Time-dependent weighted directed networks of cryptocurrency interaction from high-frequency returns

기술 요약: 고빈도 수익률로부터 도출된 암호화폐 상호작용의 시간 의존적 가중 유향 네트워크

문제 제기 및 동기
암호화서 자산 시장은 탈중앙화된 거버넌스, 지속적인 거래, 그리고 다중 시간 척도에 걸친 뚜렷한 가격 변동성을 특징으로 하는 복잡하고 상호작용하는 시스템이다. 전통적인 금융 시장과 달리, 이러한 자산들은 고립되어 있지 않으며 공유된 심리, 차익 거래 및 외부 영향력을 통해 정보와 충격이 전파되는 역동적인 네트워크를 형성한다. 이전 연구들이 거래 수준 데이터나 짧은 시간 창을 사용하여 암호화폐 네트워크를 조사해 왔으나, 장기간에 걸친 고빈도 데이터를 통해 인과적 상호작용의 시간적 진화를 이해할 필요가 있다. 본 연구는 2020년부터 2025년까지 암호화폐 생태계의 구조적 안정성(또는 그 결여)을 규명하고, 자산 간 영향력의 흐름을 정량화하는 과제를 다룬다.

방법론
저자들은 Kraken 암호화폐 거래소에서 얻은 고빈도 가격 데이터를 기반으로 시간 의존적, 유향, 가중 네트워크를 구축한다. 방법론은 다음 단계로 진행된다:

1. 데이터 전처리:

   • 출처: 2020년부터 2025년 3월까지의 거래 수준 데이터 (타임스탬프, USD 기준 가격, 거래량).
   • 집계: 가격은 거래량 가중 평균 가격(VWAP)을 사용하여 1분 간격으로 집계된다.
   • 수익률: 로그 수익률은 $R(t) = \log P(t + \Delta t) - \log P(t)$ (여기서 $\Delta t = 1$분)로 계산된다.
   • 정상성: 데이터의 정상성을 보장하기 위해 증강 디키-풀러(ADF) 검정이 적용된다. 약 99.06%의 데이터가 엄격하게 정상적임이 확인되었으며, 비정상적인 사례(가격 정체 현상)는 제외되었다.
   • 윈도우 설정: 시계열은 중복되지 않는 주 단위 윈도우(각 10,080개 데이터 포인트)로 나뉘며, 결과적으로 275개의 주간 네트워크가 생성된다.

2. 네트워크 구축:

   • 그랜저 인과관계 (Granger Causality, GC): 상호작용은 GC 프레임워크를 통해 추론된다. 각 자산 쌍 $(X, Y)$에 대해, 제한된 자기회귀 모델(Y의 과거 데이터만 포함)을 전체 모델(X의 과거 데이터까지 포함)과 비교한다.
     • 가중치 정의: GC 강도는 잔차의 로그 분산 비율로 정량화된다: $G_{X \to Y} = \ln(\sigma^2_r / \sigma^2_f)$.
   • 유의성 검정: 쌍별 비교에서 발생하는 다중 검정 문제를 해결하기 위해, Benjamini–Hochberg (BH) 절차를 적용하여 허위 발견율(FDR)을 $q=0.05$로 제어한다. p-값이 BH 임계값을 만족하는 링크만 유지된다.
   • 강건성 검사: 링크가 공통된 시장 충격에 의한 공동 움직임이 아닌 실제 쌍별 영향력을 반영하는지 확인하기 위해, 수익률 행렬의 제1 주성분(PC1)을 회귀 제거한 후 분석을 반복한다.

3. 분석:

   • 수익률의 통계적 특성(헤비 테일)은 상보 누적 분포 함수(CCDF)를 사용하여 분석된다.
   • 네트워크 이질성은 링크 가중치와 노드 강도(유입 강도 $s_{in}$ 및 유출 강도 $s_{out}$)를 통해 평가된다.
   • 시간적 진화는 평균 분기별 유출 강도를 기준으로 자산을 순위화하여 추적된다.

주요 결과

• 수익률의 통계적 특성: 정규화된 1분 로그 수익률은 금융 시장의 정형적 사실(stylized facts)과 일치하는 헤비 테일 분포를 보인다. 양(+)과 음(-)의 꼬리 모두 멱법칙 형태 $P(r) \sim r^{1-\gamma}$를 따른다. 추정된 지수($\gamma \approx 3.66 - 4.08$)는 이전 연구(예: 비트코인의 경우 $\gamma \approx 3$)보다 높게 나타났으며, 이는 구조적 변화와 시장 성숙을 시사한다.
• 네트워크 이질성: 생성된 네트워크는 뚜렷한 이질성을 보인다. 링크 가중치와 노드 강도 모두 넓고 헤비 테일인 분포를 따르며, 이는 소수의 암호화폐가 전체 영향력 흐름에 불균형적으로 크게 기여함을 나타낸다.
• 스케일링 관계: 노드 유출 강도($s_{out}$)와 유입 강도($s_{in}$) 사이에는 강력한 양의 상관관계가 존재한다. 그러나 이 관계는 **아선형(sublinear)**이며, 멱법칙 $s_{out} \sim s_{in}^{\alpha}$ (단, $\alpha = 0.909$)를 따른다. 이는 고도로 연결된 노드가 양방향으로 영향력이 크긴 하지만, 유출되는 영향력의 증가 속도가 유입되는 영향력에 비해 선형보다 느림을 의미한다. 이러한 아선형 스케일링은 자산 유동성(거래량)의 산물이 아닌 구조적 특성임이 확인되었다.
• 시간적 역학 및 순위:
  • 이더리움 (ETH): 2020~2025년 기간 내내 영향력 순위에서 지속적으로 최상위권을 차지하며 지속적인 지배력을 반영했다.
  • 비트코인 (XBT): 상대적 중요도가 시간이 지남에 따라 점진적으로 감소하는 모습을 보인다.
  • 변동성: 순위 구조는 상당한 시간적 가변성을 보인다. 다른 복잡계에서 발견되는 "초안정적(super-stable)" 노드와 달리, 상위권은 빈번하게 다른 자산들로 교체된다. 5년의 기간 동안 17개의 서로 다른 암호화폐가 상위 5위 안에 등장했다.
  • 시장 이벤트: 상위 순위 자산의 구성은 특히 2022년 3분기와 2025년 1분기 사이에 크게 변동하였는데, 이는 FTX 붕열 및 리플(Ripple)에 대한 SEC 소송과 같은 사건들과 일치한다.
• 강건성: 공통 시장 요인(PC1)을 제거한 후에도 노드 강도 및 링크 가중치를 포함한 네트워크 구조가 거의 변하지 않았다 (Spearman 상관계수 $\rho > 0.99$). 이는 추론된 그랜저 인과관계 링크가 실제 쌍별 상호작용을 나타냄을 확인시켜 준다.

의의 및 주장
본 논문은 이전 연구(특히 Scagliari et al., 2021)와 비교하여 암호화폐 영향력 네트워크를 더욱 엄밀하고 상세하게 재구성했다고 주장한다. 분석 기간을 2년에서 5년으로 확장하고 자산 규모를 약 30개에서 약 390개로 늘림으로써, 본 연구는 암호화폐 생태계의 매우 경쟁적이고 비정상성(non-stationary)을 띠는 조직 구조를 밝혀냈다.

주요 기여는 다음과 같다:

1. 역동적 계층 구조: 다른 시스템에서 발견되는 안정적인 계층 구조와 대조적으로, 비트코인에서 이더리움으로 지배력이 이동하는 역동적으로 진화하는 계층 구조를 밝혀냈다.
2. 아선형 스케일링: 유입 강도와 유출 강도 사이의 이전에 보고되지 않은 비자명한 아선형 스케일링 관계를 식별하여, 영향력 전파의 내재적 비대칭성을 지적했다.
3. 방법론적 엄밀성: 고빈도 데이터와 엄격한 정상성 검정 및 FDR 보정을 결합하여 영향력의 흐름을 매핑하는 효과적인 방법을 입증했다.

저자들은 암호화폐 시장이 본질적으로 역동적이며, 영향력이 자산들 사이에서 지속적으로 재분배된다고 결론지으며, 네트워크 기반 프레임워크가 이러한 변화하는 시장 행동의 동인을 식별하는 데 효과적인 도구임을 강조한다.