Fakta Bergaya dalam Web3: Analisis Statistik Pulangan Token dan Dinamik Pasaran

1. Pengenalan

Landskap kewangan sedang mengalami transformasi radikal dengan kemunculan mata wang kripto dan ekosistem Web3 yang lebih luas. Walaupun Bitcoin mempelopori ruang ini, pengenalan Ethereum dan kontrak pintar telah memangkinkan pembangunan Kewangan Terpencar (DeFi), mencipta pelbagai "token" digital yang melangkaui sekadar mata wang. Kertas kerja ini membentangkan analisis statistik perintis, menerapkan konsep mapan "fakta bergaya" dari pasaran kewangan tradisional ke alam semesta token Web3 yang baru lahir. Kami secara sistematik membandingkan token merentasi bursa terpencar (DEX), kolam kecairan, dan bursa berpusat (CEX), menganalisis taburan pulangan, risiko ekor, dan kebergantungan temporal mereka untuk mendedahkan sifat statistik asas yang menguasai kelas aset baharu ini.

2. Rantaian Blok dan Token dalam Ekosistem Web3

Memahami dinamik kewangan Web3 memerlukan kefahaman asas tentang teknologi dan jenis aset yang mendasarinya.

2.1. Teknologi Rantaian Blok

Rantaian blok berfungsi sebagai lejar teragih yang tidak boleh diubah yang menyokong Web3. Mekanisme konsensus seperti Bukti Kerja (PoW) dan Bukti Kepentingan (PoS) menyelesaikan masalah perbelanjaan berganda, membolehkan transaksi tanpa kepercayaan. Platform seperti Ethereum melanjutkan fungsi ini melalui kontrak pintar Turing-lengkap, iaitu perjanjian pelaksanaan sendiri yang membentuk tulang belakang aplikasi DeFi seperti protokol pinjaman (Aave, Compound) dan pembuat pasaran automatik (Uniswap, Curve).

2.2. Taksonomi Token dalam Web3

Istilah "token" merangkumi spektrum aset digital yang pelbagai dengan utiliti yang berbeza:

• Token Asli/Pembayaran (cth., ETH, SOL): Berfungsi sebagai mata wang asas dan "gas" untuk pelaksanaan transaksi pada rantaian blok masing-masing.
• Token Tadbir Urus (cth., UNI, CRV): Memberikan hak mengundi dalam organisasi autonomi terpencar (DAO) yang mentadbir protokol.
• Token Utiliti (cth., Token LP): Mewakili tuntutan ke atas aset dalam protokol, seperti token penyedia kecairan (LP) yang menandakan bahagian dalam kolam dagangan.
• Stablecoin (cth., USDC, DAI): Bertujuan untuk mengekalkan pasak kepada mata wang fiat, berfungsi sebagai medium pertukaran dan simpanan nilai dalam DeFi.

3. Metodologi dan Data

Analisis kami menggunakan data harga frekuensi tinggi dan harian untuk sekumpulan token Web3 terkemuka yang merangkumi tahun 2020-2024. Set data termasuk token dari CEX utama (Binance, Coinbase) dan DEX (Uniswap v2/v3, Curve). Pulangan dikira sebagai $r_t = \log(P_t) - \log(P_{t-1})$. Kami menggunakan ujian ekonometrik yang ketat untuk normaliti (Jarque-Bera), autokorelasi (Ljung-Box), dan pemodelan volatiliti (keluarga GARCH) untuk mengenal pasti fakta bergaya.

4. Fakta Bergaya Empirikal Token Web3

Walaupun mempunyai kebaharuan teknologi, token Web3 mempamerkan sifat statistik yang sangat konsisten dengan aset kewangan tradisional.

4.1. Taburan Pulangan Berekor Tebal

Pulangan jelas bukan Gaussian. Fungsi ketumpatan kebarangkalian tanpa syarat mempamerkan "ekor berat," bermakna pergerakan harga ekstrem (baik kemerosotan mahupun kenaikan) berlaku jauh lebih kerap daripada yang diramalkan oleh taburan normal. Ini dikuantifikasi oleh nilai kurtosis tinggi dan indeks ekor positif yang dianggarkan melalui Teori Nilai Ekstrem (EVT). Parameter bentuk $\xi$ dalam Taburan Pareto Teritlak (GPD), $G_{\xi,\beta}(x) = 1 - (1+\xi x/\beta)^{-1/\xi}$ untuk $\xi \neq 0$, biasanya positif, mengesahkan tingkah laku berekor berat.

4.2. Normaliti Agregasi

Apabila selang pensampelan meningkat (cth., dari minit ke hari ke minggu), taburan pulangan menumpu ke arah Gaussian. Kesan agregasi temporal ini, satu fakta bergaya klasik, berlaku untuk token Web3. Teorem Had Pusat secara beransur-ansur memberikan pengaruhnya, melicinkan hingar frekuensi tinggi dan ekor tebal.

4.3. Pengelompokan Volatiliti

Tempoh volatiliti tinggi cenderung untuk berkelompok bersama, diikuti oleh tempoh yang agak tenang. Ini jelas kelihatan secara visual dalam siri masa pulangan dan disahkan oleh autokorelasi yang signifikan dan perlahan-lahan menyusut dalam pulangan kuasa dua atau mutlak. Ini membayangkan tekanan pasaran adalah berterusan, bukan i.i.d.

4.4. Kesan Leveraj dan Asimetri Pembalikan Masa

Kami mendapati "kesan leveraj" yang kurang ketara atau tidak konsisten (di mana pulangan negatif meningkatkan volatiliti masa depan lebih daripada pulangan positif) berbanding dengan ekuiti. Walau bagaimanapun, asimetri pembalikan masa wujud: dinamik volatiliti masa lalu mempengaruhi pulangan masa depan secara tidak linear, yang boleh ditangkap oleh model seperti model Heterogen Autoregresif (HAR).

5. CEX vs. DEX: Analisis Perbandingan

Satu penemuan kritikal ialah persamaan statistik antara aset yang didagangkan di CEX dan DEX. Walaupun terdapat perbezaan asas dalam struktur pasaran—buku pesanan vs. pembuat pasaran automatik (AMM), model penjagaan, dan fragmentasi kecairan—fakta bergaya teras (ekor tebal, pengelompokan volatiliti) sebahagian besarnya adalah kongruen. Penumpuan ini terutamanya didorong oleh arbitrajur yang mengeksploitasi percanggahan harga antara tempat, secara efektif menjahit pasaran bersama dan menguatkuasakan kesamaan statistik. Walau bagaimanapun, token khusus DEX (cth., token LP) boleh mempamerkan profil pulangan jangka panjang yang unik disebabkan mekanisme hasil terbenam.

6. Wawasan Utama dan Kad Statistik

7. Kerangka Teknikal dan Model Matematik

Untuk memodelkan fakta ini, alat ekonometrik standard boleh digunakan tetapi memerlukan penyesuaian:

• Pemodelan Volatiliti: Model GARCH(1,1), $\sigma_t^2 = \omega + \alpha r_{t-1}^2 + \beta \sigma_{t-1}^2$, secara efektif menangkap pengelompokan. Sambungan seperti EGARCH atau GJR-GARCH boleh menguji kesan asimetri.
• Risiko Ekor: Nilai pada Risiko (VaR) dan Kekurangan Dijangka (ES) yang dikira menggunakan EVT atau simulasi sejarah tertapis memberikan ukuran risiko yang lebih tepat daripada kaedah berasaskan Gaussian.
• Kebergantungan Multivariat: Model Korelasi Bersyarat Dinamik (DCC-GARCH) mendedahkan korelasi berubah masa antara token, penting untuk pembinaan portfolio.

8. Keputusan Eksperimen dan Penerangan Carta

Carta 1: Taburan Pulangan & Plot Q-Q untuk ETH (Harian): Histogram pulangan harian ETH yang ditindih dengan taburan normal terpasang jelas menunjukkan puncak yang lebih tinggi dan ekor yang lebih tebal. Plot Kuantil-Kuantil (Q-Q) yang menyertainya menyimpang secara signifikan daripada garis lurus yang dijangkakan di bawah normaliti, terutamanya di ekor.

Carta 2: Autokorelasi Pulangan Mutlak: Carta bar untuk token perwakilan (cth., UNI) menunjukkan fungsi autokorelasi (ACF) pulangan mutlak. ACF menyusut perlahan-lahan dan kekal positif untuk banyak kelambatan, satu ciri pengelompokan volatiliti dan ingatan panjang.

Carta 3: Siri Harga CEX vs. DEX dan Spread: Carta paksi berganda memplot harga peringkat minit token (cth., pasangan USDC/ETH) pada CEX utama dan DEX terkemuka dalam tempoh 24 jam. Panel kedua di bawah menunjukkan perbezaan harga (spread). Carta ini secara visual menunjukkan gandingan yang ketat, dengan lonjakan sporadis dalam spread yang cepat diarbitrajkan.

9. Kerangka Analisis: Kajian Kes Praktikal

Kes: Menilai Risiko Ekor dalam Kolam Kecairan DeFi
Objektif: Anggarkan VaR 95% 1-hari untuk kedudukan penyedia kecairan dalam pasangan token yang tidak stabil (cth., ETH/ALT) di Uniswap v3.
Kerangka:

1. Data: Kumpulkan harga sejarah untuk ETH dan ALT, dan kira fungsi kerugian tidak kekal $IL = 2 \sqrt{price\_ratio} / (1 + price\_ratio) - 1$ untuk julat harga yang dipilih.
2. Model: Pasang model DCC-GARCH dua pemboleh ubah kepada pulangan ETH dan ALT untuk menangkap korelasi dinamik dan volatiliti mereka.
3. Simulasi: Gunakan model terpasang untuk mensimulasikan 10,000 laluan pulangan satu hari masa depan untuk kedua-dua aset.
4. Pengiraan: Untuk setiap laluan simulasi, kira perubahan nilai kolam yang terhasil (termasuk yuran yang diperoleh dan kerugian tidak kekal).
5. Keputusan: Persentil ke-5 taburan simulasi perubahan nilai adalah anggaran VaR. VaR berasaskan EVT/GARCH ini akan jauh lebih tinggi daripada VaR Gaussian, menandakan risiko yang lebih besar dengan betul.

10. Aplikasi Masa Depan dan Hala Tuju Penyelidikan

• Integrasi Data Atas Rantai: Model masa depan mesti menggabungkan metrik atas rantai (cth., alamat aktif, harga gas, jumlah nilai terkunci) sebagai pemboleh ubah ramalan untuk pulangan dan volatiliti, melangkaui analisis harga tulen.
• Analisis Rentas Lapisan: Penyelidikan diperlukan mengenai kebergantungan statistik antara token Lapisan-1 (ETH, SOL), penyelesaian Lapisan-2 (Arbitrum, Optimism), dan token lapisan aplikasi.
• Derivatif Terpencar: Fakta bergaya ini akan menjadi penting untuk penetapan harga dan pengurusan risiko opsyen dan swap kekal pada protokol seperti dYdX dan GMX.
• Pemodelan Risiko Pengawalseliaan: Mengkuantifikasi impak pengumuman pengawalseliaan sebagai peristiwa "lompat" dalam proses pulangan token.
• Peningkatan Pembelajaran Mesin: Menerapkan model transformer atau rangkaian neural graf kepada graf kewangan Web3 untuk meramalkan risiko sistemik dan jangkitan, serupa dengan pendekatan dalam literatur risiko sistemik tradisional.

11. Perspektif Penganalisis: Wawasan Teras, Aliran Logik, Kekuatan & Kelemahan, Wawasan Boleh Tindak

Wawasan Teras: Kertas kerja ini menyampaikan satu kebenaran yang kuat dan bercanggah dengan intuisi: di bawah permukaan radikal DeFi dan Web3 terletak jantung kewangan yang berdegup mengikut irama statistik yang sama dengan Wall Street. Kekacauan ini berstruktur; inovasi ini biasa. Ini bukan pepijat—ia adalah ciri yang mengesahkan kematangan dan integrasi aset kripto ke dalam sistem kewangan global.

Aliran Logik: Hujahnya elegan dan mudah. 1) Wujudkan bahawa pasaran tradisional mempunyai cap jari statistik yang diketahui (fakta bergaya). 2) Terapkan pengukuran ketat yang sama ke alam semesta Web3 baharu. 3) Dapati persamaan yang menakjubkan, membuktikan ini adalah pasaran kewangan "sebenar," bukan sekadar keingintahuan. 4) Gunakan satu perbezaan struktur utama (CEX vs. DEX) sebagai eksperimen kawalan, mendapati bahawa arbitraj menghapuskan perbezaan statistik, menunjukkan kecekapan pasaran pada tahap asas.

Kekuatan & Kelemahan: Kekuatannya ialah empirisisme asasnya. Ia menyediakan buku peraturan statistik komprehensif pertama untuk Web3, mengalihkan wacana dari gembar-gembur ke data keras. Ini serupa dengan kerja ekonofizik awal yang menerapkan mekanik statistik kepada pasaran saham. Kelemahannya, biasa dalam penyelidikan peringkat awal, ialah fokusnya pada "apa" berbanding "mengapa." Ia mengenal pasti ekor tebal tetapi tidak memodelkan secara mendalam mekanik atas rantai (cth., lata pelupusan, serangan tadbir urus) yang menyebabkannya. Ia juga memperlakukan "token Web3" sebagai monolit, berpotensi mengaburkan perbezaan asas antara stablecoin seperti DAI dan token tadbir urus spekulatif.

Wawasan Boleh Tindak: Untuk pelabur dan pembina, penyelidikan ini adalah seruan untuk meninggalkan pengecualian. Pengurus Portfolio: Alat kuantitatif sedia ada anda (GARCH, VaR) berfungsi di sini—gunakan mereka, tetapi kalibrasi untuk ekor yang lebih tebal. Hentikan memperlakukan kripto sebagai kelas aset ajaib yang berasingan. Pereka Protokol: Jika pulangan token anda akhirnya tidak menunjukkan fakta bergaya ini, ia mungkin tanda kekurangan kecairan atau model ekonomi yang rosak. Kesihatan pasaran mempunyai tandatangan statistik. Pengawal Selia: Penumpuan CEX-DEX membuktikan bahawa mengawal selia satu sisi tidak dapat dielakkan mempengaruhi sisi yang lain. Anda tidak boleh mengasingkannya. Pengambilannya mendalam: Kewangan Web3 telah melepasi akil baligh statistiknya. Sudah tiba masanya untuk menganalisisnya dengan alat yang canggih dan skeptikal dari kewangan tradisional, bukan naratif evangelistik zaman bayi-nya.

12. Rujukan

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). (Dirujuk sebagai contoh kerangka, seperti arbitraj, yang menguatkuasakan konsistensi antara dua domain).
8. Bank for International Settlements (BIS). (2021). Annual Economic Report - Chapter III: Cryptoassets and decentralised finance. (Sumber luaran berwibawa mengenai risiko sistemik DeFi).