本文基于以太坊区块链约3.70亿笔USDT和USDC交易,按照EOA与智能合约的交互类型划分为四类,并采用最大似然估计、KS阈值选择、敏感性分析及组成反事实分析研究交易金额尾部分布。结果显示,所有类别和时期均存在重尾幂律特征,指数主要位于1.4—1.8;涉及EOA的交易指数约为1.45—1.60,而SC-SC交易约为1.72—1.73,且该差异在不同样本规模、时期和稳定币之间保持稳健。交易类别权重变化仅能解释总体指数时间波动的约10%—35%,表明交互机制而非交易构成是指数差异的主要来源。
| 交互类别 | USDT平均α | USDT跨期标准差 | USDC平均α | USDC跨期标准差 |
|---|---|---|---|---|
| Overall | 1.566 | 0.019 | 1.605 | 0.104 |
| EOA–EOA | 1.542 | 0.023 | 1.459 | 0.025 |
| EOA–SC | 1.521 | 0.040 | 1.484 | 0.050 |
| SC–EOA | 1.544 | 0.043 | 1.486 | 0.033 |
| SC–SC | 1.727 | 0.120 | 1.722 | 0.148 |
| 稳定币 | 直接拟合总体指数范围 | 组成反事实指数范围(N=200,000) | 反事实范围占比 |
|---|---|---|---|
| USDT | 0.058 | 0.018 | 约31% |
| USDC | 0.258 | 0.027 | 约10% |
报告标题:《Scaling laws of Stablecoin Transactions: Evidence from USDT and USDC on the Ethereum blockchain》(稳定币交易的标度律:来自以太坊区块链上USDT与USDC的证据)。
作者:Kundan Mukhia、Sabat Rai、Vivek Shrivastav、Imran Ansari、Md. Nurujjaman,主要来自印度锡金国立理工学院、锡金大学和印度科学研究院管理研究系。
发布机构与日期:原文显示为提交Elsevier的研究论文或预印本,但未明确给出正式期刊名称、卷期和发布日期;文中数据覆盖至2026年2月。
研究主题:利用统计物理和金融计量方法,考察以太坊区块链上USDT、USDC转账金额是否呈现幂律尾部,以及幂律指数是否依赖于交易双方是外部拥有账户(EOA)还是智能合约(SC)。
报告的核心结论不是“所有稳定币交易拥有一个统一的幂律指数”,而是:稳定币转账金额整体具有重尾、近似幂律的分布,但存在两个相对稳定的交互机制区间。涉及EOA的三类交易,即EOA–EOA、EOA–SC和SC–EOA,指数大致集中在1.45—1.60;SC–SC交易的指数更高,约为1.72—1.73。 进一步的敏感性分析表明,这种差异并非由样本抽取规模或随机种子造成;反事实分析则说明,单纯改变四类交易的数量权重,只能解释总体指数时间变化范围的约10%—35%。
需要注意的是,论文并未设置股票评级、投资评级或目标价,其目的属于学术性分布规律研究,而非证券投资建议。
报告将稳定币定义为通常锚定美元等参考资产、目标是维持相对稳定价值的数字资产。稳定币已经被用于交易结算、去中心化金融(DeFi)、流动性提供以及跨境价值转移,因此其区块链交易数据具有明显的金融基础设施属性。
作者引用的背景数据称,2025年全球稳定币总市值超过3000亿美元,交易规模约为33万亿—35万亿美元;USDT与USDC合计约占稳定币市场资本化的80%—85%,因此选择二者作为研究对象具有代表性。 这里的“代表性”主要是市场规模代表性,而不是对所有稳定币、所有区块链的统计规律作无条件外推。
以太坊账户分为两类:EOA由用户通过公私钥控制,SC则由程序代码控制。两类账户形成四种有向交互:EOA–EOA、EOA–SC、SC–EOA和SC–SC。 这一分类的研究价值在于,它将交易金额分布与交易机制联系起来:EOA–EOA可能更多体现个人或机构用户间转账;EOA–SC和SC–EOA可能对应用户与交易协议、交易所或DeFi合约之间的交互;SC–SC则更可能反映协议之间、自动化策略之间或程序化资金流之间的交易。不过,论文并未进一步识别具体协议、钱包类型或经济用途,因此这些机制解释仍属于合理的结构性推断,而不是实证识别结果。
幂律分布通常表示为:
[ p(x)=Cx^{-\alpha}, \quad x\geq x_{\min} ]
其中,(x)是交易金额,(x_{\min})是进入幂律尾部的最低阈值,(\alpha)是尾部指数,(C)是归一化常数。
指数越低,尾部通常越厚,意味着极端大额交易相对于普通交易更常见;指数越高,尾部下降更快。因而,SC–SC交易的(\alpha)较高,并不代表其交易金额一定更大,而是说明在其自身尾部区域内,金额概率随规模增加的衰减速度相对更快。报告把1.4—1.8的指数与传统金融市场中的交易规模、股票数量等重尾现象作比较,说明区块链稳定币交易在统计形式上具有金融市场的某些共同特征,但这并不等于其生成机制已经被证明与传统市场相同。
作者强调“标度律”和“普适性”的区别。标度律指分布尾部能够由幂函数近似;普适性则意味着指数在不同资产、时期或市场中近似不变。本文支持前者,但对后者采取谨慎立场,因为不同账户交互类型的指数明显不同。
论文使用以太坊区块链上的USDT和USDC转账数据,时间窗口为2024年6月1日至2026年2月20日,并划分为六个连续研究期间,每个期间约合并三个数据批次。 全样本包括210,662,138笔USDT交易和158,945,393笔USDC交易,总计369,607,531笔,约3.70亿笔。
作者通过Etherscan获得两种稳定币的官方合约地址,并使用数据中的fromIsContract和toIsContract字段判断交易发送方与接收方是否为智能合约。 缺失值被删除,Unix时间戳被转换为UTC下的可读日期时间。交易金额最初以最小代币单位记录,由于USDT和USDC均为六位小数,作者将原始金额除以1,000,000,得到名义美元金额。例如原始值1,000,000对应1美元。
这个处理具有重要含义:研究的是代币面值计价的转账金额,而不是根据每一笔交易当时市场价格计算的实际美元价值。由于稳定币通常接近1美元,这种转换在直观上合理,但若存在脱锚、链上价格差异或不同流动性环境,名义美元金额仍可能与真实经济价值存在偏差。
原文没有在所提供文本中展示表1—表5的完整数值矩阵,因此对这些表格的解读主要依据表题和正文报告的统计结果。
作者没有采用简单的对数—对数坐标普通最小二乘回归,而是采用Clauset等人提出的幂律尾部识别框架。首先在一组候选值中寻找(x_{\min}),使经验累积分布与拟合幂律累积分布之间的Kolmogorov–Smirnov(KS)距离最小;随后仅使用超过该阈值的全部观察值估计(\alpha)。
最大似然法相较于在log-log图上画直线并回归,通常偏差更小、统计性质更可靠。作者还给出基于尾部样本数量的近似标准误和95%置信区间,但特别说明该区间只反映在阈值已确定条件下的估计误差,并未计入(x_{\min})本身被估计所产生的不确定性。 这是一个重要限制,因为尾部阈值的选择可能显著影响指数估计。
作者分别采用50,000、100,000、200,000、400,000和800,000个拟合样本,并使用五个独立随机种子重复估计。 如果不同样本量和随机抽样下的指数仍然接近,就说明结果不是某一组观测值偶然造成的。
论文区分了两类波动:图2误差棒主要表示五个随机种子之间的标准差,而表4中的跨期间标准差反映六个时期的时间变化,并非同一种不确定性。 这种区分是必要的,因为“时间不稳定”不等于“抽样不稳定”。
图1包含六个期间,每个期间左侧为USDT、右侧为USDC;横轴是美元转账金额,纵轴是互补累积分布函数(CCDF),表示交易金额大于某一数值的概率。实线为经验分布,虚线为超过(x_{\min})后的幂律拟合。
图形的共同特征是:在尾部区域,经验曲线与拟合虚线大致平行,说明幂律形式对两种稳定币、六个期间和四种交互类型均具有一定描述能力。图例显示,EOA相关类别通常处在约1.4—1.6区间,而SC–SC类别普遍更高。例如部分USDT期间中,SC–SC指数达到约1.82—1.90;部分USDC期间则约为1.80—2.00,明显高于其他类别。
从经济统计角度看,图1并非说明所有交易都服从幂律,而是说明超过数据驱动阈值(x_{\min})的尾部可以用幂律近似。低于阈值的主体交易区间并没有被同一模型解释,因此不能把尾部指数直接理解为全分布的平均行为。
作者计算六期间平均指数:USDT总体为1.566±0.019,USDC总体为1.605±0.104;USDT的EOA–EOA、EOA–SC和SC–EOA分别为1.542±0.023、1.521±0.040和1.544±0.043;USDC对应为1.459±0.025、1.484±0.050和1.486±0.033。SC–SC则是USDT 1.727±0.120、USDC 1.722±0.148。 这组结果支持“两种交互机制区间”的核心判断,同时也显示USDC总体指数的跨期波动明显高于USDT。
图2按不同拟合样本量展示六个期间的指数路径。彩色实线表示四类交互,黑色虚线表示总体指数;点为五个随机种子的平均值,误差棒为种子间标准差。
图形最稳定的视觉模式是:紫色SC–SC曲线始终位于较高位置,EOA–EOA、EOA–SC和SC–EOA集中在较低位置,总体指数通常处于两者之间。该模式在50,000至800,000样本量下都没有改变,说明交互类型差异不依赖于某个特定样本量。
与此同时,SC–SC曲线的跨期起伏相对更大,尤其在USDC中部分期间出现较高峰值。这说明SC–SC交易的尾部行为可能更受特定时期的协议活动、自动化策略或大额合约间资金流影响,但论文没有对这些具体驱动因素进行协议级别验证。
表4进一步指出,随着样本量提高,均值变化很小,且大样本下种子间误差通常收窄。 因而,作者关于“结果不是样本选择伪影”的判断具有一定方法支持,但这仍不等同于证明幂律模型在统计检验意义上优于对数正态、截断幂律或双幂律模型。
图3比较两条路径:蓝色为直接将所有交易合并后拟合得到的总体指数,橙色虚线为构成反事实指数。反事实计算固定各类别的六期平均指数,只让各类别交易权重随时间变化,即:
[ \alpha_{\mathrm{comp}}(t)=\sum_i w_i(t)\bar{\alpha}_i ]
其含义是:如果各类别自身的尾部指数不变,仅交易构成发生变化,总体指数会如何变化。
在样本量200,000下,USDT直接拟合总体指数的时间范围为0.058,而构成反事实范围只有0.018;USDC分别为0.258和0.027。 表5显示,在全部样本量下,构成反事实范围仅为实际总体范围的23.65%—34.53%(USDT)和9.86%—11.17%(USDC)。
这意味着总体指数随时间的变化,不能主要归因于四类交易占比变化,更可能与类别内部指数本身的变化、交易金额结构变化或其他未建模因素有关。不过作者也明确承认,合并分布的真实幂律指数一般不等于各组成指数的简单加权平均,因此该反事实只是描述性指标,而不是严格的统计分解。 这是对该方法解释边界的重要限定。
图4横轴为各类别交易权重,纵轴为类别指数,每个点代表一个时期。USDT和USDC图中,EOA–EOA、EOA–SC、SC–EOA大致形成较低指数区域,而SC–SC点大多位于较高区域。
该图的重要信息是,类别指数差异并不随交易权重简单同步变化。某类交易占比高,并不必然意味着其指数更高;SC–SC即使权重相对较低,也持续处于更高指数区域。因此,作者认为指数与交互机制的关联强于与交易数量占比的关联。
第一,论文将“经验分布与幂律拟合相符”称为幂律尾部行为,但在提供内容中没有看到对数正态、截断幂律、指数分布等替代模型的正式似然比较,也没有完整展示拟合优度p值或置信区间数值。因此,“幂律”更准确地说是尾部的合理近似,而不是已经排除其他重尾模型后的唯一解释。
第二,研究仅覆盖以太坊上的USDT和USDC,不能直接推广至DAI、BUSD、USDP,也不能推广至Solana、Polygon或其他链。作者在结论中明确承认,尚未建立单一普适尾部指数,未来需要跨稳定币、跨区块链和跨市场环境验证。
第三,数据日期存在表述问题。摘要中“June 2024 to February 202”明显不完整,而正文和表格说明使用的是截至2026年2月20日的数据;这属于编辑或排版层面的不一致。 此外,报告一处称USDT与USDC约占稳定币市值85%,另一处称约80%,说明市场份额数字可能取自不同时间点或来源,应进一步统一口径。
第四,账户类型分类是结构性分类,并不等同于参与者身份分类。一个EOA可能属于交易所、做市商、机构或个人;一个SC也可能代表借贷协议、桥接协议、交易路由器或自动化执行器。若不结合地址标签和协议功能,不能将SC–SC指数差异直接解释为某一种具体金融行为。
总体而言,该研究以近3.70亿笔以太坊稳定币转账为样本,展示了稳定币交易金额尾部具有广泛的重尾和幂律样特征。最重要的发现不是存在一个统一指数,而是存在与账户交互机制相关的条件性标度规律:EOA参与的交易指数约为1.45—1.60,SC–SC交易约为1.72—1.73。 图1证明这种区分在经验CCDF和拟合尾部中反复出现,图2和表4说明它对样本规模、随机种子和时期划分具有一定稳健性,图3和表5则表明交易类别权重变化只能解释总体指数时间范围的一小部分,图4进一步显示类别机制比交易占比更能区分指数水平。
因此,作者最终立场是:稳定币交易存在持续的幂律样尾部,但不支持一个跨所有交易类型、时期和区块链环境都完全相同的“普适指数”。更合理的解释是,区块链金融系统中存在由EOA和智能合约交互方式共同塑造的异质性统计机制。该结论具有探索性和方法论价值,但其普适性仍需通过替代分布检验、协议级地址识别,以及更多稳定币和区块链样本加以确认。
2608.09378.pdf