurrency prices, charts, and market capitalizations. – 2025 [Electronic resource]. – Access mode : https://coinmarketcap.com/.

Zashchypas S. Empirical VAR-based analysis of virtual asset shocks transmission into Ukraine’s monetary system / S.Zashchypas // Zenodo. – 2025. DOI: 10.5281/zenodo.17849089.

Cryptocurrency Prices, Charts, and Crypto Market Cap [Electronic resource]. – Access mode : https://www.coingecko.com/.