数字货币的风险收益特征
加密货币是近年来受到广泛关注的一种事物。一方面，它基于一项根本的新技术，其潜力尚未得到充分理解。另一方面，至少在当前形式下，它提供了与其他更传统的资产类似的功能。加密货币是一种货币、一种商品、一种压在技术突破的赌注，还是一种完全不同的工具?加密货币可以用其他资产类别的因子来定价吗?区块链技术的发展可能会影响哪些行业?
理解加密货币的一种方法是调查它们的回报是否与其他资产类别类似。换句话说，我们分析投资者和市场如何评估加密货币的当前和未来前景。我们使用实证资产定价的标准工具来全面分析加密货币的风险和收益。具体来说，我们研究了主流加密货币是否与股票、货币、大宗商品、宏观经济因素以及加密货币市场所特有的因子相关。我们的主要结论是，只有加密货币市场特有的因子——动量和代表投资者注意力的变量——才能持续地解释加密货币回报率的变化。这表明，与主流解释相反，市场认为加密货币与标准资产类别是不同的。
我们关注五种主要加密货币中的三种——比特币、瑞波币和以太坊——并从加密货币回报的简单统计特征开始我们的研究。我们观察到，回报率的均值和标准差比传统资产类别的均值和标准差高一个数量级。例如，比特币的周平均回报率为3.79%，标准差为16.64%。每日和每周的夏普比率分别高出约50%和75%，而每月的夏普比率则与股票的夏普比率相当。从日频率到月频率，收益率呈右偏程度不断增加。回报率有着更大的遭遇“灾难”和“奇迹”的概率。例如，比特币日收益率为-20%的“灾难”发生的概率为0.5%，而同样规模的“奇迹”发生的概率接近1%。
首先，我们研究加密货币市场的行为是否与股票市场类似。我们通过研究加密货币市场的回报是否能被股市衍生的风险因子所解释来验证这一点。结果表明，CAPM的贝塔是相当大的，但阿尔法仍然很大，且统计显著。股市中其他常见风险因素的因子载荷非常小。具体来说，FamaFrench五因子模型的解释效果也不好，统计不显著。与比特币相比，瑞波币和以太坊具有更高的无条件阿尔法，更小的CAPM贝塔，以及对HML因子的强烈暴露。我们还研究了金融文献中记载的155个其他因素，并没有发现明显的因子负载模式。
其次，我们研究了数字货币收益率在其他主流法定货币上的风险暴露程度（澳元、加元、欧元、新加坡元、英镑）。这是为了测试一种流行的观点，即数字货币是一种新的交换媒介（即货币）。尽管上述法定货币的走势有很强的相关性，但我们发现，所有的加密货币对这些货币的风险暴露都很小，在统计上也不显著。
第三，我们研究了加密货币对贵金属大宗商品(黄金、铂和白银)的风险暴露程度。除了以太坊对黄金有风险暴露外，所有其他加密货币对这些大宗商品的风险暴露在统计上并不显著。
第四，我们研究了加密货币收益率对宏观经济因素的风险暴露程度。对于比特币和瑞波币来说，其对常见宏观经济因素(非耐用消费品增长率、耐用消费品增长率、工业生产增长率和个人收入增长率)的风险暴露程度较低，且没有统计学显著性。而耐用消费品增长率对以太坊有一定的影响。
综上所述，我们确定加密货币的风险收益特征与股票、货币和贵金属是不同的。因此，从市场的角度来看，几乎没有证据表明加密货币与这些传统资产之间存在相似性。
现在我们转向加密货币自身特有的因素。我们参照传统资产类别的因子构建了反映加密货币回报率的因子。具体来说，我们构建了与投资者注意力相关的代理变量，数字货币价格“股息”率，已实现波动率，与数字货币供给相关的代理变量。
首先，数据显示三种加密货币在日和周的频率上都存在显著的动量效应。例如，如果当天比特币收益率增长一个标准差，那么未来一天的日收益率将增长0.33%。将周收益率按分位数分成5组，前20%分位组在随后1到4周比后20%分位组的收益率大。前20%分位组随后1周的平均收益率为11.22%，夏普比率为0.45，而后20%分位组随后一周的平均收益率为2.60%，夏普比率为0.19。然而，以太坊的动量效应没有那么显著（相对于比特币和瑞波币来说）。
其次，我们构建了投资者关注度的代理变量，投资者的高度关注可以预测比特币未来1-2周、瑞波币未来1周、以太坊未来1周、3周和6周的收益率为正值。例如，谷歌搜索“比特币”的量增加一个标准差，在未来两周的比特币收益率会增长2.3%。按周频率统计，按投资者关注度变量的分位数分成5组，前20%分位组随后一周的平均收益为11.20%，夏普比率为0.48，而后20%分位组随后一周的平均收益为1.07%，夏普比率为0.08。我们构建的另一个投资者关注度的代理变量是Twitter帖子计数。推特上“比特币”一词出现次数增加一个标准差，未来一周的比特币收益率将增加2.50%。最后，我们构建了一个投资者负面关注度的代理变量，并证明相对较高的投资者负面关注度对未来比特币的回报具有反向预测作用。我们在谷歌搜索短语“Bitcoin hack”和搜索单词“Bitcoin”之间构建了一个比率，并表明该比率增长一个标准差会导致下一周比特币回报率下降2.75%。
我们构建了一个比特币价格与“股息”比率的代理变量，发现它没有预测能力。已实现的波动性也不能预测比特币和以太坊的收益率，但可以预测瑞波币随后4、5和7天的收益率。
最后，我们构建了挖矿成本的代理变量来代表数字货币供应方面的因素，发现这些因素对比特币和瑞波币的影响较小。有一些数据表明以太坊收益率与AMD的股票收益率相关，AMD是专业采矿硬件的主要制造商之一。
我们的主要结论是，加密货币确实代表了一种可以使用简单金融工具进行评估的资产类别。与此同时，加密货币包含一个与传统资产类别截然不同的资产类别。
我们的最后一组结果显示了不同行业对加密货币的风险暴露。这些结果表明哪些行业可能受益于区块链技术，哪些行业可能受到区块链技术的冲击。我们从30个FamaFrench行业开始研究，发现消费品和医疗保健行业对比特币收益率有显著的正风险暴露，而制造产品和金属采矿行业对比特币收益率有显著的负风险暴露。金融、零售和批发行业没有风险暴露。然后，我们估算了354个美国SIC行业对加密货币收益率的风险暴露，以及137个中国CIC行业对比特币回报的风险暴露，除去了超额市场回报，并创建了一个关于不同行业对数字货币风险暴露的指数。
现在我们简要讨论一下与文献的关系。本文使用的是标准的实证资产定价工具和方法，由于篇幅有限，对这些工具和方法的详细讨论已经被忽略。关于动量的发现与Jegadeesh 和 Titman(1993), Moskowitz 和 Grinblatt(1999), Moskowitz, Ooi 和 Pedersen (2012), Asness, Moskowitz 和 Pedersen(2013)等一系列论文有关。Da, Engelberg和Gao(2011)使用谷歌搜索来代表投资者的注意力。Yermack(2015)是最早引起学术界对加密货币领域关注的论文之一。最近的一些论文主要讨论加密货币估值模型(例如, Weber (2016), Huberman, Leshno 和 Moallemi(2017), Biais(2018), Chiu and Koeppl (2017), Cong 和 He(2018), Cong, Li 和 Wang(2018), Cong, He 和 Li(2018), Sockin 和 Xiong(2018), Saleh(2018), Schilling 和 Uhlig(2018), Abadi 和 Brunnermeier(2018), Routledge 和 Zetlin-Jones(2018), 以及 Makarov 和 Schoar (2018))。
加密货币价格数据系列来自CoinDesk网站。对于比特币，我们使用了2011年1月1日至2019年9月1日的数据，因为在早些年没有太多的流动性和交易。瑞波币数据范围从08/04/2013到05/31/2018, 以太坊数据范围从08/07/2015到05/31/2018。
美国综合和个股收益率数据来自CRSP。详细的SIC行业回报数据系列是用个股回报构建的。中国综合和个股收益率数据来自CSMAR。我们从个股中构建了价值加权的中国股票收益和详细的CIC(中国行业分类)行业收益数据序列。中国股票收益数据系列持续至9/1/2019。
从Kenneth French的网站上获得了Fama French 3因子、Carhart 4因子、Fama French 5因子和Fama French 6因子模型数据集。我们还从Kenneth French的网站上获得了Fama French 30个行业、欧洲、日本、亚洲(除去日本)和北美的收益率序列。
以人民币为计价单位的外汇现汇汇率来自CSMAR。我们专注于6种主要货币:美元、欧元、日元、英镑、加元、新加坡元。贵金属的现货价格也来自于CSMAR。金价来自上海黄金及贵重金属交易所的AU9999。铂价来自上海黄金及贵重金属交易所的PT9995。
宏观经济数据系列来自CSMAR。非耐用品消费定义为非耐用商品和服务。公司债收益率数据序列由CSMAR上的上证公司债指数构建。对于住房市场，我们使用CSMAR上的房地产开发综合经济指数。155个异象因子的时间序列数据可从Andrew Chen的网站下载。
股票市场价格、股息、净利润以及三个月期中国国债利率均来自CSMAR的网站。利用这些数据序列，我们构建了股票市场的市盈率(pd)、市盈率(pe)和相对国库券利率(tbill)。相对国库券利率的定义是现期三个月国库券利率减去其前12个月移动平均利率。信用价差是指上证公司债AAA指数与上证公司债AA+指数之间的收益率差。期限息差(Term)是指10年期中国国债与3个月期中国国债之间的收益率息差。有关上证公司债AA+指数收益率、上证公司债AAA指数收益率、10年期中国国债收益率和3个月中国国债收益率的数据系列来自CEIC。
我们现在来看比特币、瑞波币和以太坊收益率时序数据的主要统计特性。图1绘制了三种加密货币的价格走势。
表1和图2显示了比特币在每日、每周和每月频率上的统计数据。与股票、公司债券和住房的统计数据相比，回报率和波动性都很高。在日频率下，平均收益率为0.52%，标准差为5.55%;在周频率下，平均收益率为3.79%，标准差为16.64%;在月频率下，平均收益率为21.60%，标准差为69.46%。均值和标准差都比传统资产类别高一个数量级。这些事实是众所周知的。
比特币的夏普收益率在日频率为0.09，周频率为0.23，月频率为0.31。在每月的频率上，夏普比率与同期股票的夏普比率相似，但高于历史上股票的夏普比率。在每日和每周的频率上，夏普比率分别比同期的股票高出50%和75%。
在表2、表3和图3、图4中，我们记录了瑞波币和以太坊收益率的主要统计特性。注意，由于瑞波币收益率时序数据于2013年4月8日开始，而以太坊收益率时序数据于2015年7月8日开始，因此我们在表中列出了相应时期的比特币统计数据。瑞波币收益率的日频夏普比率为0.06，周频夏普比率为0.13，月频夏普比率为0.25。与同期的比特币回报率相比，瑞波币回报率的均值和标准差都明显更高。然而，在此期间，瑞波币回报率的夏普比率与比特币回报率的夏普比率相当。以太坊的夏普比率在日频为0.11，周频为0.28，月频为0.53。以太坊回报率也比同期比特币回报率有更高的均值和标准差。在此期间，以太坊的夏普回报率与比特币的夏普回报率相当。
比特币的回报在所有频率上都是正向倾斜的，而股票的回报则是负向倾斜的。偏度由日频的0.80增加到周频的1.76，月频的4.32。对应的峰度在日频率为15.21，周频率为10.25，月频率为25.38。比特币的日回报极有可能是负的或正的。例如，日回报率- 20%的“灾难”概率几乎为0.5%;日回报率20%的“奇迹”概率几乎是1%。纹波和以太体回波具有相似的特性:(1)各频率均为正偏态，峰度高;(2)日收益异常正负的高概率。
Table 1: 比特币和传统资产类别收益率的对比
Table 2: 瑞波币和传统资产类别收益率的对比
Table 3: 以太坊和传统资产类别收益率的对比
Table 4: 周一到周日分别统计收益率的对比
表4显示了周一到周日的收益率的均值、标准差和夏普比率。与股市形成鲜明对比的是，数字货币没有明显的周一效应。然而，周六的回报率更低:比特币的周六平均收益率是0.33%，周六的夏普比率为0.06，而日平均水平为0.52%，夏普比率为0.09;瑞波币的周六平均收益率是0.14%，夏普比率为-0.02，而日平均水平为0.59%，夏普比率为0.06;以太坊的周六平均收益率0.26%，夏普比率为0.03，而日平均0.81%，夏普比率为0.03，虽然比特币在周日的回报率略低，但在周六，所有三种加密货币的回报率都较低。
在本文中，我们报告了两种类型的t统计量:(1)使用常规标准误，(2)使用Bootstrip标准误。第一个类型用小括号，第二个类型用中括号。
在本节中，探究上述3种数字货币在股票、外汇、贵金属、宏观等因子上的风险暴露，t值的表示方法和第二节一样，圆括号代表使用常规标准误和方括号代表使用Bootstrap标准误。
表5展示了比特币收益率在股票市场因子上的风险暴露。在模型上，我们选择了CAPM模型、Fama French 3因子模型、Carhart 4因子模型、Fama French 5因子模型和Fama French 6因子模型。上述所有模型的$\alpha$都是显著的。无条件月度$\alpha$是22.45%。CAPM调整后的月度$\alpha$值下降到18.91%，降幅约为16%。CAPM的$\beta$值为3.34，但统计上不显著。在5因子和6因子模型中，$\beta$在10%的水平上显著。相应的$\alpha$分别为每月16.72和15.98%。在其他因子上的系数并不显著。SMB因子的系数在上述所有模型中都不是稳定的:当考虑5因子和6因子模型时，其大小和符号都发生了变化。HML因子的系数是负的，且具有一致的大小和符号;这表明，比特币收益率可能与成长型企业的股票收益率更相关。RMW因子的系数是正的，标准误比其他不显著的因子小一些;这表明，比特币的收益率与高利润企业股票收益率更相关。MOM和CMA因子系数的标准误相对其他因子大得多。
Table 5: 比特币收益率因子载荷
Table 6: 瑞波币收益率因子载荷
表6展示了瑞波币收益率在股票市场因子上的风险暴露，并将其与同一时期的比特币收益进行了比较。这段时期的比特币收益率与完整样本中的因子载荷类似，但$\alpha$较小，而且大多不显著。现在我们来分析瑞波币。上述所有模型的$\alpha$都在10%的水平下显著。这段时期的无条件月度$\alpha$是38.15%，是比特币的两倍多。CAPM调整后的$\alpha$与未调整的$\alpha$基本相同。CAPM的$\beta$是比特币的一半，且不显著。与比特币不同的是，在5因子和6因子模型中，HML因子的系数是显著为负的。其他因子的系数并不显著。综上所述，瑞波币在同期的表现优于比特币，其回报与成长型公司更相关。
Table 7: 以太坊收益率因子载荷
表7展示了以太坊收益率在股票市场因子上的风险暴露，并将其与同一时期的比特币收益进行了比较。与完整样本相比，这段时期比特币回报率的因子载荷较小，$\alpha$也较小。现在我们来分析以太坊。$\alpha$在上述所有模型中都显著。这段时期的无条件月度$\alpha$是32.87%，与瑞波币相当，是比特币的两倍多。CAPM调整后的$\alpha$与未调整的$\alpha$基本相同。CAPM$\beta$的大小与比特币差不多，但不显著。与比特币相比，在三因素模型、四因素模型、五因素模型和六因素模型中，HML因子系数都是显著为负的，且其绝对值也更大。其他因子的系数并不显著。综上所述，Ethereum在相应时间段的表现好于比特币，并且在上述所有多因素模型的设定下，其收益率与成长型公司更相关。
在本节中，我们首先开发和研究加密货币特定的预测器。We 考虑 momentum, 代理 为 投资者 attention, 代理 price-to-“dividend” ratio, – 和 波动 都 是 特定 于 单个 cryptocurrency markets.Finally, 我们 构建 代理 cryptocurrency supply 环境在本节中，圆括号和方括号中的t统计信息基于常规的和引导的标准错误。