Web3의 스타일화된 사실: 토큰 수익률 및 시장 역학에 대한 통계적 분석

1. 서론

암호화폐와 더 넓은 Web3 생태계의 등장으로 금융 환경은 급진적인 변화를 겪고 있습니다. 비트코인이 이 분야를 개척했지만, 이더리움과 스마트 계약의 도입은 탈중앙화 금융(DeFi)의 발전을 촉진하여 단순한 통화를 넘어선 다양한 디지털 "토큰"을 만들어냈습니다. 본 논문은 전통 금융 시장의 확립된 개념인 "스타일화된 사실"을 초기 Web3 토큰 세계에 적용한 선구적인 통계 분석을 제시합니다. 우리는 탈중앙화 거래소(DEX), 유동성 풀, 중앙화 거래소(CEX)에 걸친 토큰을 체계적으로 비교하고, 그들의 수익률 분포, 꼬리 위험, 시간적 의존성을 분석하여 이 새로운 자산군을 지배하는 근본적인 통계적 특성을 밝혀냅니다.

2. Web3 생태계의 블록체인과 토큰

Web3 금융 역학을 이해하려면 기반 기술과 자산 유형에 대한 기초적인 이해가 필요합니다.

2.1. 블록체인 기술

블록체인은 Web3의 기반이 되는 불변의 분산 원장 역할을 합니다. 작업 증명(PoW) 및 지분 증명(PoS)과 같은 합의 메커니즘은 이중 지불 문제를 해결하여 신뢰할 필요 없는 거래를 가능하게 합니다. 이더리움과 같은 플랫폼은 튜링 완전 스마트 계약을 통해 이 기능을 확장하는데, 이는 대출 프로토콜(Aave, Compound) 및 자동화 시장 조성자(Uniswap, Curve)와 같은 DeFi 애플리케이션의 중추를 이루는 자체 실행 계약입니다.

2.2. Web3의 토큰 분류

"토큰"이라는 용어는 다양한 유용성을 가진 디지털 자산의 광범위한 스펙트럼을 포괄합니다:

• 네이티브/결제 토큰 (예: ETH, SOL): 각각의 블록체인에서 거래 실행을 위한 기본 통화 및 "가스" 역할을 합니다.
• 거버넌스 토큰 (예: UNI, CRV): 프로토콜을 관리하는 탈중앙화 자율 조직(DAO)에서 투표권을 부여합니다.
• 유틸리티 토큰 (예: LP 토큰): 프로토콜 내 자산에 대한 청구권을 나타냅니다. 예를 들어, 거래 풀의 지분을 나타내는 유동성 공급자(LP) 토큰이 있습니다.
• 스테이블코인 (예: USDC, DAI): 법정 통화에 대한 페그를 유지하는 것을 목표로 하며, DeFi 내에서 교환 매체 및 가치 저장소 역할을 합니다.

3. 방법론 및 데이터

우리의 분석은 2020-2024년에 걸친 주요 Web3 토큰의 선별된 바스켓에 대한 고빈도 및 일일 가격 데이터를 사용합니다. 데이터셋에는 주요 CEX(바이낸스, 코인베이스)와 DEX(Uniswap v2/v3, Curve)의 토큰이 포함됩니다. 수익률은 $r_t = \log(P_t) - \log(P_{t-1})$로 계산됩니다. 우리는 정규성(Jarque-Bera), 자기상관(Ljung-Box), 변동성 모델링(GARCH 계열)에 대한 엄격한 계량경제학적 검정을 적용하여 스타일화된 사실을 식별합니다.

4. Web3 토큰의 경험적 스타일화된 사실

기술적 참신함에도 불구하고, Web3 토큰은 전통 금융 자산과 놀랍도록 일관된 통계적 특성을 보여줍니다.

4.1. 두꺼운 꼬리 수익률 분포

수익률은 명백하게 비가우시안입니다. 무조건 확률 밀도 함수는 "무거운 꼬리"를 나타내며, 이는 극단적인 가격 변동(폭락과 급등 모두)이 정규 분포가 예측하는 것보다 훨씬 더 자주 발생한다는 것을 의미합니다. 이는 높은 첨도 값과 극단값 이론(EVT)을 통해 추정된 양의 꼬리 지수로 정량화됩니다. 일반화 파레토 분포(GPD)의 형태 매개변수 $\xi$, $G_{\xi,\beta}(x) = 1 - (1+\xi x/\beta)^{-1/\xi}$ for $\xi \neq 0$는 일반적으로 양수이며, 이는 무거운 꼬리 행동을 확인시켜 줍니다.

4.2. 집계 정규성

샘플링 간격이 증가함에 따라(예: 분에서 일, 주로), 수익률 분포는 가우시안 분포로 수렴합니다. 이 시간적 집계 효과는 고전적인 스타일화된 사실로, Web3 토큰에도 적용됩니다. 중심 극한 정리가 점차 영향을 미쳐 고빈도 노이즈와 무거운 꼬리를 평활화합니다.

4.3. 변동성 군집화

높은 변동성의 기간은 함께 군집화되는 경향이 있으며, 이어 상대적인 평온한 기간이 이어집니다. 이는 수익률 시계열에서 시각적으로 명백하며, 제곱 또는 절대 수익률에서 유의미하고 천천히 감소하는 자기상관에 의해 확인됩니다. 이는 시장 스트레스가 독립 동일 분포(i.i.d.)가 아니라 지속적임을 의미합니다.

4.4. 레버리지 효과 및 시간 역전 비대칭성

우리는 주식 시장에 비해 약화되거나 일관되지 않은 "레버리지 효과"(음의 수익률이 양의 수익률보다 미래 변동성을 더 증가시키는 현상)를 발견했습니다. 그러나 시간 역전 비대칭성은 존재합니다: 과거 변동성의 역학이 비선형적인 방식으로 미래 수익률에 영향을 미치며, 이는 이질적 자기회귀(HAR) 모델과 같은 모델로 포착될 수 있습니다.

5. CEX 대 DEX: 비교 분석

중요한 발견은 CEX와 DEX에서 거래되는 자산 간의 통계적 유사성입니다. 시장 구조(주문서 대 자동화 시장 조성자(AMM)), 보관 모델, 유동성 분산)의 근본적인 차이에도 불구하고, 핵심 스타일화된 사실(무거운 꼬리, 변동성 군집화)은 대체로 일치합니다. 이 수렴은 주로 시장 간 가격 차이를 이용하는 차익 거래자들에 의해 주도되며, 이들은 시장을 효과적으로 연결하고 통계적 동등성을 강제합니다. 그러나 DEX 특화 토큰(예: LP 토큰)은 내장된 수익률 메커니즘으로 인해 독특한 장기 수익률 프로필을 나타낼 수 있습니다.

6. 핵심 통찰 및 통계 카드

7. 기술적 프레임워크 및 수학적 모델

이러한 사실을 모델링하기 위해 표준 계량경제학 도구가 적용 가능하지만 적응이 필요합니다:

• 변동성 모델링: GARCH(1,1) 모델, $\sigma_t^2 = \omega + \alpha r_{t-1}^2 + \beta \sigma_{t-1}^2$는 군집화를 효과적으로 포착합니다. EGARCH 또는 GJR-GARCH와 같은 확장은 비대칭 효과를 테스트할 수 있습니다.
• 꼬리 위험: 극단값 이론(EVT) 또는 필터링된 역사적 시뮬레이션을 사용하여 계산된 위험 가치(VaR) 및 기대 부족(ES)은 가우시안 기반 방법보다 더 정확한 위험 측정치를 제공합니다.
• 다변량 의존성: 동적 조건부 상관관계(DCC-GARCH) 모델은 포트폴리오 구성에 중요한 토큰 간의 시변동 상관관계를 보여줍니다.

8. 실험 결과 및 차트 설명

차트 1: ETH의 수익률 분포 및 Q-Q 플롯 (일일): ETH 일일 수익률의 히스토그램에 적합된 정규 분포를 중첩시킨 것으로, 더 높은 첨도와 더 무거운 꼬리를 명확하게 보여줍니다. 동반된 분위수-분위수(Q-Q) 플롯은 특히 꼬리 부분에서 정규성 하에서 예상되는 직선에서 크게 벗어납니다.

차트 2: 절대 수익률의 자기상관: 대표적인 토큰(예: UNI)에 대한 막대 그래프는 절대 수익률의 자기상관 함수(ACF)를 보여줍니다. ACF는 천천히 감소하며 많은 시차에 걸쳐 양의 값을 유지하는데, 이는 변동성 군집화와 장기 기억의 특징입니다.

차트 3: CEX 대 DEX 가격 시계열 및 스프레드: 이중 축 차트는 24시간 동안 주요 CEX와 선도적인 DEX에서의 토큰(예: USDC/ETH 페어) 분 단위 가격을 표시합니다. 아래의 두 번째 패널은 가격 차이(스프레드)를 보여줍니다. 이 차트는 긴밀한 결합을 시각적으로 증명하며, 스프레드의 산발적인 급등은 빠르게 차익 거래되어 사라집니다.

9. 분석 프레임워크: 실용적 사례 연구

사례: DeFi 유동성 풀의 꼬리 위험 평가
목표: Uniswap v3에서 변동성이 큰 토큰 페어(예: ETH/ALT)에 대한 유동성 공급자의 포지션에 대한 1일 95% VaR를 추정합니다.
프레임워크:

1. 데이터: ETH와 ALT의 역사적 가격을 수집하고, 선택한 가격 범위에 대한 비영구적 손실 함수 $IL = 2 \sqrt{price\_ratio} / (1 + price\_ratio) - 1$를 계산합니다.
2. 모델: ETH와 ALT의 수익률에 대해 이변량 DCC-GARCH 모델을 적합시켜 그들의 동적 상관관계와 변동성을 포착합니다.
3. 시뮬레이션: 적합된 모델을 사용하여 두 자산에 대한 10,000개의 미래 1일 수익률 경로를 시뮬레이션합니다.
4. 계산: 각 시뮬레이션된 경로에 대해 결과적인 풀 가치 변화(획득한 수수료와 비영구적 손실 포함)를 계산합니다.
5. 결과: 시뮬레이션된 가치 변화 분포의 5번째 백분위수가 추정된 VaR입니다. 이 EVT/GARCH 기반 VaR는 가우시안 VaR보다 훨씬 높을 것이며, 더 큰 위험을 올바르게 신호합니다.

10. 향후 응용 및 연구 방향

• 온체인 데이터 통합: 미래 모델은 순수 가격 분석을 넘어 수익률과 변동성에 대한 예측 변수로서 온체인 지표(예: 활성 주소, 가스 가격, 총 예치 가치)를 통합해야 합니다.
• 크로스 레이어 분석: 레이어-1 토큰(ETH, SOL), 레이어-2 솔루션(Arbitrum, Optimism), 애플리케이션 레이어 토큰 간의 통계적 의존성에 대한 연구가 필요합니다.
• 탈중앙화 파생상품: 스타일화된 사실은 dYdX 및 GMX와 같은 프로토콜에서 옵션과 영구 스왑의 가격 책정 및 리스크 관리에 중요할 것입니다.
• 규제 위험 모델링: 규제 발표의 영향을 토큰 수익률 과정의 "점프" 사건으로 정량화합니다.
• 머신러닝 향상: 트랜스포머 모델 또는 그래프 신경망을 Web3 금융 그래프에 적용하여 전통적 시스템적 위험 문헌의 접근 방식과 유사하게 시스템적 위험과 전염을 예측합니다.

11. 애널리스트 관점: 핵심 통찰, 논리적 흐름, 강점 및 한계, 실행 가능한 통찰

핵심 통찰: 이 논문은 강력하고 직관에 반하는 진실을 전달합니다: DeFi와 Web3의 급진적인 표면 아래에는 월스트리트와 동일한 통계적 리듬으로 뛰는 금융의 심장이 있습니다. 혼돈은 구조화되어 있으며, 혁신은 친숙합니다. 이는 결함이 아닌, 암호화폐 자산이 글로벌 금융 시스템에 성숙하고 통합되었음을 검증하는 특징입니다.

논리적 흐름: 논증은 우아하게 단순합니다. 1) 전통 시장이 알려진 통계적 지문(스타일화된 사실)을 가지고 있음을 확립합니다. 2) 동일한 엄격한 측정을 새로운 Web3 세계에 적용합니다. 3) 놀라운 유사성을 발견하여 이것이 단순한 호기심이 아닌 "진짜" 금융 시장임을 증명합니다. 4) 하나의 주요 구조적 차이(CEX 대 DEX)를 통제 실험으로 사용하여 차익 거래가 통계적 차이를 지워버리고 근본적인 수준에서 시장 효율성을 입증함을 발견합니다.

강점 및 한계: 강점은 그 기초적인 경험주의에 있습니다. 이는 Web3에 대한 첫 번째 포괄적인 통계적 규칙책을 제공하여 논의를 과대 광고에서 확실한 데이터로 이동시킵니다. 이는 주식 시장에 통계 역학을 적용한 초기 경제물리학 연구와 유사합니다. 초기 단계 연구의 일반적인 한계는 "왜"보다 "무엇"에 초점을 맞춘다는 점입니다. 무거운 꼬리를 식별하지만, 그것을 유발하는 온체인 메커니즘(예: 청산 연쇄, 거버넌스 공격)을 깊이 모델링하지는 않습니다. 또한 "Web3 토큰"을 단일체로 취급하여 DAI와 같은 스테이블코인과 투기적 거버넌스 토큰 사이의 근본적인 차이를 가볍게 넘길 가능성이 있습니다.

실행 가능한 통찰: 투자자와 구축자에게 이 연구는 예외주의를 버리라는 명확한 요구입니다. 포트폴리오 매니저: 기존의 정량적 도구(GARCH, VaR)가 여기서 작동합니다—그것들을 사용하되, 더 무거운 꼬리에 맞게 조정하십시오. 암호화폐를 마법 같은 별개의 자산군으로 취급하는 것을 멈추십시오. 프로토콜 설계자: 귀하의 토큰 수익률이 결국 이러한 스타일화된 사실을 보여주지 않는다면, 이는 유동성 부족이나 깨진 경제 모델의 신호일 수 있습니다. 시장 건강에는 통계적 서명이 있습니다. 규제 기관: CEX-DEX 수렴은 한쪽을 규제하면 필연적으로 다른 쪽에 영향을 미친다는 것을 증명합니다. 구획화할 수 없습니다. 결론은 심오합니다: Web3 금융은 통계적 사춘기를 통과했습니다. 이제는 유아기의 전도적 서사가 아닌, 전통 금융의 정교하고 회의적인 도구로 분석할 때입니다.

12. 참고문헌

1. Cont, R. (2001). Empirical properties of asset returns: stylized facts and statistical issues. Quantitative Finance, 1(2), 223-236.
2. Nakamoto, S. (2008). Bitcoin: A Peer-to-Peer Electronic Cash System.
3. Buterin, V. (2014). Ethereum: A Next-Generation Smart Contract and Decentralized Application Platform.
4. Mandelbrot, B. (1963). The variation of certain speculative prices. The Journal of Business, 36(4), 394-419.
5. Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica, 50(4), 987-1007.
6. Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307-327.
7. Zhu, J.-Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. Proceedings of the IEEE International Conference on Computer Vision (ICCV). (두 도메인 간 일관성을 강제하는 차익 거래와 같은 프레임워크의 예로 인용됨).
8. Bank for International Settlements (BIS). (2021). Annual Economic Report - Chapter III: Cryptoassets and decentralised finance. (DeFi 시스템적 위험에 대한 권위 있는 외부 출처).