Publicação
Análise de relações dinâmicas entre tokens em redes blockchain com ferramentas de séries temporais
| datacite.subject.sdg | 04:Educação de Qualidade | |
| dc.contributor.advisor | Ramos, Maria do Rosário | |
| dc.contributor.author | Abreu, Ricardo João Lourenço de | |
| dc.date.accessioned | 2026-07-15T13:55:24Z | |
| dc.date.available | 2026-07-15T13:55:24Z | |
| dc.date.issued | 2026-05-19 | |
| dc.date.submitted | 2026-07-15 | |
| dc.description | Tese de Mestrado em Estatística, Matemática e Computação, apresentada à Universidade Aberta | |
| dc.description.abstract | Esta dissertação explora, sob uma perspetiva quantitativa, a estrutura das dependências dinâmicas entre tokens de Camada 1 (L1) e Camada 2 (L2) no ecossistema blockchain do Ethereum, colocando a questão central de saber se a hierarquia tecnológica entre camadas se reflete em relações econométricas observáveis. Em particular, analisa-se a interação entre os preços de Camada 1, ETH, e de Camada 2, MATIC e OP através de um enquadramento unificado de séries temporais multivariadas, combinando métodos clássicos de econometria financeira com abordagens modernas de aprendizagem profunda. Do ponto de vista metodológico, o estudo articula testes de raiz unitária e cointegração (Johansen), modelos VAR/VECM para a dinâmica de curto e longo prazo, testes de causalidade de Granger, e modelos de volatilidade condicional GARCH e DCC-GARCH para caracterização do risco sistémico e das correlações dinâmicas. Em paralelo, propõe-se um modelo híbrido ARIMA–LSTM multivariado com mecanismo de self-attention, concebido para decompor a dinâmica observada em componentes lineares e não lineares, maximizando a capacidade preditiva num contexto de elevada não estacionariedade e heterocedasticidade condicional. Os resultados empíricos indicam ausência de cointegração robusta entre tokens L1 e L2, sugerindo que a dependência tecnológica não implica, por si só, um equilíbrio económico de longo prazo. Contudo, identificam-se relações causais significativas e efeitos de transmissão assimétricos no curto prazo, bem como elevados níveis de correlação condicional variável no tempo, evidenciando contágio de volatilidade entre camadas. A análise comparativa de desempenho confirma que o modelo híbrido ARIMA–LSTM supera os modelos lineares tradicionais, demonstrando a relevância de arquiteturas não lineares para capturar dependências complexas. Este trabalho contribui para uma formalização matemática mais profunda da economia de tokens em arquiteturas blockchain modulares, oferecendo implicações relevantes para previsão, gestão de risco e modelação económica de sistemas descentralizados. | por |
| dc.description.abstract | This dissertation explores, from a rigorous quantitative perspective, the dynamic dependence structure between Layer 1 (L1) and Layer 2 (L2) tokens within the Ethereum ecosystem, addressing the central question of whether technological hierarchy translates into measurable econometric relationships. Specifically, it examines the interactions among Layer 1, ETH, and layer 2, MATIC and OP prices, within a unified multivariate time series framework that integrates classical financial econometrics with modern deep learning techniques. Methodologically, the study combines unit root and cointegration testing (Johansen), VAR/VECM models for short and long-run dynamics, Granger causality analysis, and conditional volatility modeling using GARCH and DCC-GARCH specifications to capture time-varying risk transmission and dynamic correlations. In parallel, it proposes a multivariate hybrid ARIMA–LSTM model augmented with a self-attention mechanism, designed to decompose observed price dynamics into linear and nonlinear components, thereby enhancing predictive performance under conditions of non-stationarity and conditional heteroskedasticity. Empirical results reveal no robust cointegration between L1 and L2 tokens, indicating that technological dependence does not imply a stable long-run economic equilibrium. Nevertheless, significant short-run causal relationships and asymmetric shock transmission patterns are identified, predominantly from ETH to Layer 2 tokens. Moreover, the DCCGARCH analysis uncovers high and persistent time-varying conditional correlations, providing strong evidence of volatility spillovers across layers. Forecasting comparisons demonstrate that the proposed hybrid ARIMA–LSTM model consistently outperforms traditional linear benchmarks, highlighting the importance of nonlinear architectures for capturing complex dependencies in crypto-asset markets. Overall, this research contributes to a deeper mathematical formalization of token economics in modular blockchain architectures, offering relevant implications for forecasting, risk management, and the economic modeling of decentralized systems. | eng |
| dc.identifier.uri | http://hdl.handle.net/10400.2/22244 | |
| dc.language.iso | por | |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | Séries temporais multivariadas | |
| dc.subject | Blockchain | |
| dc.subject | Tokens L1-L2 | |
| dc.subject | Volatilidade condicional | |
| dc.subject | Modelos híbridos ARIMA–LSTM | |
| dc.subject | Multivariate time series | |
| dc.subject | Layer 1 and Layer 2 tokens | |
| dc.subject | Conditional volatility | |
| dc.subject | Hybrid ARIMA–LSTM models | |
| dc.title | Análise de relações dinâmicas entre tokens em redes blockchain com ferramentas de séries temporais | por |
| dc.title.alternative | Analysis of dynamic relationships between tokens in blockchain networks using time series tools | eng |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| thesis.degree.name | Mestrado em Estatística, Matemática e Computação |