金融研究报告详尽分析报告:NFT市场中的相关性与噪声研究
1. 元数据与报告概览
报告标题: Correlations versus noise in the NFT market
作者: Marcin Wątorek, Paweł Szydło, Jarosław Kwapień, Stanisław Drożdż
发布机构: 克拉科夫理工大学计算机科学与电信学院;波兰核物理研究所复杂系统理论系
发布日期: 2024年7月9日
研究主题: 探索非同质化代币(NFT)市场中不同NFT收藏品间的价格波动和交易量的相关性特征,结合金融市场的统计物理方法来区分相关信号与随机噪声。
核心论点与目标:
报告着眼于以太坊平台上90个NFT集合的市值(capitalization)及交易数量(number of transactions)数据,分析集合间的跨相关性,主要通过多变量去趋势相关系数和传统Pearson相关系数构建相关矩阵,使用随机矩阵理论(RMT)来鉴别噪声与信号。结果发现NFT市场的相关性普遍弱于成熟金融市场,其相关矩阵的特征值分布基本遵循马尔岑科-帕斯图尔分布(Marchenko-Pastur),但仍存在明显偏离表明真实相关结构。报告采用最小生成树(MST)网络分析,揭示NFT市场资本波动对应的网络呈现尺度无关特性,而交易数量对应的网络则较为去中心化。报告旨在为NFT市场的结构与动态提供科学定量分析和解释,为理解这一新兴市场的机制贡献洞见。1 ,1]
2. 逐节深度解读
I. 引言
报告首先回顾了区块链技术的发展历程,从2009年比特币诞生起,至以太坊推出智能合约平台后,区块链的应用大幅扩展,特别是ERC-20代币的创建。DeFi的兴起及2021年NFT爆发结合了智能合约的低门槛和名人效应推动了NFT的流行,带来了投机泡沫。后来,NFT市场经历剧烈调整,市值从约210亿美元高峰跌至50亿美元左右,揭示NFT市场的高波动性和操纵风险。该章节还介绍了NFT的起源与发展,并提出尽管已有大量NFT市场行为分析,但市场不同收藏品间的整体相关性研究尚缺乏定量分析,是本研究的关键切入点。1 ,1]
II. 数据与方法
A. 数据说明
数据涵盖2022年6月9日至2023年10月21日期间,以太坊上90个NFT收藏的逐笔交易数据。
数据来源CryptoSlam!,涵盖这90个收藏市场表现最活跃的品种(每小时交易占比少于50%的13个品种采用1小时频率统计,其余使用24小时频率)。
重点统计两个时间序列变量:(1)集合市值的对数增量 ( c_{\Delta t}(t) = \ln K(t+\Delta t) - \ln K(t) ),(2)单位时间内的交易数量 ( N_{\Delta t}(t) ) 。
价格转化为美元便于跨币种统计,但因交易以多种币种计价,合并复杂。
数据中典型Twitter驱动事件带动少数收藏爆发,如Milady Maker在Elon Musk推文刺激下短时交易激增。
交易数据显示整体下行的市场趋势,少数收藏逆势增长,交易活跃度和市值呈正相关,但亦存在市值大却交易少的例外,如CryptoPunks。2 ,2]
B. 统计特性分析
局部图表(图1、图2)显示NFT交易呈显著日周期性:主要交易时段符合美国东部工作时间,峰值出现在UTC 12点左右。
绝对市值增量和交易次数的分布均呈重尾形态,符合金融时间序列的特征。
对市值增量的重尾分布拟合出幂律指数约1.5-2.0,而流动性最高的收藏拟合胖尾指数式分布(形如 stretched exponential)。
自相关函数(ACF)显示市值增量与交易频次在绝对值上存在长期记忆(LRD),表明价格和交易量波动都有一定持续性,类似传统金融市场。
统计性质确认了采用多尺度去趋势相关分析的必要性,模型选择MFDFA及相关衍生指标,如 ( \rho(q,s) ),用以探测不同波动幅度和时间尺度下的相关性。3 ,3]
C. 去趋势相关测度 ( \rho(q, s) )
采用具有抗非平稳性质的多重分形去趋势交叉相关分析(MFDCCA)方法,计算 ( \rho(q,s) ) 系数,区别跨时间尺度和不同大小波动对相关性的贡献。
方法详细列出时间序列分段、线性去趋势处理、样本协方差及方差计算、最终相关系数定义。
参数 ( q ) 控制波动大小关注焦点,( q > 2 ) 放大大幅波动相关性,( q < 2 ) 放大小幅波动影响。
对市场中具代表性的Mutant Ape Yacht Club,发现市值增量和交易量均表现持久性(Hurst指数约0.62~0.65),且交易量展示较强多重分形特征,尤其是对大幅波动部分存在复杂结构。
多重分形谱显示小波动相对单一化,大且中度波动承载更多市场信息,而小波动更像噪声,吻合金融市场长期观察。此为NFT市场动态的统计力学特性基础。5 ,5]
III. NFT收藏特征相关性研究
A. 特征值谱及相关矩阵分析
构建基于Pearson和去趋势相关系数的相关矩阵,比较其特征值分布与随机矩阵理论(Marchenko-Pastur)预测。
NFT市场的最大特征值 ( \lambda_1 ) 显著大于随机噪声范围,表明存在统计显著的市场因子,但其幅度小于传统金融市场,反映相关性整体较弱。
对市值增量和交易数量,第二至四大特征值也超出随机界限,尤其交易数量表现出更明显的群体行为特征。
特征值及相关性随时间尺度增长而增强,符合金融市场普遍规律。
去趋势相关矩阵在大波动部分(( q=4 ))显示极端关联元素,特别是在2023年1月6日多个较不活跃收藏的同步交易激增事件中,反映单点高影响事件对整个网络结构的重要影响。6 ,6]
B. 特征向量成分分析
通过分析最大特征值对应特征向量 ( \mathbf{v}_1 ) 的分量,发现NFT市场的“市场因子”并非由最大市值或最活跃的收藏主导,而是由一些流动性较低的集合贡献较多 ,与传统金融市场和加密货币市场截然不同。
对于较低市场因子的一阶特征向量,不同集合呈现正负相向分量,指示部分收藏对整体市场走势呈反向作用,即存在反相关的集合行为。
去除市场因子影响后,二阶特征值对应特征向量揭示出收藏间更细粒度的聚类结构,如同一发行者旗下收藏高度相关(比如Pudgy Penguins及其衍生Lil Pudgys),以及同类主题集合(Ape主题系列)表现出显著正相关。
在交易量的相关矩阵中,二阶特征向量展现的相关性主导权部分归于最活跃的集合,而去趋势大波动中则又偏向反映不活跃集合同步爆发事件。
以上结果支撑NFT市场存在多层次但相对松散的相关结构,且部分高影响力事件主导网络结构形态。7 ,7,8]
C. 最小生成树(MST)网络分析
基于相关矩阵构造集合间的欧式距离矩阵,再用克鲁斯卡尔或普里姆算法构建MST,简化网络结构以突出核心相关模式。
结果显示,无论资本增量还是交易数量,NFT集合的MST网络结构均去中心化 ,缺乏类似传统股市那种明显的超大中心节点,呈现更分散、小规模中心的聚集形态。
重要的局部中心节点如3Landers、Project PXN、Chain Runners、Cool Cats等,但并非以市值最大或交易最频繁的收藏为主导。CryptoPunks等最大资本馆藏通常处于网络边缘。
去除市场因素(最大特征值)后的过滤矩阵构建的MST依旧分散,呈现多核聚集的态势。
对于关注大幅波动的去趋势矩阵对应的网络,MST依然分散,表明市场在大波动时段也不由单一资产主导。
节点度分布展示部分规模无关性(幂律尾部),暗示MST属于尺度自由网络,但无单点极端集中趋势。
这一特征反映NFT市场中信息传递和价格联动机制较为分散且非集中,推测与NFT的非同质化、本质交易机制及缺乏统一订单簿密切相关。9 ,9,10]
3. 重要表格与图表解读
图1:NFT集合市值及交易数时间序列
面板(a)显示大多数NFT收藏品资本总值整体走低,明显下行趋势。Milady Maker等例外于2023年出现市值激增,受到Elon Musk推文影响。
面板(b)显示交易量时间序列,突出2023年1月6日,部分较少交易的低市值集合突然爆发大量交易。
插图突出了异常日期交易激增的情况,为后续解释相关性极端现象提供基础。
图2:NFT每日交易量的小时级平均分布
显示NFT市场交易集中于美东工作时间段(UTC12点附近),峰值明显。
两个次峰也出现于下午时段,明显呈现周期性交易活跃。
该交易时间模式与传统金融市场类似,为相关性分析提供时间同步背景。
图3:市值增量及交易次数分布CCDF
面板(a)市值增量绝对值展现幂律衰减特征,指数介于1.5至2.0,部分用拉伸指数函数拟合良好。
面板(b)交易次数尾部分布相对较轻,呈拉伸指数分布,显示交易活跃度具有不同的波动性质。
重尾特征为选用多尺度相关分析及分形模型奠定统计基础。
图4:13个最活跃集合的自相关函数
市值增量和交易次数均表现长期记忆(长期渐进衰减),典型的金融时间序列特征。
部分集合显示幂律衰减,表明存在多层次时间依赖结构。
图5:Mutant Ape Yacht Club集合的多阶波动函数与奇异谱
双对数尺度下波动函数清晰展现规模律关系,Hurst指数分别为0.62和0.65,证明价格与交易量时序的持久性。
奇异谱(多重分形谱)存在明显不对称,以大波动为中心,支撑市场噪声与信息含量的区分。
清晰体现NFT市场复杂动态的多重分形性质。
图6:相关矩阵特征值分布与非高斯走廊
特征值部分明显超出马尔岑科-帕斯图尔分布界限,证实真实相关性存在。
大特征值指向整体市场因子,次大特征值体现群体级行业或类别效应。
右侧面板显示去趋势大波动相关矩阵的尾部极端元素,反映大波动期间集合间强烈突发相关。
图7与8:最大和次大特征值对应特征向量分量
展示了各NFT集合对市场因子贡献差异,非流动性较高的集合反而贡献较大。
去除最大因子后分析次大特征向量,更细化反映发行方及主题相似性的群体效应。
特征向量呈现部分负相关集合,暗示多元市场动态。
图9-14:基于不同相关矩阵的最小生成树网络图
节点大小反映资本或交易活跃度。
结构表现为多中心、分散且无明显超级节点。
过滤处理前后结构稳定,去趋势大波动时段仍无明显中心集聚。
MST的社区划分与发行商、主题及流动性相关,反映市场内部微观结构。
图15:最小生成树节点度的累积分布
-展现尺度自由网络特征,节点度呈现幂律衰减。
说明NFT市场中信息传递网络不依赖单点枢纽,节点重要性分布较为均匀。
4. 估值方法及财务分析
本报告不涉及传统意义上的企业估值或未来财务利润预测,而是侧重于统计物理和多变量时间序列分析方法,尤其包括:
相关系数分析: 传统的Pearson相关系数和基于MFDFA的多尺度去趋势相关系数 (\rho(q,s)),后者能够对非平稳、多重分形时间序列进行放心处理,更彰显大波动的影响。
随机矩阵理论(RMT): 利用Marchenko-Pastur分布鉴别相关矩阵的随机部分与有效信号。
网络分析: 基于相关矩阵构造的最小生成树网络结构,揭示市场系统内资产间的结构性关联,考察网络拓扑特征。
在这些分析中,无需传统的折现率、盈利增长率等参数,完全依靠大量高频时间序列数据的统计性质和矩阵谱结构。
5. 风险因素评估
报告未显著详述具体风险控制策略,但暗示若干可能风险:
市场波动性极大: NFT市场爆发性上涨后崩盘,资本迅速缩水近90%,高度不稳定。
市场缺乏监管: 易受操纵行为影响,包括洗盘交易和拉抬出货,增加市场噪声与价差。
市场结构分散且信息传递缓慢: 非同质性质和缺乏订单簿导致套利和流动性不足,可能加剧价格错配和投机行为。
极端事件影响显著: 数据表明单日交易爆发等事件对市场相关性影响巨大。
这些风险可能导致市场相关性的时变性和低稳定性,投资者应警惕市场结构性失衡和操纵风险。11
6. 审慎视角与细微差别
报告显示NFT市场相关性整体偏弱,显著区别于股票、外汇和主流加密货币市场,这固然与NFT的年轻市场阶段有关,但部分差异可能根源于NFT特殊的交易结构,尤其是非同质化与缺乏统一交易簿等机制限制。
搭建相关矩阵及网络模型时,数据时长(约500天)虽具有一定有效性,但尚无法覆盖更长时间跨度的潜在周期性风险。
特征向量分析中大型流动集合反而对市场因子贡献较小,表明市场集中度不足,也可能因数据选择偏向部分不活跃集合爆发事件所致,建议未来细化数据平衡。
去趋势相关系数在参数选择上或对结果敏感,存在参数(如q和s)调整导致的模型适配性问题,需结合更多验证手段确保稳定性。
此外,利用MST虽具图形简明一面,但也会丢失部分多元关系复杂度,影响对市场系统整体协同性的全面理解。
以上均为报告原文或暗示内容的细节考察,未涉及作者之外的推断。
7. 结论性综合
本报告通过严谨的多尺度统计分析揭示了NFT市场的复杂动态及其在资本增量和交易频率上的内部相关性结构。以下为关键发现综述:
NFT市场中的价格和交易时间序列均展示典型金融时间序列特征,如重尾分布、长记忆及多重分形结构,说明NFT市场在统计学层面具备成熟市场的部分属性。
不同于成熟的股票或加密货币市场,NFT集合间的跨相关性较弱,市场整体相关因子幅度较小,表现为市场因子的最大特征值较低且贡献分布分散,表明NFT市场表现出相对独立及去集中的动态。
交易网络及市场因子受突发性大事件驱动,例如2023年1月的交易激增导致短期内集合间出现强相关,这种现象被去趋势大波动相关系数捕捉。
最小生成树网络分析进一步揭示NFT市场结构相对分散,缺乏明显超级节点,最大集合(CryptoPunks等)往往处于网络边缘,表明NFT资产的非均衡协同演化,与其他金融市场调性大相径庭。
该现象部分归因于NFT的非可替代性质及其独特的智能合约与交易机制,抑制了经典金融市场的套利效率及信息传输速度,造就了更为碎片化的市场结构和较低的系统聚合度。
报告的方法有效兼顾了金融市场中数据非平稳、多重尺度交互及噪声识别,适合对这类前沿市场进行深入分析和理解。
综上,报告为理解NFT市场的内在机制与风险提供了理论支持和数据支撑,揭示了该市场在金融生态系统中的独特地位和未来挑战,具有重要的学术与实务价值。1–11
参考图片一览(部分关键图表)
图1 NFT集合市值与交易量时间序列
图2 NFT市场交易活跃时间模式
图3 Capitalization increments和交易次数的CCDF
图5 多阶波动函数及多重分形谱
图6 相关矩阵特征值与非高斯分布
图7 Eigenvector最大特征向量成分
图9 最小生成树网络(市值增量相关)
图15 MST节点度分布
总结
该报告以严谨的多重分形和随机矩阵理论为依托,结合网络结构分析,首次系统揭示NFT市场的相关性结构及其本质区别于传统金融资产的特征,突出其去中心化、低相关性及事件驱动的动态特征。为后续NFT市场的风险管理、定价理论及投资策略制定提供了理论基础和实证依据,在学术及产业界均具标杆意义。1–11