这篇论文就像是一份加密货币的“成年礼”报告。
作者团队（来自耶鲁、伯克利等名校的教授们）把加密货币从 2013 年到 2025 年的表现，像整理一个刚长大的孩子的成长档案一样，总结出了七个核心特征（七个“刻板事实”）。他们的结论是：加密货币已经不再是那个只会搞恶作剧、充满混乱的“叛逆少年”，它正在成长为一个成熟的、可以正经投资的资产类别，就像股票或债券一样，但它依然保留着自己独特的“怪脾气”。
为了让你更容易理解，我们把加密货币市场想象成一个正在建设中的“新大陆”，而这篇论文就是给这片大陆绘制的第一份详细地图。
以下是用通俗语言和比喻对这篇论文核心内容的解读：
1. 高收益、高波动，但“性价比”其实和股票差不多
- 比喻：想象加密货币是一辆F1 赛车，而股票是家用轿车。F1 赛车跑得飞快（高收益），但也经常翻车或急刹车（高波动）。
- 发现：虽然 F1 赛车开起来惊心动魄，但如果我们计算它的“风险调整后收益”（也就是每承担一点风险能换来多少回报，学术上叫夏普比率），你会发现它和开家用车其实差不多。
- 新变化：以前，F1 赛车和家用车互不干扰。但最近（2020 年以后），F1 赛车开始跟着家用车的节奏跑了。如果股市大跌，加密货币也往往跟着跌。这意味着它不再是完美的“避风港”，开始更像传统资产了。
2. 只有三个“聪明策略”就能解释大部分涨跌
- 比喻：在股票界，大家发现只要看“公司规模”、“动量（谁涨得快）”和“价值（谁便宜）”这三个指标，就能解释大部分股票为什么涨。在加密货币界，作者发现同样的三个指标也管用，只是名字变了：
- 币的大小（小币往往波动大，大币稳一点）。
- 动量（最近两周涨得好的，下周往往还涨得快）。
- 价值（这里用“价格/新用户数”来衡量，就像看一家店是“物超所值”还是“虚高”）。
- 发现：只要抓住这三个“法宝”，就能解释加密货币市场里大部分的钱是怎么流动的。其他的复杂策略（比如看交易量、看波动率）往往不管用。
3. 别被“黑盒子”吓到，简单的数学公式也能预测
- 比喻：现在流行用**人工智能（AI）**来预测股市，就像用一台巨大的、看不透内部的“黑盒子”机器。但作者发现，对于加密货币，其实不需要那么复杂的机器。
- 发现：加密货币的价格经常突然跳变（比如一夜之间暴涨暴跌），这就像坐过山车。作者发现，只要在这个简单的“三个法宝”模型里，加一点点高阶数学项（就像给公式加几个“如果……那么……"的转折），就能达到和复杂 AI 一样的预测效果。
- 意义：这就像是用透明的玻璃盒子（可解释的模型）代替了黑盒子，让我们能看懂到底是哪些因素在驱动价格，而不是盲目迷信 AI。
4. 区块链上的“用户数”就是真金白银
- 比喻：传统公司看财报，加密货币看**“链上数据”**。这就好比看一个社交网络，新用户注册的数量直接决定了这个网络的价值。
- 发现：作者发现，新钱包地址的增加（代表新用户加入）能解释加密货币价格变动中约 8% 的原因。
- 意义：这验证了“梅特卡夫定律”（网络价值与用户数的平方成正比）。在加密货币世界，“人”就是基本面。只要有人用，价格就有支撑；没人用，就是空气。
5. 市场还在“割裂”，想赚“无风险套利”的钱很难
- 比喻：想象你在两个不同的国家买同一个苹果。在 A 国卖 1 美元，在 B 国卖 1.5 美元。理论上你可以低买高卖赚差价（套利）。但在加密货币世界，虽然价格确实有差异，但想真正赚到这笔钱很难。
- 发现：以前有人吹嘘靠跨交易所套利赚大钱（比如 FTX 的创始人山姆·班克曼 - 弗里德早期就是这么干的）。但研究发现，那些看似巨大的差价，是因为资金流动受限（比如某些国家不让钱出去）或交易摩擦（提币慢、手续费高）造成的。
- 真相：如果你能真正自由地买卖，那些“免费午餐”就消失了。剩下的利润其实是风险补偿（因为你承担了资金被卡住或交易所倒闭的风险）。FTX 的倒闭就是最惨痛的教训：看似稳赚不赔的套利，其实暗藏巨雷。
6. “永续合约”的利息红利正在消失
- 比喻：加密货币有一种特殊的衍生品叫“永续合约”，它像是一个永远到期的期货。为了维持价格不偏离现货，多空双方要互相付“资金费率”（利息）。
- 发现：以前，做空的人（付利息）很少，做多的人（收利息）很多，所以做“套利”（买现货、卖期货）能轻松拿到很高的利息（年化收益率曾高达 6% 以上）。
- 现状：从 2024 年开始，这个利息大幅缩水，甚至在 2025 年变成了负数。这意味着，靠“吃利息”发家致富的“生息资产”（比如某些稳定币项目）模式，未来可能不再那么香了。市场正在回归理性。
7. 监管来了，透明化是成熟标志
- 比喻：以前加密货币市场像个**“西部荒野”，谁都可以随便发币，没人管账。现在，“警察”和“审计师”进场了**。
- 发现：
- 会计规则：大公司现在必须按新规则（如 FASB 的新标准）把加密货币算进账本，按公允价值记账。
- 法律监管：美国通过了新的法案（GENIUS 法案），要求稳定币必须公开储备金，不能骗人说有政府背书。
- 意义：虽然监管让人觉得很烦，但这就像孩子长大了要遵守交通规则一样。只有透明、可审计、有法律保障，大机构（如养老基金、保险公司）才敢放心地把钱投进来。这是加密货币成为“正规军”的必经之路。
总结：加密货币“成年”了
这篇论文的核心观点是：别再把加密货币仅仅看作投机或骗局了。
它已经具备了成熟资产的特征：
- 有规律（可以用因子模型解释）。
- 有基本面（用户增长驱动价格）。
- 有市场结构（虽然还有摩擦，但正在完善）。
- 有监管（正在走向透明化）。
当然，它依然脾气暴躁（经常跳涨跳跌），依然年轻（需要更多数据和研究）。但就像那个曾经叛逆的少年，现在它已经准备好穿上西装，正式进入全球金融的舞池了。对于投资者来说，这意味着我们需要用更专业、更理性的眼光（像研究股票一样）去对待它，而不是盲目跟风。
这篇论文《加密货币作为可投资资产类别：走向成熟》（Cryptocurrency as an Investable Asset Class: Coming of Age）由 Nicola Borri、Yukun Liu、Aleh Tsyvinski 和 Xi Wu 撰写，发表于 2026 年 2 月。文章通过实证资产定价的视角，系统性地整理了加密货币市场的七个“典型事实”（Stylized Facts），旨在论证加密货币已发展成为一个成熟的可投资资产类别，并具备独特的市场特征。
以下是对该论文的详细技术总结：
1. 研究问题与背景 (Problem & Background)
- 核心问题：加密货币是否已经成熟到可以被视为一个独立的可投资资产类别？其市场行为是否符合传统资产定价理论，还是具有独特的异质性？
- 背景：自 Nakamoto (2008) 提出比特币以来，加密货币研究已从早期的“炒作、投机或欺诈”观点，逐渐转向更广泛的实证金融研究。尽管文献相对年轻，但市场已发展到需要建立核心“典型事实”以指导实证和理论研究的阶段。
- 目标：通过实证资产定价的框架，归纳加密货币市场的规律性特征，评估其与传统市场的异同，并探讨数据质量、监管环境变化对未来的影响。
2. 数据与方法论 (Data & Methodology)
- 数据来源：
- 价格数据：来自 CoinGecko，涵盖 2013 年 12 月 31 日至 2025 年 9 月 6 日期间的活跃和已退市代币（共 16,468 种独特代币，约 950 万条记录），旨在避免幸存者偏差。
- 衍生品数据：来自 Binance 的永续合约价格、资金费率（2020-2025）。
- 套利数据：来自 CryptoCompare 的 165 个中心化交易所的 510 个 BTC 交易对（2013-2025）。
- 链上数据：新地址数量（Liu, Tsyvinski & Wu, 2021）。
- 跳跃检测数据：Kraken 的 Tick 级交易数据（2015-2025）。
- 传统资产数据：Bloomberg 提供的股票、债券、大宗商品等指数。
- 数据处理：
- 剔除稳定币和包装代币（Wrapped Tokens）。
- 剔除市值低于 100 万美元的代币。
- 将日度收盘价聚合为周度收益率，并进行缩尾处理（Winsorize）。
- 构建加密货币市场指数（价值加权）和超额收益率。
- 方法论框架：
- 资产定价模型：构建多因子模型（类似 Fama-French 模型），分析横截面收益率。
- 机器学习与统计方法：对比神经网络（黑盒）与基于泰勒展开的高阶项选择（FS-FMB，玻璃盒）及 Kolmogorov-Arnold (KA) 表示定理。
- 事件研究法：分析链上数据发布对价格的影响。
- 跳跃检测：使用 BNS 检验（Barndorff-Nielsen & Shephard）基于高频数据识别跳跃。
3. 七个典型事实 (Key Contributions: The Seven Stylized Facts)
事实 1：高收益、高波动，但夏普比率相当，且与股市相关性上升
- 发现：加密货币市场的平均收益率和波动率比股票市场高出一个数量级，但其夏普比率（Sharpe Ratio）与全球股市大致相当。
- 趋势变化：2020 年之前，加密货币与传统资产相关性极低；2020 年之后，与全球股市的相关性显著上升（从 1% 升至 39%），并与大宗商品、高收益债等资产相关性增强。
- 含义：加密货币作为分散化工具的潜力在近期有所下降，但仍具有非零的配置价值。
事实 2：智能贝塔策略（Smart Beta）
- 发现：加密货币的横截面收益率可以由少数几个因子解释，类似于股票市场的 Fama-French 模型。
- 核心因子：
- **Crypto-Size **(CSIZE)：市值因子（小市值表现优于大市值）。
- **Crypto-Momentum **(CMOM)：动量因子（过去两周的收益率，周期极短）。
- **Crypto-Value **(CVALUE)：价值因子（使用“价格/新地址数”比率代理，高比率即低价值表现差）。
- 结论：传统的股票因子（如 12 个月动量、账面市值比）在加密货币市场大多无效，必须使用针对加密市场特性的因子。
事实 3：关注跳跃——高阶项的重要性（Less is More）
- 发现：加密货币市场频繁出现大幅价格跳跃（Jumps），这与传统资产（如道琼斯指数）不同，跳跃是常态而非例外。
- 模型改进：
- 简单的线性因子模型（C-4）解释了约 47% 的横截面变异。
- 引入高阶项（如因子的平方、立方及交互项）或使用**Kolmogorov-Arnold **(KA) 后，解释力提升至约 70%。
- 意义：证明了非线性结构的重要性。通过前向选择 Fama-MacBeth (FS-FMB) 方法，可以用透明的“玻璃盒”模型捕捉复杂的非线性关系，替代不可解释的“黑盒”神经网络模型。
事实 4：区块链驱动收益（On-chain Data Matters）
- 发现：链上用户采用率（以新地址增长衡量）对加密货币价格有显著影响。
- 量化影响：链上用户采用率单独解释了约 8% 的收益率波动，在大币上甚至超过 10%。
- 市场效率：市场对链上信息的吸收非常迅速，通常在周度频率内完全定价，没有明显的公告后漂移（Post-announcement drift），这与股票市场不同。
事实 5：年轻的市场，古老的低效性（套利受限）
- 发现：尽管市场年轻，但存在经典的“一价定律”违背现象。不同交易所、不同法币对之间的比特币价格存在显著且持久的偏差。
- 原因：资本管制、提现限制、交易摩擦导致跨交易所套利受阻。
- 策略表现：
- 理论上看似无限的“套利”策略（CARB）在包含所有交易对时收益率极高（周度 68.5%），但这不可行。
- 在可投资的流动性高、无资本管制的交易对中，超额收益大幅下降至周度约 3.8%-4.1%。
- 结论：这些收益并非无风险套利，而是对承担流动性风险和摩擦风险的补偿。FTX 等交易所的倒闭也印证了此类策略的局限性。
事实 6：资金费率驱动与永续合约（Funding Premia）
- 发现：加密货币永续合约（Perpetual Futures）是主要衍生品。2024 年之前，做空永续合约、做多现货的“ Carry Trade"策略年化夏普比率高达 6.45，主要收益来自资金费率。
- 近期变化：2024 年起，资金费率溢价急剧压缩，2025 年甚至转为负值。
- 风险：依赖资金费率的“收益型”产品（如 Ethena 的稳定币）面临可持续性挑战，表明该溢价并非永久存在。
事实 7：监管与透明度（Growing up with Supervision）
- 发现：随着市场成熟，信息披露和监管正在加强。
- 进展：
- 会计准则更新（ASU 2023-08）要求对加密资产进行公允价值计量。
- 美国通过《GENIUS 法案》，建立了首个联邦层面的稳定币监管框架，强制储备透明度和禁止误导性声明。
- 意义：监管和透明度是资产类别成熟的关键标志，有助于建立投资者信心。
4. 主要结果与讨论 (Results & Discussion)
- 资产类别成熟度：加密货币已从早期的投机工具演变为具有独特风险收益特征的可投资资产类别。
- 与传统市场的异同：
- 同：夏普比率相当，存在可解释的因子结构。
- 异：波动性更高，跳跃更频繁，受链上数据（基本面）驱动更强，且受资本管制和摩擦影响更大。
- 零售投资者行为：与股票市场的反向操作不同，加密货币零售投资者表现出明显的“追涨”（Trend-chasing）行为。
- NFT 与黑暗面：NFT 市场高度分割且受行为偏差影响；早期关于非法活动的担忧虽有所缓解，但洗钱、庞氏骗局和“拉地毯”（Rug pulls）仍是重要风险点。
5. 研究意义 (Significance)
- 理论贡献：为加密货币资产定价提供了系统的实证框架，证明了传统金融工具（多因子模型、套利定价理论）在经过适当调整后依然适用。
- 方法论创新：提出了结合高阶项和 KA 定理的“玻璃盒”模型，解决了机器学习在金融中可解释性差的问题。
- 实践指导：
- 为机构投资者提供了配置加密货币的理论依据（分散化收益）。
- 警示了依赖资金费率和跨交易所套利的策略风险。
- 强调了链上数据作为基本面分析工具的重要性。
- 政策启示：强调了监管透明度和会计标准统一对于加密货币市场长期健康发展的重要性。
总结：该论文标志着加密货币研究进入了一个新阶段，即从“是否存在”的争论转向“如何定价和管理风险”的成熟分析。作者认为，加密货币正通过实证资产定价的透镜，确立其作为独立且独特的资产类别的地位。
每周获取最佳 quantitative finance 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。