本文基于2020—2025年一分钟数据,比较BTC、ETH、XRP与标普500期货的重尾分布、DFA/MF-DFA多重分形特征及复杂性结构。研究发现,四类资产在重尾、收益近似随机游走、波动聚集和多重分形等宏观统计事实方面高度趋同,但CECP与有向HVG揭示出显著的动态异质性:加密货币在普通波动阶段更接近局部随机,而在高可见度极端事件附近呈现更强的时间方向不对称,且该不对称主要由波动幅度和上涨序列驱动,下跌侧则具有资产差异。
报告标题:《Universality and Heterogeneity of Stylized Facts in Cryptocurrency and Equity Markets》(加密货币与股票市场程式化事实的普适性与异质性)。
作者:Jaesung Kim、Changhee Cho、Jae Woo Lee。
研究机构:韩国仁荷大学物理系、仁荷大学量子科学研究所、韩国高等研究院计算科学学院。
发布日期:原文未明确给出正式发布日期;研究数据覆盖2020年1月1日至2025年12月31日。
研究主题:比较比特币(BTC)、以太坊(ETH)、瑞波币(XRP)与E-mini标普500期货在高频交易数据下的统计特征、非线性结构与时间不可逆性。
报告的核心论点可以概括为:加密货币已经在“表层统计”上接近传统金融市场,但并没有在生成这些统计特征的动态机制上实现真正等价。四类资产都表现出厚尾收益、接近随机游走的收益率标度、波动聚集、交易量长期记忆以及多重分形等传统程式化事实;然而,CECP和有向水平可见图(directed HVG)揭示出更深层的差异:普通波动期间,加密货币的短期序列更接近纯随机;极端、高可见度事件期间,加密货币又表现出更强的方向性时间不可逆性。
因此,作者反对将成熟加密货币简单视为“尚未完全成熟的股票市场”,也反对认为两者已经可以被完全相同的模型处理。报告最终形成的是一种分层成熟判断:宏观统计层面趋同,局部排序结构和极端事件的时间组织仍然异质。
研究使用BTC、ETH和XRP的一分钟高频数据,数据来自Bitstamp、Coinbase和Kraken等主要美元交易所;传统市场基准为芝加哥商品交易所的E-mini标普500期货。样本期为2020—2025年,覆盖加密货币市场机构参与度提升、市场资本化扩大以及2024年美国现货比特币ETF获批后的阶段。
加密货币采用多交易所成交量加权聚合,目的是降低单一交易所流动性、报价差异和微观结构噪声的影响。收益率定义为一分钟对数收益率:
[ r_t=\ln(P_t/P_{t-1}) ]
波动率代理变量采用绝对收益率。标普500期货则通过反向价格调整消除合约换月造成的人工跳跃,使收益率尽量反映市场本身的价格变化,而不是不同期货合约之间的基差变化。
由于加密货币全天候交易,而股指期货具有明显的交易时段结构,研究对所有资产实施“分钟内季节性调整”,即按照一天中的具体分钟估计该时点的绝对收益波动,并予以剔除。这一步很重要,因为如果不进行调整,标普500在开盘、收盘及美国交易时段内的规律性波动可能被误判为复杂性或长期记忆。
补充材料利用2015—2025年的滚动窗口诊断验证2020年起点。每个窗口包含20,000分钟,约相当于14个交易日,并使用长度为30的中心移动平均平滑估计结果。诊断包括局部DFA Hurst指数、波动率自相关衰减指数以及GARCH(1,1)参数距离。
图S1显示,2015—2018年BTC、ETH、XRP的局部收益Hurst指数明显低于0.5,部分时期甚至低于0.4,说明早期加密市场具有较强的反持久性与市场结构不稳定性。BTC和ETH较早接近随机游走水平,XRP则最晚,直到2019年末至2020年初才进入与标普500相近的区间。2020年之后,四条轨迹大致围绕0.5运行,波动记忆指标也进入共同的离散带。
图S2进一步显示,2015—2018年加密货币相对于标普500的GARCH冲击敏感度参数和持续性参数差异较大,部分差异达到0.3—0.6;而2020年以后,两类参数距离普遍收敛到约0.05以内。因此,2020年并非简单的整年切割,而是作者依据三类独立诊断确定的“共同成熟区间”起点。
报告采用由浅入深的三层诊断框架:
Shuffle替代序列只保留原始收益分布,不保留时间顺序;IAAFT替代序列同时保留原始幅度分布和线性自相关结构,但破坏非线性相位关系。因而,原始数据与Shuffle的差异反映时间排序影响;原始数据与IAAFT的差异则更接近线性相关以外的非线性时间结构。
研究通过绝对收益的互补累积分布函数(CCDF)检验尾部风险。CCDF表示收益绝对值超过某一阈值的概率,尾部拟合采用Clauset–Shalizi–Newman最大似然方法,并以Kolmogorov–Smirnov距离确定尾部起点。
图2(a)显示,四类资产的一分钟绝对收益CCDF都明显慢于高斯分布曲线下降,说明极端收益的概率远高于正态模型预测。尾部指数约为:
这些数值大致处于2.5—2.9之间,接近金融市场常说的“反三次幂规律”(\alpha\approx3)。这意味着在一分钟尺度上,加密货币与股指期货处于相似的厚尾风险区域,而不是存在明显的“加密货币尾部风险远高于传统市场”的简单二分。
图2(b)和(c)比较不同时间聚合尺度。BTC的尾部指数从1分钟的约2.87逐渐升至1小时的约3.29,表明随时间聚合增加,收益分布出现一定程度的高斯化;标普500在1—60分钟范围内则约为2.42—2.58,变化相对有限。尽管如此,两类资产在小时尺度上仍然保持厚尾,且距离高斯吸引子较远。
需要注意的是,作者明确指出尾部指数会受到样本区间影响。严格使用2022年之后样本时,标普500指数向反三次幂水平移动,说明(\alpha)适合用作宏观分布诊断,但不适合用来直接排序市场成熟度或证明资产类别差异。
DFA通过分析波动函数随时间尺度的幂律关系估计Hurst指数。(H\approx0.5)代表无相关随机游走,(H>0.5)代表持久性,(H<0.5)代表反持久性。
表1虽然在提供文本中未完整显示具体逐项数值,但报告给出了关键范围:
这组结果有三层含义。第一,收益率本身没有显著线性自相关,符合弱式有效市场意义上的方向不可预测。第二,绝对收益的高Hurst指数反映波动聚集,即高波动之后往往仍然是高波动。第三,交易量也具有长期记忆,说明市场活跃度存在持续性。由于IAAFT可以保留这些特征,作者判断波动记忆和交易量持久性主要是线性频谱层面的属性,而非加密货币独有的非线性机制。
MF-DFA通过改变矩阶(q)考察不同规模波动的标度差异。若广义Hurst指数(h(q))随(q)变化,且多重分形谱(f(\alpha))较宽,说明不同局部区间存在不同的标度行为。
图3显示,原始数据的(h(q))曲线明显下降,(f(\alpha))呈宽而凹的形状,说明四类资产都具有多重分形。Shuffle和IAAFT曲线更平坦,谱宽明显收窄,而且两类替代曲线彼此接近。这说明一部分多重分形仅仅来自厚尾边际分布,原始数据相对于IAAFT的额外宽度才体现剩余时间结构。
表2给出的原始谱宽为:
Shuffle和IAAFT的谱宽约为0.23—0.25,较为一致。扣除IAAFT基准后,非线性多重分形部分约为:
这表明BTC的非线性标度异质性最强,标普500最弱,但XRP已经比BTC更接近标普500。因此,MF-DFA支持“资产之间存在差异”,却不能提供稳定的“加密货币整体对标普500”的二元分类。2022年之后,BTC仍保持最宽谱,但ETH收窄幅度最大,XRP反而成为第二宽,进一步说明多重分形排序具有资产个体性和样本敏感性。
CECP将序数模式的排列熵和统计复杂度结合起来。排列熵越高,说明局部顺序越接近均匀随机;统计复杂度在纯随机和纯有序两端都趋近于零,在具有非平凡结构的中间状态较高。
图4(a)显示,BTC、ETH和XRP都位于高熵、低复杂度区域,接近随机极限;标普500则具有更大的熵缺口和复杂度。标普500的熵缺口约为(21.0\times10^{-4}),复杂度约为(37.2\times10^{-4}),明显高于三种加密货币。
这一结果不是说加密货币“更有效率”或“更理性”,而是说明在一分钟短期序数模式上,加密货币的局部涨跌排列更缺乏稳定结构。报告提出,标普500更标准化的执行、流动性提供机制和集中交易时段可能产生更规律的局部排序,而加密市场的交易所碎片化与全天候连续交易可能削弱这种规律。
图4(b)的替代检验揭示结构来源。Shuffle后加密货币接近随机极限;标普500仍保留约(1-H=8.1\times10^{-4})、(C=14.4\times10^{-4})的基线,可能与其较多零收益分钟有关,因为重复值会产生序数并列。IAAFT对BTC和ETH能够复制其较大部分复杂度,说明线性相关解释较多;XRP的IAAFT更接近Shuffle,说明其原始结构中非线性成分相对更大;标普500则存在约(22.2\times10^{-4})的原始复杂度与IAAFT差距,显示其也具有无法由边际分布和线性频谱解释的非线性序数结构。
稳健性检验表明,在多组嵌入维度和延迟参数下,标普500始终具有最高复杂度和最大熵缺口;最弱的复杂度比仍为4.81,生产设定下达到5.54,2022年后样本中也保持明显分离。因此,CECP结果并非单一参数选择造成。
有向水平可见图把每个收益观察值视为节点。如果两个节点之间没有更高的中间值阻挡,则建立可见性连边,并按照时间方向从过去节点指向未来节点。入度代表来自过去的可见连接,出度代表指向未来的可见连接。入度和出度分布不一致,就意味着时间不可逆。
图1用节点4说明网络构造:节点4有2条入边和4条出边;节点6阻挡了节点4到节点7的候选连边。这个例子说明,HVG并非只测量收益大小,而是测量一个极端或高可见度观察值前后,序列中其他观察值如何排列。
研究使用三个指标:
图5(a)显示,所有资产在全度数范围内的原始(D_{JS})都高于替代基准,说明四类市场都存在替代模型无法复制的时间不可逆性。然而,全度数结果并不能清晰区分加密货币与标普500。
真正的分离出现在高阶节点。图5(c)显示,低度数区域的(A(k))接近零;当(k\geq10)后,三种加密货币的曲线迅速上升,而标普500仍较平坦。限制在高可见度区域后,加密货币的(D_{JS})仍明显高于IAAFT和Shuffle基准,而标普500落入替代序列范围内。加密货币的高阶(A_{KL})进一步转正,BTC和XRP超出替代误差范围;ETH虽为正但仍处于误差范围内。标普500则转为负值。
正的高阶(A_{KL})意味着加密货币高可见度事件之后,序列结构相对于事件之前呈现更强的“向过去可见”方向性。作者谨慎强调,这不等同于证明存在唯一的“上涨—恢复”路径,但与“大波动突然出现并在随后保持高位”的事件形态一致。
图6把原始收益分解为绝对收益、正收益子序列和负收益幅度子序列:
绝对收益保留完整时间网格但去掉正负符号。三种加密货币在全度数和高阶区域的(A_{KL})都高于替代区间,且高阶区域明显增强;标普500仍处于替代区间。这表明方向性主要与波动幅度和极端事件排序有关,而不是单纯由收益正负号造成。
三种加密货币在正收益序列中均表现出显著正向高阶不对称,且(k\geq10)时进一步增强。其含义是,在保留下来的上涨事件排序中,大额上涨之后往往存在更密集的后续上涨事件。不过,由于该分析删除了负收益并丢失了原始时间间隔,不能将其解释为现实钟表时间上的连续上涨行情。
负收益幅度在全度数范围内三种加密货币都高于替代区间,但高阶区域只有ETH和XRP仍保持明显分离,BTC落回替代范围,标普500始终没有明显异常。因此,上行方向具有较强的跨加密货币共同性,而下行方向则表现出明显的资产个体差异。
补充材料进一步说明,(k=10)是操作性阈值,而非理论上普适的临界点;稳定的显著分离通常从(k=11)—12左右开始。对于不同收益变换,Fisher精确检验显示显著连续区间的起点并不相同,负收益序列尤其缺乏稳定的跨资产连续分离。
报告进行了多项稳健性检验:
第一,样本仅包括三种加密货币和一个标普500期货基准,不能直接推广到所有代币、个股、债券或外汇市场。第二,交易所聚合和一分钟采样虽能降低部分噪声,但仍无法完全消除加密市场的报价延迟、交易所异质性及流动性差异。第三,IAAFT并非完全“只破坏非线性结构”的理想实验工具,尤其在厚尾、高频和有限样本条件下,替代序列的频谱与高阶网络统计可能存在估计误差。补充材料也承认,高阶HVG指标会受到边际分布、有限样本以及IAAFT保留的线性结构共同影响。
第四,CECP中的标普500高复杂度部分可能受到零收益分钟和序数并列影响。作者对此进行了说明,但这也意味着加密货币与标普500之间的差异不仅来自交易机制,还可能受到价格记录精度和交易时段制度差异影响。
第五,“高可见度事件”并不必然等同于经济意义上的新闻冲击、清算事件或流动性危机。HVG度数是序列几何结构指标,虽然可识别大幅波动及其前后排序,却不能单独确定事件的经济原因。
这份报告最重要的贡献,不是再次证明加密货币具有厚尾、波动聚集和多重分形,而是指出这些宏观统计特征不足以证明市场动态机制已经趋同。BTC、ETH、XRP与标普500在收益分布、Hurst指数和波动记忆方面表现出显著重叠:收益方向接近随机,绝对收益与交易量具有长期记忆,尾部指数大致位于2.5—2.9,多重分形也普遍存在。
但进一步的结构诊断揭示了一个具有“二重性”的结论:
因此,作者的总体判断是:加密货币已经实现了统计成熟,但尚未实现动力学等价。依赖尾部指数、Hurst指数、GARCH或多重分形宽度的传统风险模型,可能准确捕捉宏观波动,却遗漏局部序数结构和极端事件的时间排序。若要充分刻画加密货币市场,应将CECP坐标、(D_{JS})、(A_{KL})以及度数分解的(A(k))纳入模型检验和风险管理框架。
2608.10852.pdf