• 数据覆盖范围与样本选择 [pidx::1]：

- 研究数据来源于coinmarketcap.com，剔除稳定币后，选取2015年至2019年期间至少存续26周且市值超过100万美元的加密货币，共711种。
- 随着市场发展，样本加密货币数量从几十增加至500余种，体现市场规模和参与度的显著扩张。

• 动量与流动性测量定义及组合构建方法 [pidx::2]：

- 动量指标基于过去14日累计收益率，将资产分为输家(底30%)、中性(30%-70%)、赢家(顶30%)三组。
- 流动性用Amihud指标衡量，14日内日均绝对收益与成交量比率，资产同样按流动性分为低、中、高三组。
- 构建9个双变量动量-流动性组合，等权重、每14日调仓。

• 主要统计结果与动量流动性效应发现 [pidx::3]：

- 动量(U MD)在高流动性资产中显著，平均日收益率0.26%，显著性(α=0.05)。
- 流动性(I ML)溢价主要集中于输家组合，平均日收益0.52%，同样显著。
- 流动性差的输家组合表现更佳，显示均值回归现象，符合先前研究结果。
- 动量现象与投资者羊群行为及市场反馈机制相关。

• 推荐的两种长期投资策略表现及风险调整效益 [pidx::4]：

- “流动性强的赢家”与“流动性弱的输家”组合均为长期持有策略，均在历史回测期（2014-2018）表现明显优于传统市值加权组合。
- 在无交易费用假设下，两策略信息比率较高，表现稳定。
- 即便考虑0.1%以内的交易费用，策略依然保持超越基准的风险调整收益。
- “流动性弱的输家”策略潜在交易成本高，实际操作风险更大；“流动性强的赢家”策略更适合实际投资应用。

• 结论与行业意义 [pidx::5]：

- 本研究首次系统验证了加密货币市场动量与流动性之间的显著联系，拓展了羊群行为理论的适用范围。
- 提出的双变量排序框架和长期持有策略为投资者优化加密货币资产配置提供了有力工具与理论依据。
- 结果对资产管理与交易策略开发具有实践指导价值，尤其是在流动性和交易成本限制环境下。

金融研究报告详尽分析报告

报告元数据与概览

报告标题： Momentum and liquidity in cryptocurrencies
作者： Stjepan Begušić, Zvonko Kostanjčar
发布机构： Zagreb大学电气工程与计算学院金融与风险分析实验室
日期： 报告具体发布日期未见明确提及，文章数据范围截止于2019年初
研究主题： 加密货币市场中动量效应与流动性的关系研究

核心论点与目标：
本报告旨在探讨加密货币市场中动量效应（momentum effects）与流动性（liquidity）之间的互动关系。通过构造基于动量和流动性双变量排序的投资组合，作者分析了711种加密货币在不同流动性状态下的动量表现。研究发现：

• 最具流动性的加密货币展现出显著的动量效应，这一现象支持了投资者羊群效应理论。

- 在动量和流动性基础上，提出两种仅做多的投资策略：一是“非流动性（illiquid）亏损者组合”，二是“流动性（liquid）赢家组合”，这两类策略在风险调整后的表现上均优于市场资本加权的基准组合。

该研究不仅关注实证动量与流动性的关联，也探讨了其对策略构建的实际应用价值。报告采用多因子排序法及风险调整绩效指标，力求为行业与学术界提供系统且深入的加密货币投资策略分析模式。[pidx::0]

---

逐节深度解读

1. 引言（Introduction）

报告首先回顾了加密货币市场过去十年的快速发展及其作为资产类别的研究状况，包括其在分散投资、统计特性及市场效率方面的讨论。引用多篇文献指出：

• 比特币市场可能逐渐趋向效率，但伴随周期性泡沫冷却期。

- 市场效率与流动性呈正相关，较不流动币种常表现出均值回归的非有效特征。

• 现存研究确认加密货币回报中的动量效应，但动量效应的普遍性及其与流动性的关系尚待明晰。

作者以传统国际股票市场中流动性与动量关系的发现为背景，定位本研究的创新点为对加密货币市场中该关系的探索。引言明确展现了研究问题的理论动因和现实意义，也为后文分析奠定了理论框架。[pidx::0]

---

2. 数据（Data）

本节详细描述数据选取和预处理的方法：

• 数据来源为coinmarketcap.com，包括日度市值、价格和成交量。

- 删除稳定币（价格锚定于法币或商品者）以避免价格波动干扰。

• 研究区间为2015年1月至2019年1月，因2015年前加密货币数量稀少且交易活跃度低。

- 加密货币入选条件为最近26周（约半年）市场存在且任一周市值均不低于100万美元，以避免大盘币偏差，确保流动性和代表性。

• 期间共711种币种至少一次满足条件，且币种数量随时间显著增长，如图1显示从几十枚增长到近600枚，呈爆发式扩张趋势。

图1（Slika 1）生动表现了样本库规模随时间稳步扩大，反映市场生态的不断丰富和多样化。这为研究后续投资组合构建提供了扎实样本基础。[pidx::1]

---

3. 测试及结果（Tests and results）

本节为核心部分，先解释动量与流动性两因子的具体测量方式和组合法则：

• 动量（Momentum）定义：14天（2周）的累计回报率

\[
Ci(t) = \frac{Pi(t)-Pi(t - T{mom})}{Pi(t-T{mom})}
\]
将币种依此分为三组：输家（前30%）、中性（30%-70%）与赢家（后30%）。

• 流动性（Liquidity）定义：采用Amihud不流动性指标

\[
Ii(t) = \frac{1}{T{illiq}} \sum{\tau = t - T{illiq}}^{t} \frac{|Ri(\tau)|}{Vi(\tau)},
\]
其中成交量单位为美元，取14日窗口，与动量窗口一致。币种依此分为流动（最低30%）、中性（30%-70%）、非流动（最高30%）。

• 组合构建：结合动量和流动性进行3x3的双重分类，形成九个等权重投资组合，每两周再平衡。
• 绩效衡量指标

- 均值日收益率
- 日收益标准差
- 信息比率（Information Ratio, IR），定义为超额收益均值与方差的比值：
\[
IR = \frac{\mathrm{E}[Rp - Rb]}{\sqrt{\mathrm{Var}[Rp - Rb]}},
\]
基准组合为市值加权组合，每两周调整一次。

• 零投资投资组合

- UMD（Winners - Losers）组合，按流动性分类
- IML（Illiquid - Liquid）组合，按动量分类

关键发现及统计显著性：（数据见表1）

• 动量效应明显仅存在于流动性较高币种，UMD组合流动组平均日收益0.26%，统计显著（α=0.05）。

- 非流动输家组展现了显著的非流动性溢价，IML组合在输家组收益0.52%，统计显著。

• 非流动输家组合日涨幅达1.07%，明显高于非流动赢家组合（0.53%），支持此前Wei[10]发现的均值回归观点。

- 非流动组合整体波动率和信息比率高于流动组合，赢家比输家组合波动率更高。

• 以上结果通过两尾t检验确认部分组合的超额收益具有统计显著性。

结论指向投资者羊群行为可能是驱动流动性高币种动量效应的机制，同时结合加密货币市场的正反馈社会经济信号支持此解释[pidx::2][pidx::3]。

---

4. 投资组合表现与交易成本影响

鉴于加密货币市场做空限制，作者重点推荐两种长仓策略：

• 非流动输家组合

- 流动赢家组合

图2呈现了这两组合与市值加权组合在无交易成本情况下的历史表现，纵轴为对数尺度，时间跨度从2014年7月至2019年1月。图中显示：

• 非流动输家组合收益激增，累计增长远超市场基准。

- 流动赢家组合表现优于市场，但幅度较非流动输家小。

• 市场组合波动低且回报有限。

表2量化了不同交易成本（0至100基点，即0%-1%）情形下，两组合的平均日收益、标准差和信息比率。结果说明：

• 两组合均对交易成本有韧性，信息比率在小幅下降但总体仍维持正值。

- 交易成本对非流动输家组合影响较大，考虑实际买卖价差后的隐形成本可能更显著，实际应用需谨慎。

• 流动赢家组合因币种交易活跃，面临的隐形交易成本更低，实际执行更为可行和稳健。

整体看，流动赢家组合兼顾了盈利潜力与风险管理优势，非流动输家组合则风险与回报高且执行风险也较大[pidx::4]。

---

5. 结论（Conclusion）

作者总结指出，动量效应在最具流动性的加密货币中显著存在，支持羊群效应理论延伸至加密货币市场。
提出的两种长仓策略均在风险调整后优于传统市值加权基准，且交易成本纳入模型后依然展现盈利性，具有实际投资价值。这为理解加密货币市场动量机制及构建超额收益投资组合提供了实证依据和方法论参考[pidx::5]。

---

图表深度解读

图1：考虑样本币种数量随时间变化

• 图形为时间序列柱状图，横轴为时间（2014年1月至2019年1月），纵轴为计数（币种数量）。

- 反映了币种数量从2015年初以来指数级增长，从约10个增长到近600个，说明加密货币生态多样性和市场活跃度大幅提升。

• 这为后续基于数量丰富的样本构建动态组合打下了基础。[pidx::1]

---

表1：9个动量-流动性组合及UMD和IML组合的均值日回报、日波动率和信息比率

• 均值日回报（%）：

流动组赢家0.71%，亏损组0.31%，UMD（赢家-输家）组合0.26%且显著；非流动亏损组回报最高约1.07%。

• 日标准差（%）：非流动组波动明显高于流动组，赢家波动普遍高于其它组别，反映高回报伴随高风险。

- 信息比率：
流动组赢家最高1.59，亏损组和中性组表现较弱。非流动亏损组IR达到1.56，说明潜在的风险调整收益优势。

• 显著性标注表明UMD和IML的部分超额收益达统计显著水平。

- 数据支持动量主要表现在高流动性资产，而非流动资产中存在明显的均值回归（反动量）和非流动性溢价现象。

• 该表为论文核心实证结论的量化展现，验证了投资组合构建逻辑。 [pidx::3]

---

图2：两种长仓投资组合与市值加权基准的历史表现

• 纵轴是对数尺度的累计收益，时间跨度2014年7月至2019年1月。

- 蓝色曲线（非流动亏损者组合）表现最强，经历多次增长爆发，累计收益激增。

• 橙色曲线（流动赢家组合）表现稳健，趋势明显超越黑色市值加权曲线。

- 黑色曲线（基准）波动较小，增长有限。

• 这图直观表现了两投资策略相对于集中市值的优势及波动特征。

[pidx::4]


---

表2：不同交易成本下两投资组合的表现

• 交易成本由0至100基点（1%），收益和信息比率随着交易成本增加略下降。

- 非流动亏损组合平均日回报从1.07%降至0.95%，IR保持在7.79附近，说明收益下降幅度有限但非常高的波动风险。

• 流动赢家组合表现下降较平滑，IR由1.59降至1.27。

- 显示流动赢家组合在成本冲击下稳健性更强，适合实际操作。

• 该表强调了市场执行层面成本对策略影响的重要性，提醒投资者实际应对流动性和交易成本。

[pidx::4]

---

估值分析

本报告不涉及传统公司估值模型，而是基于投资组合构建与绩效指标的跨资产实证研究。动量和流动性指标通过统计测量和排序规则被用来构造因子组合。
主要方法为：

• 动量用14日累计回报计算，分组排序确定投资立场。

- 流动性采用Amihud不流动性指标进行排序。

• 策略绩效用均值回报、标准差和信息比率综合评估。

无现金流折现（DCF）、市盈率（P/E）等传统估值模型，也未展开敏感性分析，因主题聚焦于策略表现和市场微观结构属性分析。

---

风险因素评估

报告直接识别及讨论的风险因素主要包括：

• 流动性风险： 非流动加密货币因买卖价差和市场冲击成本可能导致实际交易成本远高于表面，影响策略实际可行性。

- 交易成本风险： 高交易成本将侵蚀组合预期收益，尤其非流动亏损组合较为敏感。

• 市场效率变化风险： 随着市场效率提升，动量效应可能减弱，策略表现会随结构变化而波动。

- 投资限制风险： 缺乏做空机制限制了零投资策略的可行性，促使研究侧重于长仓投资组合。

报告未具体量化这些风险的发生概率或直接提出缓解措施，但通过交易成本敏感性测试部分显示了对执行风险的关注。报告指出流动赢家组合因主要集中在高流动性资产，风险相对更低，投资实操价值较高。[pidx::4]

---

批判性视角与细微差别

• 报告对交易成本的处理较为粗略，未直接考虑加密货币市场换手率、滑点与间接交易成本，可能低估非流动性组合的实际风险。

- 仅基于14天动量指标，动量效应的短期特征显著，但未讨论更长期动量效应及其持续性，限制了策略的时间适用性。

• 数据截止2019年初，未考虑2020年后加密货币大幅波动及机构参与程度提升，策略的时效性需谨慎评估。

- 报告假设市场参与者行为与传统资产类似，投资者羊群效应是解释动量的主导机制，然而加密货币市场特殊性（技术影响，法规变化）未有深入探讨。

• 对于统计显著性的阈值和多重比较的调整未展开说明，可能存在假阳性风险。

- 虽提及“零投资”组合策略，但由于做空难度，主要推荐长仓组合，策略适用范围存在局限。

整体而言，报告基于充足的数据和严谨方法，结论具有一定的普适性与参考价值，但基于短期窗口和有限样本期间，实际应用需结合后续市场变化和操作成本动态调整。

---

结论性综合

本报告系统研究了加密货币市场中动量效应与流动性的互动关系，核心贡献包括：

• 通过对711种加密货币的14日滚动动量和Amihud不流动性指标的双变量排序，实证揭示了动量效应显著存在于高流动性币种，而非流动币种则呈现均值回复趋势。

- 发现非流动亏损币种具有显著的非流动性溢价，为投资者创造特殊 alpha 源泉。

• 构建了两种仅做多的投资组合策略：“非流动亏损者组合”和“流动赢家组合”，证实两者在风险调整收益上均优于传统市值加权基准组合。

- 交易成本敏感性分析显示，流动赢家组合因低交易成本风险，在实际执行中更具可行性和稳健性，而非流动亏损者组合则面临较高隐形成本。

• 研究结果支持投资者羊群行为驱动加密货币动量的理论，并为加密货币资产管理和投资策略设计提供实证依据。

该报告深入论证了流动性作为市场效率与动量表现的重要调节变量，突破了传统资产类别的视角，将金融市场行为学范式成功应用于加密资产领域。图表和数据详实、有力支持研究结论，理论与实证分析兼备，为后续研究和实际投资者提供了重要参考框架和方法论。总体上，报告客观严谨，结论具有较强的学术和实务价值。[pidx::0][pidx::1][pidx::2][pidx::3][pidx::4][pidx::5]

报告