Cryptocurrencies and Classic Financial Markets:
A Connectedness Analysis

Koulmas, Pavlos; Κουλμάς, Παύλος

dc.contributor.author	Koulmas, Pavlos
dc.contributor.author	Κουλμάς, Παύλος
dc.date.accessioned	2025-06-13T09:39:05Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62055
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29751
dc.rights	Αναφορά Δημιουργού - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-sa/3.0/gr/	*
dc.subject	market capitalization	en
dc.subject	technology stocks	en
dc.subject	S&P 500	en
dc.subject	cryptocurrencies	en
dc.subject	volatility spillover	en
dc.title	Cryptocurrencies and Classic Financial Markets: A Connectedness Analysis	en
dc.title	Κρυπτονομίσματα και Κλασσικές Χρηματοοικονομικές Αγορές: Μια Ανάλυση Διασύνδεσης	el
heal.type	masterThesis
heal.classification	Econometrics	en
heal.classification	Οικονομετρία	el
heal.dateAvailable	2026-06-12T21:00:00Z
heal.language	en
heal.access	embargo
heal.recordProvider	ntua	el
heal.publicationDate	2024-06-28
heal.abstract	This thesis investigates the interconnectedness between the top ten most valuable companies within the S&P 500 index and the top ten cryptocurrencies by market capitalization. The S&P 500 stocks include Tesla (TSLA), Amazon (AMZN), Google (GOOGL), Microsoft (MSFT), Visa (V), Meta Platforms (META), Eli Lilly and Company (LLY), Oracle (ORCL), NVIDIA (NVDA), and Apple (AAPL). Cryptocurrencies analyzed are Chainlink (LINK-USD), Dogecoin (DOGE-USD), Litecoin (LTC-USD), Ripple (XRP-USD), Tron (TRX-USD), Bitcoin (BTC-USD), Ethereum (ETH-USD), Binance Coin (BNB-USD), Stellar (XLM-USD), and Cardano (ADA-USD). Leveraging the methodology introduced by Diebold and Yilmaz (2012), the Forecast Error Variance Decomposition (FEVD) is employed, which is a robust econometric methodology, to analyze the directional influence of price movements in one asset class on the price fluctuations of the other. This research unveils a significant degree of interconnectedness amongst the analyzed cryptocurrencies. This suggests that price changes within one digital currency can have a substantial impact on the price dynamics of other sampled cryptocurrencies. Furthermore, the findings indicate a directional connectedness between cryptocurrency and equity markets, observed solely during Bear periods. This implies that certain cryptocurrencies influence the price movements of specific equities only when the market experiences a downward trend. Notably, no such connection exists during Bull periods. These results hold valuable implications for various financial stakeholders, including investors, portfolio managers, risk management professionals, and policymakers. By unveiling the complex dynamics of interaction between these asset classes, the study empowers these individuals to formulate more informed and effective investment strategies. Additionally, the acquired knowledge can contribute to the development of robust risk management frameworks that effectively account for the inherent volatility characteristic of both digital currencies and traditional equities.	en
heal.abstract	Η παρούσα διατριβή διερευνά την αλληλεξάρτηση μεταξύ των δέκα κορυφαίων εταιρειών του δείκτη S&P 500 και των δέκα κορυφαίων κρυπτονομισμάτων βάση της κεφαλαιοποίησης της αγοράς. Οι μετοχές του δείκτη S&P 500 που περιλαμβάνονται είναι οι Tesla (TSLA), Amazon (AMZN), Google (GOOGL), Microsoft (MSFT), Visa (V), Meta Platforms (META), Eli Lilly and Company (LLY), Oracle (ORCL), NVIDIA (NVDA) και Apple (AAPL). Τα κρυπτονομίσματα που αναλύονται είναι τα Chainlink (LINK-USD), Dogecoin (DOGE-USD), Litecoin (LTC-USD), Ripple (XRP-USD), Tron (TRX-USD), Bitcoin (BTC-USD), Ethereum (ETH-USD), Binance Coin (BNB USD), Stellar (XLM-USD) και Cardano (ADA-USD). Αξιοποιώντας τη μεθοδολογία που εισήγαγαν οι Diebold και Yilmaz (2012), εφαρμόζεται η Forecast Error Variance Decomposition (FEVD), η οποία αποτελεί μια ισχυρή οικονομετρική μεθοδολογία, για την ανάλυση της κατεύθυνσης της επιρροής των διακυμάνσεων των τιμών μιας κατηγορίας περιουσιακών στοιχείων στις διακυμάνσεις των τιμών της άλλης κατηγορίας. Η έρευνα δείχνει, ότι υπάρχει σε σημαντικό βαθμό αλληλεξάρτησης μεταξύ των αναλυθέντων κρυπτονομισμάτων. Αυτό υποδηλώνει ότι οι μεταβολές των τιμών ενός ψηφιακού νομίσματος μπορούν να έχουν σημαντική επίδραση στη δυναμική των τιμών των άλλων κρυπτονομισμάτων που εξετάστηκαν. Επιπλέον, τα ευρήματα υποδεικνύουν κατευθυνόμενη αλληλεξάρτηση από την αγορά των κρυπτονομισμάτων στην αγορά των μετοχών, η οποία παρατηρείται μόνο κατά τις περιόδους Bear. Αυτό σημαίνει ότι ορισμένα κρυπτονομίσματα επηρεάζουν τις διακυμάνσεις των τιμών συγκεκριμένων μετοχών μόνο όταν η αγορά βρίσκεται σε πτωτική τάση. Αξιοσημείωτο είναι ότι δεν υπάρχει τέτοια σύνδεση κατά τις περιόδους Bull. Τα αποτελέσματα αυτά έχουν σημαντικές εφαρμογές σε διάφορους χρηματοοικονομικούς φορείς, όπως επενδυτές, διαχειριστές χαρτοφυλακίων, επαγγελματίες διαχείρισης κινδύνου και πολιτικούς φορείς. Ερευνώντας τις περίπλοκες δυναμικές αλληλεπίδρασης μεταξύ αυτών των κατηγοριών περιουσιακών στοιχείων, η μελέτη παρέχει τη δυνατότητα σε αυτούς τους φορείς να διαμορφώσουν πιο ενημερωμένες και αποτελεσματικές επενδυτικές στρατηγικές. Τέλος, η αποκτηθείσα γνώση μπορεί να συμβάλει στην ανάπτυξη ισχυρών πλαισίων διαχείρισης κινδύνου που λαμβάνουν υπόψη την εγγενή μεταβλητότητα που χαρακτηρίζει τόσο τα ψηφιακά νομίσματα όσο και τις παραδοσιακές μετοχές.	el
heal.advisorName	Michaelides, Panayotis G.
heal.advisorName	Μιχαηλίδης, Παναγιώτης
heal.committeeMemberName	ΜΙΧΑΗΛΙΔΗΣ, ΠΑΝΑΓΙΩΤΗΣ
heal.committeeMemberName	ΚΩΝΣΤΑΝΤΑΚΗΣ, ΚΩΝΣΤΑΝΤΙΝΟΣ
heal.committeeMemberName	ΠΑΠΑΓΕΩΡΓΙΟΥ, ΘΕΟΦΑΝΗΣ
heal.academicPublisher	Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false