监管视角下比特币市场动态变化的实证研究
——基于政策事件的对比分析
郭建峰,傅一玮,靳 洋
[关键词] 金融风险;政策干预;VAR;金融监管
一、问题的提出
自比特币出现以来,其创新的发行方式和剧烈的价格波动引起了学术界和产业界的广泛关注。特别地,对比特币价格的驱动因素的研究吸引了广泛学者浓厚的兴趣。Garcia et al.(2014)通过在谷歌趋势中抓取关键词“比特币”的搜索量,在英文维基百科中抓取比特币页面的每日访问量,在推特上收集关于比特币推文的相对数量,量化了它对投资者的吸引力。bitcointalk.org上的新成员数和新发帖数(Ciaian et al.,2014)以及Nexis数据库中提到“比特币”一词的英文文章数量增加的百分比(Polasik et al.,2016)也被作为公众对比特币的兴趣的代理变量。研究发现,比特币对投资者的吸引力变化会产生短期的价格效应,但长期的升值是由于网络外部性(Li&Wang,2017),且比特币对投资者的吸引力会在比特币价格泡沫形成和破裂期间产生不对称效应——在泡沫形成期间,兴趣进一步推高了价格,而在泡沫破裂期间,兴趣又推低了价格(Kristoufe,2014)。在控制了诸如供给增长和流动性等多种因素后,公众对比特币的兴趣与回报率呈负相关,但加密货币与欺诈活动的关联与每周的回报率并没有负相关(Wang&Vergne,2017)。比特币允许在线交易,使用加密哈希算法和数字签名来验证交易,以此避免其双重支付。因此,技术因素对比特币价格的影响不容忽视,有学者对此进行了研究。Bouoiyour&Selmi(2015)认为,在长期,散列率对比特币价格指数的影响是积极而显著的。Li&Wang(2017)声称挖矿技术的进步降低了挖矿成本的重要性,削弱了挖矿难度对比特币价格的影响。
国内针对比特币价格和交易量形成的文献较少,一些学者从其他角度探讨了与比特币价格相关的问题。邓伟(2017)从价格背离性和爆炸性的角度对比特币价格泡沫进行检验和论证,认为对其优点的放大使得估值过高,再加上投机行为的出现和监管的缺失进一步使得泡沫不断产生并膨胀。刘刚等(2015)采用事件研究法,针对比特币价格剧烈波动和超主权货币构建问题,考察了政策事件对比特币价格波动的影响。徐黎明和李靖(2016)研究了中美两国比特币市场的收益溢出和波动溢出效应。刘力臻和王庆龙(2015)运用行为金融学的相关理论对比特币交易市场中的羊群效应进行分析。
综上所述,现有文献主要存在以下几个问题:第一,大量研究主要针对比特币的价格而忽视了比特币的交易量。第二,比特币对投资者的吸引力的衡量指标主要针对的是国外投资者。第三,缺乏面向监管的实证研究。本文的贡献体现在以下三个方面:第一,对比分析了中美两国股票价格指数和比特币价格指数的波动性,报告了比特币市场相对于股票市场的风险。第二,引入中国市场上比特币对投资者的吸引力的衡量指标,分别考察了这些指标与比特币价格和交易量之间的相互依存关系,在此基础上,对比分析中国的政策干预是否会使这些关系发生变化,即中国监管层对比特币市场的监管是否影响了比特币在中国的发展。第三,提出了针对比特币市场如何实施有效监管的对策。
二、数据选择与说明
由于从2013年初开始人民币市场与美元市场之间,无论是价格还是交易量,两个市场都趋于一致(Kristoufe,2014)。因此,本文的整个数据集由2013年1月1日~2018年8月12日的日数据组成。在整个数据集中有2050个观察值,主要包含了2个可测试的被解释变量——比特币价格指数(BPI)和比特币的日交易量(VOL),和3个可测试的解释变量——搜索量(SEARCH)、媒体关注度(NEWS)和用户数量(USER)。目前,中国政府禁止了加密货币交易,早在2017年9月30日,中国就停止了所有比特币的交易业务。本文以该事件为分界点,将数据集分 为 :事 件 前(2013.1.1~2017.9.30)和 事 件 后(2017.10.1~2018.8.12),对比分析政策事件是否会对比特币价格和交易量与中国市场上比特币对投资者的吸引力的衡量指标和用户数量之间的关系造成影响。此外,还使用道琼斯工业平均指数和沪深300指数分别代表美国股票市场价格和中国股票市场价格,以便对比分析中美两国股票市场价格和比特币市场价格的相对波动性。道琼斯工业平均指数(DJIA)和沪深300指数(HS300)均来源于Wind金融终端剔除了周末及法定节假日的数据。
三、实证分析及结果
(一)比特币市场VS股票市场
这一部分,通过比较比特币市场价格与中美两国股票市场价格的波动性,来检验比特币市场的固有风险。整个数据集所涵盖的时间段内的比特币价格指数、道琼斯工业平均指数值和沪深300指数值如图1所示。
图1 比特币市场、美国股票市场以及中国股票市场价格指数
2.格兰杰因果关系
按照表5所得的结果,仅考虑M1.1的情况下,RETURN对NEWS的冲击的响应,以及对RETURN的冲击引发的USER%和NEWS的响应不能忽视。图5的脉冲响应函数从左到右分别反映了RETURN的一个单位大小的正冲击对USER%的影响(左),RETURN的一个单位大小的正冲击对NEWS的影响(中),以及NEWS的一个单位大小的正冲击对RETURN的影响(右)。因为对比特币收益率的一个正向冲击,会给用户数量带来同向的冲击,即当比特币收益率增加,价格走势向上,许多用户可能会有兴趣将比特币变成一种新的投资选择,从而导致了用户增加。而收益率受到正向冲击后,媒体关注度反向变动,暗示了媒体更热衷于对负面新闻的报导。给媒体关注度的一个正向冲击,收益短期内下降,这恰好验证了短期内媒体倾向于报导负面新闻。但是从长期看,媒体关注度增加会引发收益率增加,这是由于新闻媒体对比特币的关注度不断增加,有更多关于比特币话题的报导,使得比特币日益普及,由社会行为引发了私人行为,导致了更高的搜索量。更多的兴趣鼓励了个人用户购买比特币,推高了比特币的价格,即在长期媒体关注度和搜索量的增加都会对比特币收益产生正面助推作用,但与搜索相比,社交媒体上的提及是被动的,在提高公众认可度方面效果较差。事件后,大批用户被迫退出市场。随着比特币用户和投资者对该市场的熟悉以及该事件对市场和投资者的冲击,个人用户变得更加谨慎,对社交媒体上的暂时炒作不再那么敏感。从而使得用户数量的上涨和媒体对比特币市场的关注不会对比特币市场收益率造成显著影响。这同时也对上面的格兰杰因果关系检验的结果做出了合理解释。
其 中该式为卷积拟合中Voigt函数的定义式,y0、A、ωL、tc、ωG为5个外生变量,t为唯一的内生变量。
该式为9次多项式拟合函数的定义式,a1、a2、…a9为9个外生变量,t为唯一的内生变量。
故用比特币收益率(RETURN)来代表BPI,用用户基数增长率(USER%)来代表USER,根据表3的结果可以看出转化后的两个时间序列均为平稳序列。用以上的五个平稳序列估计四个分别以收益率和交易量为因变量的计量模型。模型1.1(M1.1)和模型2.1(M2.1)分别为事件前和事件后以收益率为主要因变量,以用户基数增长率、搜索量以及媒体关注度为自变量的两个对比模型,模型1.2(M1.2)和模型2.2(M2.2)分别为事件前和事件后以交易量为主要因变量,以用户基数增长率、搜索量以及媒体关注度为自变量的两个对比模型。为了探讨短期内不同变量之间的互动关系,需要为模型设定最大滞后阶数来寻求最优模型。滞后阶数的各个信息准则结果表明,应设定2期为最优滞后阶数,建立四个VAR(2)模型。
3个拟合函数的外生变量值如表1所示。
表1 拟合函数的外生变量值
其中,yt、gt、st分别为在 t时刻的卷积趋势、多项式趋势和S型趋势,比特币价格指数、道琼斯工业平均指数和沪深300指数的趋势如图2所示。
根据除险加固二期工程原设计,在溢洪道进口设置充水式橡胶坝,内压比1∶2,坝顶高程942 m,与正常蓄水位齐平,坝高5 m,长35 m。橡胶坝基础宽度10 m,厚度2 m,两侧坝墩高8.5 m,厚1 m,宽10 m。
图2 三个市场的价格趋势
为了正确的比较三个市场的波动率,我们利用公式(4)分别计算比特币市场、美国股票市场以及中国股票市场的去趋势比率(Detrended Ratio)(Baek&Elbeck,2015)。
本文采用顶空固相微萃取-气质联用法对竹叶青酒的常温下挥发性成分进行鉴定,萃取温度选用常温25℃,萃取时间50 min,模拟消费者饮用竹叶青酒产品前先闻其香的行为特点和环境特点。
由表3可知,除BPI和USER之外的时间序列均平稳。对于涉及到的非平稳序列,用式(5)将其转化为对应的平稳序列。
图3 三个市场的去趋势比率
表2 去趋势比率的统计分析结果
每个市场价格指数去趋势比率的标准差、偏度和峰度值如表2所示。观察可知,比特币市场的去趋势比率的标准差为0.6214,而美国股票市场和中国股票市场的标准差分别为0.0355和0.1110。因此,在我们的观察区间范围内,比特币市场的波动率约为美国股票市场的17倍,为中国股票市场的6倍。比特币市场和中国股票市场都有很大程度的正偏差,而美国股票市场则有相对较小的正偏差。另外,相对于美国股票市场,比特币市场和中国股票市场都有一个较大的正的超出峰度,导致肥尾,出现极端值的可能性更大。简而言之,与美国股票市场相比,比特币市场和中国股票市场均表现出了高风险。比特币市场相对于中国市场有更高的波动性,表现出更高的投机性。
(二)推动比特币的价格及成交量的原因
1.变量的平稳性检验
我国尽管实行的是中国特色社会主义民主政治制度,但由于官僚政治的长期浸染和一些文化积习的影响,官僚主义的“灰尘”和“污毒”犹在。毛泽东批评政府人员的弊端时,第一条就是“官僚主义,摆架子,不喜接近群众。群众有人走到政府里去问他们的事情时,政府办事人欢喜呢,答他们一两句,不欢喜呢,理也不理,还要说他们‘吵乱子’”。因此,他要求把官僚主义这个极坏的家伙抛到粪缸里去。
“我觉得是坏事,”他点点头,“嗯,绝对是坏事,现在已经够难受了。”他又点点头,好像在确认刚才说的话,然后转身离去。
青樱握了握绿筠的手,温和道:“子不语怪力乱神。绿筠你好歹还痴长我几岁,怎么倒来吓我呢?何况高晞月的温柔,那是对着皇上,可从不是对着我们。”
其中,AVt表示在t时刻的实际值,TVt表示在t时刻的趋势值。图3显示了三个时间序列的去趋势比率。
该式为S型拟合中BiDoseResp函数的定义式,A1、A2、p、h1、h2、LOGt01、LOGt02为7个外生变量。
表3 ADF检验的结果
在这一特定的时间范围内,三个时间序列整体均表现出明显的趋势。为了能够直接比较,对三个时间序列进行去趋势处理。根据三个时间序列的图线形态,比特币市场价格指数,利用式(1)来寻找卷积趋势,对道琼斯工业平均指数,利用式(2)来寻找多项式趋势,对沪深300指数利用式(3)来寻找S型趋势。
堆载预压塑料排水板排水固结法在软土地基处理中的应用……………………………………………………… 刘华先(8-66)
为了验证某个变量是否可用于提高解释或预测其他相关变量的能力,使用格兰杰因果关系检验。格兰杰因果关系检验的结果如表4所示。
从表4的结果可以看出,对比M1.1和M2.1发现,在M1.1中,双向格兰杰因果关系只存在于NEWS和RETURN之间,对于变量USER%和RETURN、SEARCH和RETURN,发现RETURN可以用来提高对USER%的预测能力,SEARCH可以用来提高对RETURN的预测能力,因此,结果表明这两组变量之间没有双向格兰杰因果关系。在M2.1中,仅存的因果关系是SEARCH的变化仍对RETURN保持影响。对比M1.2和M2.2发现,在M1.2中,USER%、SEARCH、和NEWS都与VOL之间存在显著的双向格兰杰因果关系,而在M2.2中,USER%和NEWS的变化不再对VOL产生影响。
为了建立向量自回归(Vector autoregression,VAR)模型,首先需要检验变量的平稳性来避免可能存在的伪回归问题。因此,使用ADF(Augmented Dickey-Fuller)检验法进行单位根检验,证明时间序列满足平稳性条件。
表4 格兰杰因果关系检验的结果
为了提高对表4的解释力,对SEARCH、USER%和NEWS之间,以及VOL和RETURN之间也做了两两间的格兰杰因果关系检验,结果见表5。从表5可以看出,事件前,除了SEARCH和USER%之间(SEARCH不能提高对USER%的预测能力),其余均为双向格兰杰因果关系。事件后,除了VOL和RETURN之间(VOL不能提高对RETURN的预测能力),其余均为双向格兰杰因果关系。
表5 辅助性格兰杰因果关系检验的结果
3.脉冲响应函数
为了分析VAR模型中随机干扰项的一个标准差对整个系统的动态影响,采用脉冲响应函数分析了四个模型各个变量之间的动态关系。需要说明的是,对M2.1而言,由于仅存的因果关系是SEARCH的变化会对RETURN产生影响,因此,在对M1.1和M2.1做对比分析时不考虑给USER%和NEWS的一个正向冲击给RETURN带来的影响。图4的脉冲响应函数反映了SEARCH的一个单位大小的正冲击对比特币收益率的影响。图5的脉冲响应函数显示了分别给USER%、SEARCH和NEWS这三个变量一个单位大小的正向冲击对比特币日交易量的影响。
图4 比特币收益率的脉冲响应函数结果
图4 显示在本期给搜索量一个正冲击后,M1.1的比特币收益率一开始快速下降,在第2期达到最低点(-0.002%),之后快速反弹,第3期初就已经基本回到了原来的水平,第四期达到最高点(0.001%)后比特币收益率有逐渐收敛的正向响应。M2.1的比特币收益率在前四期内上下波动,其后比特币收益率对搜索量的一个正冲击有逐渐收敛的负向响应。因为比特币日益普及,从而导致了更高的搜索量,更多的兴趣鼓励了个人用户购买比特币,进而推高了比特币的价格,但这个过程中存在时间的滞后。因此,从第三期开始,搜索量和收益率才开始同向变动。然而,由于政策干预,使得比特币收益率在受到搜索量正向冲击后的第四天开始持续下降,搜索量和收益率反向变动。可以发现,政策干预也会对比特币价格走势造成影响,使得信息搜索的激增预示着价格的大幅下跌。
(3)增强企业防范风险能力。面对国内外较高的竞争压力,产融结合有利于分散行业风险,满足企业多元化发展的需要。
图5 RETURN对USER%、NEWS以及NEWS对RETURN的脉冲响应结果
图6 比特币日交易量的脉冲响应函数结果
图6 显示给本期用户基数增长率的一个正冲击后,给M1.2的比特币日交易量带来了正面的影响,在第2期达到了最高点(1515BTC),其后,正向响应程度趋于收敛。而M2.2的比特币日交易量未受任何显著影响。因为比特币交易的手续费和交易量相关,交易越多,费率越低,短期内用户数量的上涨预示着交易量激增。而由于政策干预,大批中国用户被迫退出市场,从而事件后用户数量对交易量的导向作用消失。
在给本期给媒体关注度一个正冲击后,给M1.2的比特币日交易量带来负面影响,第4期达到最低点(-447BTC)。第5期初响应程度开始逐渐减弱,有收敛的迹象。第11期初开始有小幅的持续正向响应。由于媒体关注度不再是比特币日交易量的格兰杰因果关系,所以不能给M2.2的比特币日交易量带来显著影响。对比可知,比特币日交易量对媒体关注的一个正冲击,在事件前表现为负响应,事件后表现为无响应。因为事件前,媒体的关注度增加交易量减少,这验证了之前提及的媒体更热衷于对负面新闻的报导。
本文旨在回顾性分析ACS患者行PCI术后依据其CYP2C19酶代谢型的不同,选择抗血小板药物、代谢酶活性对抗血小板药物的影响,为以后此类患者制订个体化的抗血小板治疗提供依据。
在本期给搜索量一个正冲击后,M1.2的比特币交易量在第5期达到最高点(719BTC)后,搜索量的正向冲击对交易量有持续收敛的正向响应。M2.2与M1.2的响应基本一致。对比可知,搜索量对比特币日交易量的影响几乎不受该事件的影响。因为搜索量捕捉到了用户有关比特币信息的需求,它反映了用户之间关于比特币的知识的变化,从而导致更广泛的接受和需求,因此给搜索量的一个正冲击推动了交易量的上涨。此外,政策的干预并没有对搜索量和交易量之间短期内的正相关关系造成明显的影响。
4.方差分解
方差分解显示了各个VAR模型中每个变量对各自模型中的某一特定变量在预测时间范围内所作出的贡献程度① 限于篇幅,方差分解结果未给出,留存备索。 。对比特币收益率而言,结果在第10期之后基本稳定。比较M1.1和M2.1可知,事件前,比特币收益率对自身的贡献率达到了99.28%,除此之外,搜索量对比特币收益率的贡献率最大,为0.42%,其次分别为媒体关注度(0.20%)和用户增长率(0.10%)。在事件发生后,比特币收益率对自身的贡献率降至95.98%,其他因素对比特币收益率的贡献率都明显上升,最大的为搜索量,达到2.63%。对比特币日成交量而言,结果在第30期之后基本稳定。比较M1.2和M2.2,在关停一切交易之前,比特币日交易量对自身的贡献率为93.93%,其次为搜索量,达到3.08%。在事件发生后,比特币日交易量对自身的贡献率稍有提高,达到94.88%,搜索量的贡献率小幅上升(4.61%),用户基数增长率和媒体关注度的贡献率下降,均不足0.5%。以上结果进一步表明,政策干预会对每个模型各个变量之间原有的相互依存关系造成影响,即中国监管层对比特币市场的监管会影响比特币在中国的发展。
周海珠等研究者针对国内首家三星级绿色建筑运行标识酒店营运阶段碳足迹进行了定量研究,研究结论显示绿色酒店较普通酒店碳排放降低了35.63%,客,酒店客人人均碳排放强度为48.76 kgCO2/(p·a),空调碳排放和照明碳排放是降低酒店能耗与碳排放的关键,为酒店的低能耗与低碳运营提供了量化的参考依据[4]。
四、主要结论
本文的研究结果显示,比特币价格(BPI)的波动性是美国股票市场价格(DJIA)的17倍,是中国股票市场价格(HS300)的6倍。与美国股票市场相比,比特币市场和中国股票市场都表现出了高风险性。比特币市场相对中国市场表现出高的波动性和高的投机性。而且,在中国市场上,比特币对投资者的吸引力的两个衡量指标(百度搜索量和媒体关注度)、比特币用户数量和比特币价格、日交易量之间存在动态互动关系,这些关系会由于政策的干预而发生变化或变得不显著。
自2017年9月起,在央行部署的互联网金融风险专项整治工作的框架下,中国相关监管部门和地方政府一起整顿虚拟货币相关领域,要求关停比特币等虚拟货币交易场所,并停止首次币发行(ICO)活动等。通过实施监管,既有效保证了全国范围内摸牌出的比特币等虚拟货币交易平台和ICO平台无风险退出,也为我国建立高效安全的金融运行体系与机制做了铺垫,对防范国家金融风险与隐患具有重要作用。然而,投资者对比特币的投资需求和热情显然难以因为突现的“监管风暴”就彻底消失。随着“禁令”升级,被叫停的境内ICO平台和比特币等虚拟货币交易平台纷纷“出海”。在海外,比特币等虚拟货币交易平台以不断挂牌、摘牌的手段和点对点的方式继续提供比特币与人民币之间的“场外交易”(李华林,2018),禁令在无形中将比特币交易推入了“暗网”交易。在这样的背景下,政府监管的难度进一步加大,进而迫使投资需求进入非法交易,交易者权益无法得到保证,从而造成了比特币市场的进一步混乱。比特币经济受到用户及用户关注度的强烈驱动,公众共识支撑了比特币的价值。主流交易平台的关闭,将加大个人用户对比特币使用的障碍,从而阻碍广泛达成共识。长期来看,将导致个人接受比特币的意愿降低,使比特币贬值,进而损害比特币在全球金融体系中的预期角色。在今后进一步的研究中,可以尝试引入舆情数据,进行更充分的行为分析,并提出具有针对性的监管对策。
[参考文献]
[1]邓伟.比特币价格泡沫:证据、原因与启示[J].上海财经大学学报,2017,19(2):50~62.
[2]刘刚,刘娟,唐婉容.比特币价格波动与虚拟货币风险防范——基于中美政策信息的事件研究法[J].广东财经大学学报,2015,30(3):30~40.
[3]徐黎明,李靖.中美比特币市场溢出效应的实证研究[J].统计与决策,2016,(13):156~159.
[4]刘力臻,王庆龙.基于模仿传染模型的比特币羊群效应分析[J].北京邮电大学学报(社会科学版),2015,17(2):27~33.
[5]李华林.虚拟货币市场监管取得初步成效[J].上海商业,2018,(5):14.
[6]Baek C,Elbeck M.Bitcoins as an investment orspeculative vehicle? A firstlook[J].Applied Economics Letters,2015,22(1):30~34.
[7]Bouoiyour J,Selmi R.What Does Bitcoin Look Like?[J].Annals of Economics&Finance,2015,16(2):449~492.
[8]Ciaian P,RajcaniovaM,KancsD.The economics of BitCoin price formation[J].Eeri Research Paper,2014,48(19):1799~1815.
[9]Garcia D,Tessone CJ et al..The digital traces of bubbles:feedback cycles between socio-economic signals in the Bitcoin economy[J].Journal of the Royal Society Interface,2014,11(99).
[10]Kristoufek L.What Are the Main Drivers of the Bitcoin Price?Evidence from Wavelet Coherence Analysis[J].Plos One,2014,10(4).
[11]Li X,Wang CA.The technology and economic determinants of cryptocurrency exchange rates[M].Elsevier Science Publishers B.V.2017,95,49~60.
[12]Polasik M,Piotrowska AIetal..Price Fluctuations and the Use of Bitcoin:An Empirical Inquiry[J]. International Journal of Electronic Commerce,2016,20(1):9~49.
[13]Wang S,Vergne J P.Buzz Factor or Innovation Potential:What Explains Cryptocurrencies′Returns?[J].Plos One,2017,12(1).
本文通过去趋势比率检验了比特币价格指数、道琼斯工业平均指数和沪深300指数的相对波动性,发现比特币市场相对中美两国的股票市场,表现出高风险和高投机性。以“关停比特币中国交易平台”事件为参照,构建向量自回归(VAR)模型对比研究事件前后用户数量、百度搜索量以及媒体关注度与比特币价格和交易量之间的动态互动关系,发现这些关系会因政策的干预而变化。同时,比特币作为技术突破的产物和金融产品,带来了金融监管问题。本文的研究表明,用户及用户关注度驱动了比特币经济,公众共识支撑了比特币的价值。
[中图分类号] F830.9
[文献标识码] A
[文章编号] 1006-169X(2019)02-0016-07
DOI: 10.19622/j.cnki.cn36-1005/f.2019.02.003
基金项目: 陕西省软科学研究计划项目“跨境移动支付对“丝绸之路经济带”战略支撑作用与创新发展研究”(S2017-CXZC-RKX-MSXM-0518)。
郭建峰(1972-),辽宁鞍山人,西安邮电大学经济与管理学院,教授,研究方向为区块链与加密货币监管、金融风险管理;傅一玮(1995-),河南安阳人,西安邮电大学经济与管理学院,硕士研究生,研究方向为加密货币监管、互联网金融与邮政金融创新;靳洋(1995-),四川泸州人,西安邮电大学经济与管理学院,硕士研究生,研究方向为加密货币监管、信息管理与信息系统。(陕西西安 710061)
标签:金融风险论文; 政策干预论文; var论文; 金融监管论文; 西安邮电大学经济与管理学院论文;