# Risks and Returns of Cryptocurrency

## 摘要
- 確定加密貨幣的回報受到特定於加密貨幣市場的因素的影響，並且可以被預測
- 加密貨幣的回報受到加密貨幣網絡因素的影響，而不受加密貨幣生產因素的影響
- 構建了網絡因素，以捕捉加密貨幣的使用者採用情況，並構建了生產因素，以代表加密貨幣生產的成本
- 存在著強烈的時間序列動能效應，而投資者關注的代理變數可以強烈預測未來的加密貨幣回報
- （例如，Pagnotta和Buraschi 2018年；Biais等人2018年；Cong、Li和Wang 2019年）並強調了由於網絡效應的正外部性引起的價格動態
- （例如，Cong、He和Li 2018年；Sockin和Xiong 2019年）並顯示加密貨幣價格的演變與生產的邊際成本相關
- （例如，Athey等人2016年；Schilling和Uhlig 2019年；Jermann 2018年）將加密貨幣價格的變動與像法幣這樣的傳統資產類別相結合
- Borri（2019年）表明個別加密貨幣受到加密市場的尾部風險影響
- Makarov和Schoar（2020年）發現加密貨幣市場存在潛在的跨交易所套利機會期
- Griffin和Shams（2020年）研究了比特幣價格操縱

### 本論文是對加密貨幣進行全面分析的第一個實證資產定價視角。它的貢獻有兩個方面
1. 它測試了現有理論模型的機制和預測
2. 它建立了一套關於這一資產類別的基本資產定價事實，這為當前和未來的加密貨幣模型提供了一個共同的基準

- 首先建構了加密貨幣（或稱幣）市場回報的指數。該指數是所有市值超過100萬美元的幣種的加權回報，共計1,707種幣，時間跨度為2011年1月1日至2018年12月31日
- 在樣本期間內，幣市場回報的日、週和月平均回報率分別為0.46%、3.44%和20.44%
- 幣市場回報的日、週和月標準差分別為5.46%、16.50%和70.80%。幣市場回報呈現正偏態和峰度
- 我們觀察到，在同一期間內，幣市場回報的均值和標準差比股票回報高一個數量級，日和週的夏普比率分別比股票高約60%和90%，而月的夏普比率與股票相當
- 具體而言，我們構建了加密貨幣網絡因素、加密貨幣生產因素、加密貨幣動量、平均和負面投資者關注的代理指標，以及加密貨幣估值比率的代理指標
- 發現幣市場回報與加密貨幣網絡增長呈正相關且具有顯著性。此外，我們還展示了加密貨幣價格的演變不僅反映了當前的加密貨幣採用情況，還包含了對未來網絡增長的預期信息

### 構建了代表挖礦成本的加密貨幣生產因素
- 就近似而言，挖掘加密貨幣需要兩個輸入：電力和計算能力。我們分別構建了八個電力成本的代理指標和六個計算成本的代理指標
1. 對於電力成本，我們使用美國和中國（包括四川省，該省擁有世界上最大的挖礦場）的電力價格、消耗量和發電量的時變和地區特定測量
2. 於計算成本的代理指標，我們使用Bitmain Antminer的價格，它是常見的比特幣挖礦設備之一，作為我們的主要衡量指標。我們還考慮了間接的測量方法，即挖礦芯片主要製造商的股票回報。總的來說，我們發現幣市場回報與加密貨幣生產因素之間沒有顯著相關性

- 因此加密貨幣回報是不可預測的（例如，Schilling和Uhlig，2019年）
- 在動態加密貨幣估值模型中，動能、投資者關注度和加密貨幣估值比率可能會對加密貨幣回報進行預測（例如，Cong，Li和Wang，2019年；Sockin和Xiong，2019年）
- 我們的研究顯示，動能和投資者關注度強烈預測未來加密貨幣的累積回報，但加密貨幣估值比率則不具有預測力
- 們顯示在加密貨幣市場中存在顯著的時間序列動能現象。我們發現當前的幣市場回報可以預測未來一周到八周的累積幣市場回報
- 當前幣市場回報的一個標準差增加，預測未來一周的回報將增加3.30%。根據三分位數將周回報分組，我們發現在一到四周的時間範圍內，頂部分位數的回報表現優於底部分位數
- 例如，在一周的時間範圍內，頂部分位數的平均回報為每周8.01%，t統計量為4.30，而底部分位數的平均回報僅為每周1.10%，t統計量為0.92

### 第二，我們使用谷歌搜索建立投資者關注度的代理變量
- 並顯示高投資者關注度預測未來一到六周的高回報。例如，投資者關注度指標增加一個標準差，預測未來一周的幣市場回報將增加3.0%
- 在一周的時間範圍內，投資者關注度分位數的平均回報為每周6.53%，t統計量為3.82，而底部分位數的平均回報僅為每周0.43%，t統計量為0.42

### 我們還建立了一個代理變量來衡量Twitter上的投資者關注度，並且使用該變量得到了類似的結果

### 此外，我們建立了一個衡量負面投資者關注度的代理變量，並顯示相對較高的負面投資者關注度預測未來的累積幣市場回報將呈現負面

- 對於股票市場的研究（例如Hong、Lim和Stein，2000年；Hou、Xiong和Peng，2009年）顯示動能和投資者關注度之間存在著強烈的互動
- Sockin和Xiong（2019年）還顯示投資者關注度可以在加密貨幣市場產生動能
- 此外，我們測試了類似於金融市場的加密貨幣估值比率是否能夠預測未來的幣市場回報。在股票市場中，基本市值比率通常被稱為估值比率，並被衡量為股本帳面價值與市值的比率，或者是基本價值與市值的其他比率
- 對於加密貨幣，更難確定一個類似的基本價值衡量。在他們的動態加密貨幣資產定價模型中，Cong、Li和Wang（2019年）顯示，加密貨幣基本價值比率，定義為用戶採用量與市值的比率，負向預測未來的加密貨幣回報。受到理論模型和其他金融市場研究的啟發
- 我們構建了六個加密貨幣估值比率，並測試了這些估值比率對回報的預測能力。儘管估計係數始終為負，但這六個加密貨幣估值比率都不能顯著預測未來的幣市場累積回報

### 研究加密貨幣代表的另一種方法是檢驗加密貨幣回報與其他資產類別之間的相關性
- Schilling和Uhlig（2019年）認為，在一個同時存在並競爭的資產經濟體中，法定貨幣和加密貨幣，加密貨幣的回報與法定貨幣的價格演變相關
- Athey等人（2016年）強調了匯率對加密貨幣價格的重要性
- 具體而言，我們研究了主要加密貨幣與貨幣、大宗商品、股票和宏觀經濟因素的相關性，我們發現加密貨幣與這些傳統資產之間的關聯性很低，總體而言，在市場的觀點下，對於加密貨幣與這些傳統資產之間存在相似性的說法幾乎沒有證據支持
- 這表明市場認為加密貨幣具有獨特的價值和特點，並且其價格變動受到不同因素的影響。因此，與傳統資產相比，加密貨幣可能具有更高的不確定性和獨立性，並且其價格可能受到其他因素的影響
- 發現加密貨幣的回報受到時間序列的動能效應和投資者關注度的影響。然而，傳統的估值比率對於預測加密貨幣的回報並不具有顯著性。同時，加密貨幣的價格與傳統資產之間的關聯性也較低

### 其他一些結果
- 時間序列很短，對於在樣本期間對加密貨幣的不確定性和學習還有很多。我們表明，我們的主要結果在樣本的前半部分和後半部分都是相似的
- 第二，我們討論了加密貨幣時間序列動量和橫截面動量之間的關係
- 第三，我們研究了監管事件對影響加密貨幣價格的重要性，並表明負面監管事件但不是正面監管事件顯著影響加密貨幣價格
- 第四，我們檢驗了推動加密貨幣價格的投機利益的重要性
- 表明，當投機利益增加時，加密貨幣回報率較高
- 第五，我們構建了一個直接衡量加密貨幣投資者情緒的指標，並表明當投資者情緒高時，預期的幣市回報率也較高。在包含情緒、投資者關注度和動量指標的多變量回歸中，這三個變量在預測未來加密貨幣回報方面都具有統計顯著性
- 第六，我們測試了加密貨幣市場中美麗競賽的作用。受Biais和Bossaerts（1998）的啟發，我們使用成交量波動率比率來衡量加密貨幣市場的意見分歧程度，並表明當當前的成交量波動率比率高時，加密貨幣的回報率也較高
- 第七，我們通過VAR分析探討了幣市回報與不同的幣網絡增長指標之間的關係。第八，我們使用替代的規格測試了生產因素的影響。最後，我們根據加密貨幣的特性對子樣本進行了檢驗
- Hu, Parlour和Rajan (2018)顯示個別加密貨幣的回報與比特幣的回報相關
- Borri (2019)顯示個別加密貨幣暴露於加密市場的尾部風險
- Makarov和Schoar (2020)以及Borri和Shakhnov (2018)發現加密貨幣市場存在潛在的交易所套利機會的時期
- Griffin和Shams (2020)研究比特幣價格操縱。Corbet等人 (2019)研究了加密貨幣作為一種金融資產

## DATA
- Coinmarketcap.com收集了所有可用的加密貨幣的交易數據
- 首先構建了一個加密貨幣市場回報，作為所有基礎貨幣的加權回報。我們使用每日收盤價來計算每日的加密貨幣市場回報。周度和月度的加密貨幣市場回報是從每日回報計算出來的。我們要求貨幣具有價格、成交量和市值的信息。我們進一步排除市值低於1,000,000美元的貨幣。對於Coinmarketcap.com未涵蓋的早期年份，我們將加密貨幣市場回報與早期年份的比特幣回報進行拼接。早期年份的比特幣回報數據來自CoinDeck，時間跨度為2011年1月1日至2013年4月29日。我們從2011年1月1日開始，因為在此日期之前的流動性和交易很少。總的來說，加密貨幣市場回報指數涵蓋了2011年1月1日至2018年12月31日的期間

### 用戶採用的網絡效應的代理
1. 錢包用戶數量，錢包用戶數據來自Blockchain.info
2. 活躍地址數量,Coinmetrics.io獲取活躍地址
3. 交易數量,Coinmetrics.io獲取活躍地址
4. 支付數量,Coinmetrics.io獲取活躍地址

- 我們使用七個主要的生產因素來代表挖礦成本：美國的平均電價、美國所有部門的淨發電量、美國所有部門的總用電量、中國的平均電價和四川省的平均電價
- 從美國能源信息管理局獲取美國的平均電價、美國所有部門的淨發電量和總用電量的數據。我們從中國國家統計局和國家發展和改革委員會的價格監測中心獲取中國的平均電價和四川省的平均電價的數據。我們的主要計算成本數據是Bitmain Antminer的價格。我們從Keepa.com提取Bitmain Antminer的數據。Bitmain Antminer的數據始於2015年9月
- 谷歌搜索數據系列從谷歌下載。關於“比特幣”的Twitter帖子計數從Crimson Hexagon下載
- 以美元計價的外幣即期匯率數據來自聖路易斯聯邦儲備銀行
- 專注於五種主要貨幣：澳元、加元、歐元、新加坡元和英鎊
- 貴金屬的即期價格來自多個來源。黃金和白銀價格來自倫敦金銀市場協會（LBMA）。鉑金價格來自倫敦鉑金和鈀金市場（LPPM）
- 總體和個別股票收益來自CRSP。使用個別股票收益構建了詳細的SIC三位數行業收益數據系列。中國股票收益數據來自CSMAR。我們從個別股票中構建了加權平均的中國股票總體收益和詳細的CIC（中國行業分類）行業收益數據系列。中國股票收益數據的數據系列持續到2016年12月。這155個異常的收益數據從安德魯·陳的網站下載得到
- 從肯尼斯·法rench的網站獲取了Fama-French三因子、Carhart四因子、Fama-French五因子和Fama-French六因子模型的數據。我們還從肯尼斯·法rench的網站收集了Fama-French 30行業、歐洲、日本、亞洲（不包括日本）和北美的收益數據系列
- 宏觀經濟數據系列來自聖路易斯聯邦儲備銀行的網站。非耐用消費品定義為個人消費支出：非耐用品和個人消費支出：服務的總和
- 圖1顯示了幣市場收益和幣市場對數收益在日、周和月頻率上的收益分布情況
- 圖2比較了幣市場的價格變動與三個主要加密貨幣的價格變動。三個主要加密貨幣之間存在著強烈的聯動關係。表1比較了幣市場收益與比特幣收益、以太坊收益、瑞波幣收益和股市收益之間的特性。
- 表1顯示了幣市場收益在日、周和月頻率上的統計數據，並將其與股市收益進行了比較
- 幣市場收益的平均值和標準差都非常高
- 平均值和標準差的大小都比股市收益高出一個數量級。這些事實已廣為人知
- 幣市場收益的夏普比率在日頻率上為0.08，在周頻率上為0.21，在月頻率上為0.29。在日頻率和周頻率上，幣市場的夏普比率比同期股市的夏普比率高出約60%和90%。在月頻率上，夏普比率與同期股市的夏普比率相似
- 幣市場收益在所有頻率上呈正偏態，與股市收益的負偏態相反
- 所有三種主要加密貨幣的收益均呈正偏態且具有較高的峰度。幣市場收益具有極端負收益和正收益的高概率。例如，-20%的日收益的概率接近0.5%，而20%的日收益的概率接近0.9%
- 與股票不同，沒有明顯的周一效應。然而，星期六的收益較低
- 雖然幣市場和比特幣的收益在星期日略低，但星期六的收益持續較低

### 加密貨幣特定因素
- 首先，我們建立了加密貨幣的網絡因素和生產因素。我們發現幣市場收益對網絡因素具有很強的敏感性，但對生產因素則沒有
- 通過研究不同的加密貨幣特定因素是否能夠預測未來的幣市場收益，來測試加密貨幣的收益是否具有可預測性。我們考慮動能、投資者關注度的代理變量和加密貨幣估值比率的代理變量。所有這些變量都是特定於加密貨幣市場的。我們發現動能和投資者關注度的代理變量可以解釋未來的幣市場收益，從而強烈反駁加密貨幣價格是一個鞅過程的觀點

### 網絡因素
- 加密貨幣的理論文獻強調了網絡因素在加密貨幣估值中的重要性（例如，Cong、Li和Wang，2019年；Sockin和Xiong，2019年；Pagnotta和Buraschi，2018年；Biais等，2018年）
- 使用四個指標來代表網絡效應：錢包用戶數量、活躍地址數量、交易數量和支付數量。因此，我們使用錢包用戶數量增長、活躍地址數量增長、交易數量增長和支付數量增長來衡量加密貨幣的網絡增長。我們還通過將這四個主要指標的第一主成分組合來建立一個綜合指標，表示為P Cnetwork。

- 在表2的A面板中，我們報告了我們考慮的網絡因素之間的相關性。這四個主要指標彼此之間呈正相關，相關性在0.17到0.77之間。這四個主要指標的第一主成分與所有四個主要指標之間都有較強的相關性。第一主成分與錢包用戶增長指標、活躍地址增長指標、交易數量增長指標和支付數量增長指標的相關性分別為0.45、0.88、0.88和0.90。我們將加密貨幣市場回報率對每個加密貨幣網絡變化指標和綜合指標進行迴歸分析。表2的B面板呈現了使用網絡因素的結果。加密貨幣市場回報率與四個單獨的加密貨幣網絡因素和綜合指標呈正相關。錢包用戶增長指標的係數在10%的水平上是顯著的，其他三個係數在1%的水平上是顯著的。R2在錢包用戶增長指標上的範圍為5%，在活躍地址增長指標上為30%。使用綜合指標的R2為19%。這些結果與理論模型一致，表明衡量用戶採用的網絡效應的網絡因素是影響加密貨幣價格的重要驅動因素
- 加密货币的价格不仅反映当前加密货币的采用情况，还包含有关未来网络增长的预期信息——这是Cong、Li和Wang（2019）的一个关键机制
- 市回报在Table 3中正向预测未来加密货币采用的增长
- 具体而言，在所有时间跨度上，币市回报都正向并具有统计显著性地预测累计钱包用户增长
- 币市回报在前三个期间和两个期间内正向并具有统计显著性地预测累计活跃地址增长和累计支付数量增长，之后则不再显著
- 币市回报在前五个期间内正向预测累计交易数量增长，但这种可预测性在统计上并不显著。唯一的例外是交易增长指标：在长期时间跨度上，对交易增长存在无显著的负面影响。一个可能的解释是拥堵现象，当比特币拥堵时，交易变得非常昂贵，这阻碍了许多本应发生的较小交易（例如，Easley、O'Hara和Basu 2019）。
### 2.2 Production factors
- 为了代表挖矿成本并测试这些生产因素与加密货币价格之间的关系，我们构建了代表加密货币挖矿成本的生产因素。在初步近似下，挖矿加密货币需要两个输入：电力和计算能力。我们分别构建了电力成本和计算成本的代理变量。首先讨论我们的电力成本代理变量。我们使用了七个主要指标作为电力成本的代理变量。其中三个与美国有关：（i）美国的平均电力价格，（ii）美国各部门的电力净发电量，（iii）美国各部门的总电力消耗量。另外四个指标与中国有关：（i）中国的平均电力价格，（ii）中国的电力发电量，（iii）四川省的平均电力价格，（iv）四川省的电力发电量。我们包括中国的指标，是因为电力供应具有地理特定性，并且中国被认为是世界上最大的挖矿运营国家之一。我们还包括四川省的指标，因为四川省拥有全球最大的矿场。同样地，我们还构建了一个综合指标，即这七个主要指标的第一主成分。我们将这个综合指标表示为P Celec。
- 表格4的A面板呈现了电力因素的相关系数矩阵。除了中国的两个电力价格指标外，其他五个主要指标之间呈正相关且强相关。中国的电力价格受到严格的政府控制。因此，与其他电力指标相比，它们与其他指标的相关性较低
- 表格4的B面板呈现了加密货币市场回报率与电力因素之间的关系结果。令人惊讶的是，加密货币市场回报率与这些生产因素的代理变量之间没有显著的统计关系。这些回归的R2值较低
- 使用Bitmain Antminer的价格作为计算成本的主要衡量指标。我们还考虑了两类主要生产GPU挖矿芯片（Nvidia公司和Advanced Micro Devices公司）或ASIC挖矿芯片（台湾积体电路制造公司和Advanced Semiconductor Engineering公司）的公司的超额股票回报率。我们构建了一个组合指标，即这五个主要计算因素的第一主成分。我们将这个组合指标记为P Ccomp
- 表格5的A面板呈现了计算因素的相关系数矩阵。大多数变量之间呈正相关
- 加密货币市场回报率与第一主成分之间没有显著的相关关系。
- 唯一的例外是美國平均電價的變化，但顯著水平為負值，且僅達到10%的水平。然而，我們發現當前的加密貨幣市場回報正向預測未來一些生產因素的變化。具體而言，加密貨幣市場回報正向且具有統計顯著性地預測了未來美國平均電價的變化、美國各部門的淨發電量、美國各部門的總用電量、四川省的發電量以及生產因素的第一主成分。有趣的是，相對於中國的指標，我們發現美國的指標結果更強。這與中國在電價和發電方面存在嚴格的監管相一致。這些結果與加密貨幣市場中生產成本的潛在預期效應一致

### 加密貨幣的動能效應
- 在本節中，我們首先確定在不同的時間視窗下存在著強烈的時間序列動能效應。表6的A面板記錄了回歸模型中的時間序列動能效應結果。具體而言，我們將加密貨幣的回報與其自身在不同時間視窗下的過去表現進行回歸，並觀察到正向的時間序列動能效應
- 
- 根據表格6的A面板，我們對從一周到八周不同時間視窗的當前幣市回報預測了未來累積幣市回報。結果顯示，當前的幣市回報在所有八個時間視窗下都正向且具有統計顯著性地預測未來的累積幣市回報。在一周到五周的時間視窗中，結果在5%的顯著性水平上是顯著的；而在六周到八周的時間視窗中，結果在10%的顯著性水平上是顯著的
- 在表格6的B面板的第一部分中，我們將每週回報分為三等分，並評估其未來表現
- 我們發現，在一到四週的時間視窗中，頂部三等分的表現優於底部三等分，這與之前呈現的時間序列迴歸結果一致

### 加密貨幣的投資者關注度
- 加密貨幣的理論文獻也暗示投資者關注度可能與未來加密貨幣回報相關（例如Sockin和Xiong，2019）
- 具體而言，我們構建了每週“Bitcoin”一詞的Google搜索量與前四週平均值的偏差。我們將Google搜索量標準化，使其平均值為零，標準差為一。我們使用“Bitcoin”一詞的Google搜索量作為加密貨幣市場投資者關注度的代理變量，因為Bitcoin是迄今為止最大且最知名的加密貨幣
- 七週和八週的時間範圍的係數估計為正，但不再具有統計上的顯著性。增加一個標準差的搜索量導致一週內累計幣市回報約增加3％，兩週內累計幣市回報約增加5％
- 目前的幣市回報顯著且正向地預測一週到四週的未來回報。目前的幣市回報正向但不顯著地預測五週的未來回報。目前的幣市回報在六週、七週和八週的未來回報上呈現負向但不顯著的預測
- 在表8的B部分的第一部分中，我們通過將Google搜索量分成三分位數並評估其未來表現來研究Google搜索量的回報可預測性。與迴歸結果一致，我們發現在一週到四週的未來時間範圍內，頂部分位數在累計幣市回報方面表現優於底部分位數
### 2.3.3 負面投資者關注度
- 們已經證明了無條件下投資者關注度對加密貨幣回報呈正向預測。然而，並非所有的投資者關注度都是正面的。例如，在Sockin和Xiong（2019）的模型中，他們區分了正面投資者關注度和負面投資者關注度，並且顯示負面投資者關注度後續將伴隨著未來加密貨幣價格貶值
- 我們研究負面投資者關注度是否能夠預測加密貨幣回報。我們構建了“Bitcoin hack”詞組的Google搜索次數與“Bitcoin”詞組的搜索次數之比來代表負面投資者關注度
- 我們將該比率標準化，使其平均值為零，標準差為一。表9的A部分顯示了預測回歸的結果
- 該比率負向且顯著地預測了未來一週到六週的累計幣市回報。例如，該比率一個標準差的增加將導致下一週的幣市回報下降2%。表9的B部分報告了負面投資者關注度指標的樣本內和樣本外回報預測能力，通過將它們分為三個分位數並評估它們未來的表現。與回歸結果一致，我們發現負面投資者關注度指標具有強烈的負向回報預測能力

### 動量與關注度之間的交互作用
- 我們已經證明在加密貨幣市場中存在著強烈的時間序列動量效應和投資者關注度效應
- 首先，我們展示當前加密貨幣的投資者關注度確實與當前和過去的市場表現相關。我們將當前的谷歌搜索偏差回歸到先前四周的同期和加密貨幣市場回報上。表10記錄了這些結果
- 我們發現谷歌搜索的偏差與當前和前一周的加密貨幣市場回報呈正相關，且這些關聯在超過一周的過去市場回報方面並不顯著。直觀地說，這些結果表明在出色的加密貨幣市場表現之後投資者關注度會提高。
- 進一步測試了時間序列動量和投資者關注度現象之間的交互作用，結果報告在表11中
- 我們發現當前加密貨幣市場回報的係數在所有的預測期上都是顯著的，而谷歌搜索量的係數在一周到五周的預測期上是顯著的。這些係數的大小與獨立估計的結果相似
- 例如，在單變量回歸中，一周的預測係數分別為0.20和0.03，表示當前加密貨幣市場回報和谷歌搜索量，而在雙變量回歸中則為0.18和0.03。這些結果表明時間序列動量和投資者關注度的結果彼此並不包含
- 在表11的第二個測試中，我們測試了在投資者關注度高時時間序列動量效應的表現。我們構建了一個指示變量，即1{Google>0}，如果當前的谷歌搜索量指標高於樣本均值，則該變量為1，否則為0
- 交互作用項在任何一個預測期上都不顯著，這表明時間序列動量效應的大小在投資者關注度高和低的時期是相似的
- 在表11的第三個測試中，我們測試了當前加密貨幣市場回報高時投資者關注度效應的表現。我們構建了一個指示變量，即1{R>0}，如果當前的加密貨幣市場回報為正，則該變量為1，否則為0。
- 一周到八周的預測期的未來累積加密貨幣市場回報回歸到當前的谷歌搜索量指標、指示變量和交互作用項上。交互作用項在任何一個預測期上都不顯著，這表明投資者關注度效應的大小在加密貨幣市場回報高和低的時期是相似的
- 此外，我們研究了高關注度和低關注度代幣的時間序列動量的橫截面。我們從 2014 年初到 2018 年底收集了 10 種最大加密貨幣的 Google 關注度數據。本次分析的樣本週期較短，因為在 2014 年之前，加密貨幣很少，替代幣的數據很難獲得。代幣列表是比特幣、以太坊、瑞波幣、萊特幣、繫繩、比特幣現金、特所思、幣安幣、門羅幣和卡爾達諾。在給定的時間點，我們根據 Google 注意力數據將現有硬幣分為兩個子樣本——一組高注意力硬幣和一組低注意力硬幣。我們分別構建高注意力組和低注意力組的價值加權回報，並測試每個子組的時間序列動量策略效果。
- 我們將每個子樣本的當前收益的未來累積收益回歸，並在互聯網附錄中報告結果。我們發現在這個樣本中，時間序列動量效應對於注意力相對較低的代幣來說更強。特別是，高注意力和低注意力子組的係數估計都是正的，這表明這兩個組都存在時間序列動量效應。然而，高注意力亞組的係數估計值在統計上不顯著，而低注意力亞組的係數估計值在六週後具有統計顯著性。相對於高注意力子組，低注意力子組的係數估計值也大得多。結果與動量的“反應不足”機制一致。

### Cryptocurrency valuation ratio
- 此外，我们还测试了类似金融市场中的加密货币估值比率是否能够预测未来的币市回报
- 文献中还使用了另一种与基本面-市场价值高度相关的价值度量，即长期累积过去回报的负值（例如，De Bondt和Thaler 1985，1987；Fama和French 1996；Moskowitz 2015）。对于加密货币来说，定义类似的基本价值度量更加困难。然而，在Cong、Li和Wang（2019）的动态加密货币资产定价模型中，他们认为加密货币的基本价值比率可以定义为用户采用量与市值的比率，该比率对未来的加密货币回报具有负向预测作用
- 将基本面与市场比率用一些不同的度量来代理。第一个度量是长期过去表现的度量：过去100周累积币市回报的负值
- 其他四个度量旨在直接代理加密货币的基本价值与市场价值：用户-市场比率、地址-市场比率、交易-市场比率和支付-市场比率。这四个度量的思想是使用某些衡量基础加密货币市场的“账面”价值的指标
- 在表12的A部分，我们报告了加密货币市场中不同估值比率之间的相关性。这五个主要度量彼此之间高度相关，相关系数在0.73到0.91之间。对于这五个基本面与市场比率的第一主成分度量，它与长期过去回报、用户-市场比率、地址-市场比率、交易-市场比率和支付-市场比率的相关系数分别为0.91、0.91、0.96、0.93和0.93。
- 我们对滞后的加密货币基本面与市场比率进行了回归分析，并在表12的B部分报告了结果。我们记录了从一周到八周的回归结果。虽然系数估计值一直为负，但在任何时间范围内，五个独立的基本面与市场比率都不能显著预测未来的币市回报
- 主成分度量也无法在这些时间范围内预测未来的币市回报。总体而言，未来的币市回报与当前的加密货币基本面与价值比率之间关系非常微弱。

### 3. Exposures to Other Assets
- 例如，Schilling和Uhlig（2019）在一个包含法定货币和加密货币的禀赋经济中表明，加密货币价格的演变与法定货币的演变有关。Athey等人（2016）强调了加密货币的法定货币风险的重要性。加密货币社区提出加密货币是“数字黄金”，并具有传统贵金属商品的功能。此外，Schilling和Uhlig（2019）认为，加密货币回报可能与宏观经济风险（如货币政策）存在相关性。
- 在本节中，我们通过研究加密货币回报与货币、商品和股票等传统资产回报之间的关系来评估这些论点。

#### 3.1 货币和商品因子的敞口度
- 我们通过调查加密货币对传统货币的敞口度来测试这一预测。表13的列(1)到(6)显示了加密货币市场回报对传统货币回报的敞口度
- 于货币回报，我们考虑五个主要货币：澳大利亚元、加拿大元、欧元、新加坡元和英镑。加密货币市场回报对这些主要货币的敞口度在统计上不显著，alpha估计几乎没有变化
- 表13的列(7)到(9)报告了加密货币市场回报对这些货币因子的敞口度。与单个货币回报的结果一致，我们发现加密货币市场回报对货币因子没有显著的敞口度。我们得出结论，没有一致的证据表明加密货币存在系统性的货币敞口度
- 对于加密货币，另一个常见的观点是加密货币与传统贵金属商品具有相同的作用，即加密货币是"数字黄金"。如果投资者持有这种信念，我们预期会发现加密货币的回报与传统贵金属商品的回报相互关联
- 考虑了黄金、铂金和白银。加密货币市场回报与这三种主要贵金属商品的敞口度在统计上不显著。总体而言，我们得出结论，加密货币中不存在系统性的贵金属商品敞口度的一致证据

### 3.2 Equity factor loadings
- 对于股权风险因子，我们选择了资本资产定价模型（CAPM）、Fama-French三因子模型、Carhart四因子模型、Fama-French五因子模型和Fama-French六因子模型。所有考虑的模型的alpha值在统计上都是显著的。考虑的期间的平均回报为每月20.44%。CAPM调整的alpha降至每月17.53%，降低了约14%。CAPM的beta值为3.15，但在统计上并不显著。在五因子和六因子模型中，beta值仅在10%的显著水平上具有统计显著性
### 3.3 Macroeconomic factors
- 进一步研究了加密货币市场回报的宏观经济因素敞口度。对于宏观经济因素，我们考虑了非耐用消费增长、耐用消费增长、工业生产增长和个人收入增长。我们在附录中记录了结果。我们发现，加密货币市场回报与这些宏观经济因素的敞口度并不显著。我们进一步独立研究了三种主要加密货币。对于比特币和瑞波币，所有的敞口度都不显著

## 4. Additional Results
- 拥有从2011年初到2018年底的八年加密货币市场回报数据。短期样本是研究加密货币时无法避免的潜在障碍
- 为了部分解决这些问题，我们采取的一种方法是将样本分为两半，并检查结果在这些子样本中是否稳定。在样本的前半部分，关于加密货币作为一种资产类别的不确定性和学习过程较多。我们在附录中记录了这些结果。我们发现，在样本的前半部分和后半部分，所有结果的方向都是一致的
- 我们发现，加密货币市场回报的标准偏差在样本期间从前半部分显著降低到后半部分

### 4.2 Time-series momentum and cross-sectional momentum

- 研究了时间序列动量和横截面动量之间的关系。直接比较时间序列动量和横截面动量的结果是困难的。时间序列动量是关于整体加密货币市场回报的现象
- 使用了两种不同的方法来测试时间序列动量和横截面动量之间的关系

1. 在第一种方法中，我们使用加密货币市场回报来预测横截面加密货币动量。这种方法让我们了解当时间序列动量处于正增长轨迹时，横截面动量效应是否更强。我们在附录中报告了结果。加密货币市场回报并不显著预测未来的横截面动量累积回报。这个结果表明加密货币时间序列动量和横截面动量的盈利期不同

3. 在第二种方法中，我们采用类似于Moskowitz、Ooi和Pedersen（2012）的方法，构建了时间序列动量的组合版本。对于我们的一组工具，我们使用以下之一：最大的三种加密货币、最大的五种加密货币和最大的十种加密货币
4. 对于每个工具和每个月份，我们考虑过去三周的超额回报是否为正或为负，如果为正则做多该工具，如果为负则做空
5. 我们持有该头寸一个星期，因此样本没有重叠。对于所有三种规格，未经调整的超额回报在1%的显著水平上都是正的且显著的。超额回报的经济幅度较大，从前三种加密货币的3.17%到前十种加密货币的4.62%不等
6. 控制加密货币市场回报后，超额回报的经济幅度几乎不变。在控制了Liu、Tsyvinski和Wu（2019）构建的加密货币横截面动量后，价差的幅度减小但仍然高度显著。对于横截面动量的控制后，价差的幅度减小是可以预料的，因为该策略的超额回报构建上包含了关于横截面动量的信息
7. 在控制了三因子模型之后，价差的幅度进一步减小，但对于前五种和前十种加密货币仍然保持在5%的显著水平上，而对于前三种加密货币则保持在10%的显著水平上

### 4.3 Regulations
- 为了测试加密货币监管是否是加密货币估值的重要决定因素，我们采用Auer和Claessens（2018）以及Shanaev等人（2019）的方法，确定了120个监管事件。我们进一步根据Auer和Claessens（2018）的方法将这些监管事件分为正面事件和负面事件。我们在附录中列出了监管事件的列表和结果
- 发现加密货币回报对负面监管事件有响应，但对正面监管事件没有明显反应

### 4.4 Speculative interest and sentiment
- 在本节中，我们测试投机和投资者情绪是否可能是驱动加密货币价格的重要因素。我们从Coindesk.com提取了加密货币使用的投机份额。我们测试加密货币回报是否强烈响应于当期和未来投机份额增长的预期
- 我们进一步控制了网络增长率，如前所述，以研究网络效应结果是否受到投机兴趣变化的影响。我们在附录中详细介绍了关于投机兴趣的结果。我们发现一些证据表明加密货币回报在当期投机份额增长上呈正向加载，但系数估计并不显著
### 4.5 Beauty contests
- 本节中，我们旨在测试美学竞赛在加密货币市场中的作用，而高波动率在金融市场中可能是由凯恩斯美学竞赛模型所代表的一个潜在的理论解释。为了衡量加密货币投资者之间的分歧程度
- 理想情况下，我们希望能够获得个体加密货币投资者的预期。然而，在目前的数据限制下，这在实践中是不可行的
- 因此，我们采取了另一种方法，利用加密货币交易量与回报波动率之间的比率来衡量投资者预期的分散程度。我们选择这个比率是受到Biais和Bossaerts (1998)的启发，他们在理论上证明了交易量-波动率比率能够总结投资者之间的分歧程度，并区分了真正的分歧与只是贝叶斯学习的一致性代理人之间的差异。我们在实证上测试了当前的交易量-波动率比率是否与加密货币市场的回报同时变化，并且这个比率是否能够预测未来的加密货币市场回报。我们在附录中总结了这些结果。我们发现，当当前的交易量-波动率比率较高时，加密货币市场的回报较高
- 这个结果与投资者在加密货币市场存在较大分歧时倾向于推高价格的观点一致。而另一方面，交易量-波动率比率不能预测任何预测期内的未来累积加密货币市场回报。

### 4.6 VAR analysis
- 为了解决对网络因素分析的关注，即网络规模/活动因素与加密货币市场回报之间的同期相关性可能是机械性的，而不能真正捕捉到网络外部性的价值，我们进行了一项双变量VAR分析，分析了加密货币市场回报与不同的网络增长指标之间的关系

### 4.7 附加生产要素测试
- 当电力价格上涨时，挖矿的回报应该会减少。然而，挖矿回报的减少会导致一些矿工退出，从而增加任何给定矿工获得奖励和费用的概率，并降低加密难题的难度。这两种效应会内生地恢复挖矿的盈利能力。因此，电力价格或计算能力的冲击不一定会影响挖矿的边际成本，因为这些成本的变化会影响矿工的盈利能力，进而导致矿工数量的调整，从而调整所需的计算工作量以恢复盈利能力（例如，Easley、O'Hara和Basu，2019）。
- 为了解决这种影响，我们进行了另一组测试。我们将加密货币市场回报回归到作为区块奖励给出的比特币数量上，控制比特币价格和费用支付。测试的基本原理如下：比特币价格是内生的，费用支付可能是内生的，因为它们受网络使用的驱动，但作为区块奖励给出的比特币数量是外生的，并根据比特币协议在时间上进行确定性变化。因此，通过控制比特币价格和费用的外生变动，可以用于确定挖矿成本的影响

### 4.8 Subsample by cryptocurrency characteristics
在这一部分，我们考虑了一些加密货币的特征：
(i) 加密货币是基于工作量证明（PoW）还是权益证明（PoS）；
(ii) 加密货币是否可挖矿；
(iii) 加密货币是否建立在以太坊区块链上；
(iv) 加密货币是否是稳定币；
(v) 加密货币是否是智能合约。

基于每个特征，我们形成了所有相关加密货币的加权组合。在未表格化的结果中，我们观察了每个子组的回报对网络因素、生产因素、货币因素、商品因素、股票因素和宏观经济因素的加载情况。
子组的回报通常在网络因素上具有正向加载。基于四个主要指标的第一个主成分，我们展示了所有六个子组的回报在网络因素上呈正向加载。特别是，PoW、可挖矿币、以太坊区块链币和稳定币的回报在第一个主成分上具有正向和显著的曝露。另一方面，PoS和智能合约币的回报在第一个主成分上没有显著的曝露
我们转向生产因素的加载情况。我们发现，大多数子组的回报在生产因素上没有显著的加载。我们得出结论，子组回报的因素曝露与整体加密货币市场回报基本一致
最后，我们转向子组回报在货币、商品、股票和宏观经济因素上的加载情况。总体而言，我们发现子组回报对这些因素模型的曝露较低。我们得出结论，子组回报的因素曝露与整体加密货币市场回报基本一致

## 5. Conclusion
Network Effect對虛擬貨幣有正向影響，反映接受度以及對網路的預期成長
生產因素影響加密貨幣報酬較小
動量和投資人關注度對加密貨幣累積報酬有強預測力
先前論文認為，動量、投資者關注度為網路效果的外溢效果
動量和投資人關注度兩變數不互相包含
用戶數量市值率代理價值比，並有負向預測力，但相對較弱
幾乎沒有證據表明加密貨幣與傳統資產之間存在相似之處
發現負面事件發生相較於正面事件影響更顯著
投機者在市場重要性顯著，但為邊際顯著
投資者情緒顯著影響虛擬貨幣