加密货币的共同风险因子：超越股票的因子投资

因子投资进入加密货币市场

数十年来，股票市场的因子投资遵循着一套成熟的方法论。Fama和French识别了规模与价值因子，Carhart加入了动量因子，Novy-Marx贡献了盈利因子。到2010年代，数百个因子已被记录、验证，并在许多情况下被系统化管理者所利用。然而，随着加密货币市场从一个小众实验成长为2万亿美元规模的资产类别，一个根本性的问题浮现了：数字资产是否拥有自身独特的风险因子，区别于传统金融花费半个世纪所编目的股票因子？

Liu, Tsyvinski, and Wu (2022)在其发表于Journal of Finance的研究"Common Risk Factors in Cryptocurrency"中直接回答了这一问题。他们的答案令人瞩目，对所有配置数字资产资金的投资者都具有重要意义。

核心发现

本文的核心结论是，加密货币收益率由三个加密货币特有的因子所驱动，这些因子与传统股票因子截然不同。这三个因子 (加密货币市场因子、加密货币规模因子和加密货币动量因子) 共同解释了加密货币收益率横截面变异的80%以上。与此同时，标准Fama-French股票因子（市场、规模、价值、盈利性、投资）对加密货币收益率的解释力几乎为零。

这不是一个细微的技术性区别。它意味着，一个彻底理解股票因子暴露的投资者 (能够将股票投资组合分解为价值、动量、质量和规模倾斜的投资者) 无法简单地将该框架移植到加密货币中。加密货币在其自身独特的因子结构下运行。

因子构建方法

Liu、Tsyvinski和Wu采用了Fama和French为股票建立的方法论，并针对加密货币市场的独特特征进行了调整。

CMKT（加密货币市场因子）： 所有超过最低市值门槛的加密货币的市值加权收益率。这类似于股票市场因子（MKT-RF），代表持有加密货币敞口所获得的广泛收益。加密货币市场因子表现出远高于股票的波动性; 年化波动率超过80%，而股票约为15-20%。

CSMB（加密货币规模因子）： 通过按市值对加密货币排序，计算小市值与大市值加密货币投资组合之间的收益率差来构建。小型加密货币往往优于大型加密货币，这与Banz (1981)和Fama and French (1993)在股票中记录的规模效应相呼应。然而，加密货币规模溢价的幅度要大得多 (在样本期间约为每月3-5%) 这可能反映了小市值加密货币市场中更高的信息不对称和流动性约束。

CMOM（加密货币动量因子）： 通过按过去1至4周的收益率对加密货币排序，计算赢家与输家之间的收益率差来构建。加密货币动量在远短于股票动量（通常使用12个月形成期加1个月跳过）的时间范围内运作。这反映了加密货币市场中更快的信息传播和更高的换手率。

股票因子为何在加密货币中失效

本文最重要的贡献之一是证明了传统股票因子无法解释加密货币收益率的原因。作者对标准Fama-French五因子模型（市场、规模、价值、盈利性、投资）和Carhart四因子模型（加入动量）进行了加密货币收益率测试。结果毫不含糊：这些股票因子在应用于加密货币投资组合时，没有一个表现出显著的因子载荷。

考虑到每种资产类别的根本性质，这一解释是直观的。价值（HML）等股票因子植根于会计基本面 (账面权益、盈利、现金流。加密货币在传统意义上没有账面价值、盈利和现金流。盈利因子（RMW）需要大多数代币根本不存在的收入和成本数据。即使是股票规模因子（SMB），虽然与加密货币规模因子在概念上相似，也通过不同的经济机制运作) 小盘股的超额表现与基本面驱动型市场中的信息不对称和流动性不足有关，而小型加密货币的超额表现可能反映了网络采用动态和投机性关注流。

这种独立性对投资组合构建具有重要意义：在分散化的股票因子投资组合中加入加密货币，并不是简单地增加相同的风险暴露。它引入了真正不同的风险因子，这正是分散化收益的理论基础。

网络效应：加密货币规模因子的独特之处

加密货币规模因子值得特别关注，因为其经济机制与股票规模因子根本不同。在股票中，小型公司的超额表现（在存在时）部分源于其风险更高、流动性更低且分析师关注更少。在加密货币中，规模效应通过网络采用动态发挥作用。

获得用户采用和网络活动的小型加密货币，在从默默无闻走向被广泛认知的过程中，往往会经历不成比例的价格升值。这是一种幂律现象：根据Metcalfe定律，一个从100用户增长到10,000用户的协议代表网络价值增长100倍，而一个从1,000万用户增长到1,010万用户的大型协议仅代表边际增长。加密货币规模因子有效地捕捉了这种采用驱动的收益，而这在股票市场中没有对应物。

然而，这一机制也伴随着警示。加密货币规模溢价集中在那些存活并获得牵引力的小型币种子集中。许多小型加密货币完全失败，价值归零。规模因子的平均收益率掩盖了一个高度偏斜的分布：少数巨大的赢家抵消了大量的完全亏损。

加密货币中的动量：更快但更脆弱

加密货币动量在比股票动量更压缩的时间尺度上运作。Jegadeesh and Titman (1993)使用3-12个月的形成期记录了股票动量效应，而加密货币动量在1-4周的时间范围内最为强劲。有几种机制解释了这种加速。

首先，加密货币市场在全球交易所全天候不间断交易，没有熔断机制。信息 (以及市场情绪) 被持续纳入价格中，压缩了在股票中驱动动量的反应不足到过度反应的周期。

其次，加密货币市场以散户为主导的特性放大了注意力级联效应。当一个代币开始在社交媒体上成为热门话题时，散户资金迅速涌入，产生短暂但强烈的动量效应，类似于Barber and Odean (2000)在股票市场中记录的行为模式，但时间线更为压缩。

第三，也是最关键的，加密货币动量比股票动量更为脆弱。创造动量的同样压缩时间尺度也会产生更剧烈的反转。Daniel and Moskowitz (2016)记录了股票中的"动量崩溃"; 长期熊市后突然而剧烈的反转。在加密货币中，这些反转发生得更频繁且预警更少，使得加密货币动量策略在实践中更难实施。

投资组合构建的实务启示

对于配置加密货币的投资者而言，三因子框架提供了若干具体的见解。

因子感知配置。 投资者不必简单地购买比特币或市值前10名的代币，而是可以从因子角度思考其加密货币敞口。以比特币为主的投资组合本质上是一个规模和动量暴露最小化的CMKT押注。加入较小的山寨币会引入CSMB暴露，而基于近期表现的主动再平衡则引入CMOM暴露。理解自己暴露于哪些因子有助于设定现实的收益预期和风险预算。

分散化收益评估。 加密货币因子独立于股票因子这一发现，为在多资产投资组合中纳入加密货币提供了定量依据。然而，这种独立性是有条件的：在极端风险规避事件中，加密货币与股票市场之间的相关性急剧上升，暂时降低了分散化收益。本文记录的因子独立性反映的是平均状况，而非危机状况。

再平衡频率。 加密货币因子更短的时间尺度 (尤其是动量) 表明加密货币投资组合可能受益于比股票投资组合更频繁的再平衡。股票因子策略中标准的月度再平衡对于加密货币可能过慢。周度再平衡能捕捉更多的动量溢价，但也会产生更高的交易成本。

局限性与注意事项

有几个重要的局限性应当对这些发现的实务应用保持审慎。

生存偏差。 加密货币市场经历了数千次代币退市、跑路和项目失败。仅使用存活代币的因子研究会高估因子溢价。Liu、Tsyvinski和Wu通过使用综合数据库来缓解这一问题，但与上市前后接受监管审查的交易所上市公司相比，加密货币中的这一问题更为严重。

交易成本。 加密货币规模和动量因子需要交易更小、流动性更低的代币。小市值加密货币的买卖价差、滑点和交易所费用可能相当可观; 每笔交易通常在50个基点以上。论文中报告的总因子溢价在考虑现实交易成本后可能无法存续，尤其是规模因子和频繁的动量再平衡。

监管风险。 如果重大监管行动改变了市场构成，加密货币的因子结构可能会发生重大变化。代币退市、交易所限制或分类变更可能同时影响市场的整个板块。

较短的样本期。 加密货币市场仅存在约15年。学术研究的样本期本质上短于股票因子可用的数十年数据。2022年记录的因子结构是否会持续是一个开放性问题。McLean and Pontiff (2016)表明已发表的股票异象在发表后会衰减；当更多资本瞄准加密货币因子时，同样的效应可能也会出现。

市场成熟化。 随着加密货币市场的机构化 (伴随现货ETF、受监管的期货和机构托管的出现) 因子结构可能会演变。机构参与往往会减少产生因子溢价的那些低效率。随着中等市值代币流动性的改善，规模溢价可能会收窄；随着算法交易者压缩信号期限，动量也可能减弱。

当前的证据状况

Liu、Tsyvinski和Wu的框架代表了资产定价方法论在加密货币市场的首次严格应用，发表于该领域的顶级期刊。他们发现的三个独立于股票因子的加密货币因子 (市场、规模和动量) 为在多资产投资组合中系统性地思考加密货币敞口提供了结构化的方法。

关键洞见不在于加密货币提供了传统意义上的"阿尔法"，而在于它代表了对一组真正不同的系统性风险因子的暴露。这一区别至关重要：阿尔法随着被发现和利用而衰减，而因子溢价 (如果它们反映了网络采用和信息不对称等真实的经济机制) 则可以持续存在。

对实践者而言，信息是微妙的。加密货币因子结构确实存在且统计上稳健，但其实施面临着股票因子投资数十年前已经解决的挑战：可靠的数据、合理的交易成本、可承受的回撤，以及足够长的业绩记录来区分信号与噪声。加密货币因子投资正处于1990年代初股票因子投资的阶段; 学术上已得到验证，但实践上尚不成熟。