加密货币的资产定价

张思怡

韩瀚

刘颖格

加密货币已逐步成为金融科技的热门研究领域。本文介绍的论文《加密货币的风险和收益》（Risks and Returns of Cryptocurrency）从实证资产定价的视角对加密货币进行全面分析，论文《加密货币中的常见风险因素》（Common Risk Factors in Cryptocurrency）对加密货币的回报进行了横截面分析。

近年来，加密货币的市场规模大幅增长，在2021年最高峰时曾达到3万亿美元，加密货币价格的高增长性使得加密货币迅速吸引了全球不少投资者和创新者的目光，也引发了学术界的关注。加密货币作为一种去中心化的资产，有着很多与传统资产类似的功能，而且加密货币的技术底层架构——区块链，可以与元宇宙、Web3.0等概念结合，未来想象空间巨大。因此，考虑到加密货币的内在金融属性以及技术本身的潜力，研究加密货币的风险和定价对于当前金融体系十分重要。

然而，加密货币市场具有很强的周期性和波动性。市场上最主流的加密货币——比特币，其价格在2021年11月达到67000美元的峰值，然后在2022年7月价格最低回落至20000美元以下，在短短几个月内损失了近70%的市值，这无疑不仅对投资者，而且对使用这些加密货币作为交易工具公司来说，都是令人担忧的。因此，我们产生了以下问题：加密货币市场是否遵循某种模式？如果是的话，影响加密货币定价的各种风险因素是什么？有可能预测未来的加密货币价格吗？

加密货币在时间序列中的估值研究

罗切斯特大学金融学助理教授刘昱坤（Yukun L i u）与耶鲁大学经济学教授阿莱·齐文斯基（Aleh Tsyvinski）在他们于2021年6月发表在《金融研究评论》（The Review of FinancialStudies）的论文《加密货币的风险和收益》（Risks and Returns of Cryptocurrency）中，从实证资产定价的视角对加密货币进行全面分析，在对现有文献中的加密货币理论模型分析基础上，提出了该资产类别的资产定价研究方法。

该论文研究了影响加密货币回报的潜在驱动因子和预测因子。具体而言，该论文分析了网络因子、生产力因子、动量因子、投资者注意力和估值比率对加密货币回报的影响程度。该论文基于康奈尔大学教授丛林等人的论文《通证经济：动态采用和估值》（Tokenomics: Dynamic adoption and valuation）中的关于区块链平台的定价模型，探讨了网络因子和生产力因子对加密货币收益率的驱动作用。该论文使用比特币钱包用户数、活跃的比特币地址、比特币交易量和比特币支付量来度量网络因子，使用电费和芯片计算成本来度量生产力因子，并使用比特币市场收益率分别对这两个因子进行回归，发现网络因子显著而生产力因子不显著。

在加密货币回报预测性因子的研究方面，学术界存在一些争议。一些论文认为，加密货币价格的演变应该遵从鞅过程，因此回报是不可预测的（Schilling和Uhlig，2019）。另一些论文则认为，在加密货币动态估值模型中，加密货币回报可能以动量、投资者注意力和加密货币估值比率来预测，这与普通股票预测因子十分类似（Cong、Li和Wang，2021；Sockin和Xiong，2019）。在动量因子方面，论文《加密货币的风险和收益》使用未来1至8周的加密货币市场累计收益率对当前加密货币市场收益率进行回归，发现这两个变量间有正的强相关关系。例如，当前比特币市场收益率增加一个标准差，能使得下周比特币收益率增加3.30%。在投资者注意力因子方面，论文《加密货币的风险和收益》使用谷歌比特币搜索量来度量投资者注意力，并使用未来加密货币累计收益率对其回归，也发现二者之间存在正的强相关关系。例如，谷歌比特币搜索量每增加一个标准差，将会导致一周后加密货币市场累计收益率增加约3%，两周后增加约5%。类似地，论文《加密货币的风险和收益》还检验了加密货币估值比率（基本面对市场比率）的回报可预测性，该论文使用长期历史业绩指标、用户市场占比、地址市场占比、交易市场占比和支付市场占比来度量加密货币的基本面价值，并使用未来加密货币累计收益率对其进行回归分析。结果发现，尽管系数估计值始终为负，但以上基本面对市场比率都不能显著预测未来累积加密货币市场回报。

加密货币回报的横截面分析

规模和动量溢价是资产定价中研究最多的领域之一。传统的资产定价研究和新兴的加密货币研究都提出了理论解释来解释规模和动量现象。刘昱坤、阿莱·齐文斯基和加州大学伯克利分校助理教授吴茜（2022）对加密货币回报进行了横截面分析。他们试图回答，股票回报的横截面中市场认为重要的特征是否也可以应用于加密货币市场。在2022年2月发表在《金融杂志》（Journal of Finance）的论文《加密货币中的常见风险因素》（Common Risk Factors in Cryptocurrency）中，刘昱坤、阿莱·齐文斯基和吴茜构建了24类特征来描述加密货币的特征（这些特征大致可以分为四组：规模、动量、交易量和波动性），并分析这24个特征在预测加密市场投资回报的表现。该论文发现，24个特征中的10个具有统计显著性，即市值、价格、最高价格、过去一周的回报、过去二周的回报、过去第三周的回报、过去第四周的回报、第四周初到过去第一周初的回报、价格成交量、价格成交量的标准差。接下来，他们开始研究是否有少数特征可以取代加密货币回报横截面的这10个特征，也可以预测加密货币横截面的回报。作者发现加密货币市场因素的三因素模型：加密货币市场因子（CMKT），即计算加密货币的加权回报，加密货币市值因子（CSMB），以及加密货币动量因子（CMOM），解释了所有9种成功套期保值策略的超额收益。

结语

加密货币作为一个新兴市场，正在吸引着大量学者的广泛关注，已逐步成为金融科技的热门研究领域。很多传统金融领域适用的理论模型可以在加密货币市场中进行检验、创新和重塑，特别是对于资产定价领域理论模型的创新研究更是如此。在本文介绍的第一篇论文中，作者们开创性地提出了加密货币在总时间序列中的资产定价研究方法，并验证了是网络因子而不是生产力因子驱动了加密货币的回报，是动量和投资者注意力而不是估值比率能够预测加密货币的回报。在第二篇论文中，作者们使用由加密货币市场、规模和动量因子构建的三因子模型成功地为加密货币市场中的异常回报定价。

加密货币市场当前还处于早期阶段，市场状态相对不发达、不成熟，甚至是可能存在大量投机和欺诈行为，这意味着在这一阶段进行资产定价研究的样本和结果可能是有偏的。但是，在加密货币市场进行实证研究仍然是具有深远意义的，因为这些研究结果可能同样会适用于未来可能出现的新的资产类别。换言之，当前进行实证研究的意义可能并不仅局限于加密货币市场。