• 各类资产整体及细分阶段的羊群行为特点 [page::10][page::12][page::13][page::14]：

- 全周期内，加密货币、股票和美国ETF均显著存在羊群现象，且股票与ETF表现类似，但加密货币特征明显不同。
- 按子阶段划分，加密货币牛市行情和俄乌冲突二期表现羊群增强；股票和ETF则在中美贸易战、高峰疫情期间羊群特征显著。

• 社区层面资产聚类与羊群发现 [page::15][page::19][page::20][page::22][page::25][page::26][page::27]：

- 通过Louvain算法，资产按价格走势相似性构成多个社区。
- 加密货币通常形成独立社区，且社区内大多数时期均存在羊群行为。
- 股票与ETF往往构成混合社区，ETF居中心，表明ETF影响力大。
- 特定股票板块（能源、科技、医疗、金融）及其相关ETF倾向形成独立社区，且其羊群行为与特定经济或政治事件高度相关。
- 其他板块资产社区分散，无明显板块整体羊群特征。

• 量化羊群检测模型应用 [page::8][page::10]:

- 采用Cross-Sectional Absolute Deviation模型(CSAD)及其市场涨跌方向细分版本识别羊群。
- 负显著的二次项系数$\beta_2$ 表明市场波动大时资产收益差异减小，体现羊群行为。

• 金融传染效应识别及其与羊群的关系 [page::28][page::34][page::35]：

- 使用向量自回归模型(VAR)分析3类资产间30分钟频率的传染路径。
- 美国ETF不仅自身具有强烈自我传染效应，也明显对股票和加密货币施加传染影响，是市场冲击的主要源头。
- 股票对ETF传染强于加密货币对ETF，ETF与股票更倾向于形成紧密市场共同体。

• 传染强度量化指标（各阶段平均传染幅度，表格摘录） [page::34]

| 传染方向 | Pre-Covid-19 | Covid-19 | Bull Time 1 | Bull Time 2 | Bull Time 3 | U-R Conflict 1 | U-R Conflict 2 |
|----------------|--------------|----------|-------------|-------------|-------------|---------------|---------------|
| Crypto→Crypto | 0.1674 | 0.3536 | 0.2391 | 0.3040 | 0.4308 | 0.1592 | 0.5855 |
| Stock→Stock | 0.0962 | 0.1779 | 0.1250 | 0.1201 | 0.1491 | 0.1438 | 0.1377 |
| US ETF→US ETF | 0.3191 | 0.9974 | 0.4323 | 0.4951 | 0.4279 | 0.4336 | 0.4974 |
| Stock→Crypto | 0.4012 | 0.3823 | 0.4924 | 0.8898 | 0.4939 | 0.4088 | 0.3469 |
| US ETF→Crypto | 1.7424 | 2.2098 | 2.3056 | 3.1864 | 2.8145 | 4.7943 | 1.3000 |
| Crypto→Stock | 0.0459 | 0.1225 | 0.0783 | 0.0434 | 0.1264 | 0.1244 | 0.0695 |
| US ETF→Stock | 0.5077 | 1.0208 | 0.6153 | 0.5964 | 0.7415 | 0.4669 | 0.5632 |
| Crypto→US ETF | 0.0215 | 0.0873 | 0.0293 | 0.0259 | 0.1004 | 0.0811 | 0.0556 |
| Stock→US ETF | 0.0628 | 0.1562 | 0.0910 | 0.1184 | 0.1091 | 0.1213 | 0.1098 |

• 关键ETF传染源示例及变化趋势 [page::35]：

- 股票传染力排名前三ETF多变，但ProShares Short VIX Short-Term Futures ETF (SVXY)多次列首位。
- 加密货币传染力第一梯队涉及QYLD、SPY、QQQ等，时段间存在动态更替。

深度分析报告：《HERDING UNMASKED: INSIGHTS INTO CRYPTOCURRENCIES, STOCKS AND US ETFS》

---

1. 元数据与概览

• 报告标题：《HERDING UNMASKED: INSIGHTS INTO CRYPTOCURRENCIES, STOCKS AND US ETFS》

- 作者：An Pham Ngoc Nguyen, Martin Crane, Thomas Conlon, Marija Bezbradica

• 作者所属机构：都柏林城市大学、University College Dublin等

- 发布日期：2024年12月18日

• 研究主题：研究投资者的从众行为（herding behavior）在三类资产——股票、美国交易型开放式指数基金（US ETFs）及加密货币上的表现与相互影响，首次从整体及社区（子集）层面深入探讨三种资产间的从众现象与传播机制。

报告核心论点简述：

• 投资者的从众行为会导致资产价格被高估或低估，威胁市场稳定。

- 文章以最新的、包含2019年至2023年全球重大经济政治事件的数据为基础，首次比较股票、US ETFs与加密货币这三种资产的从众行为模式。

• 通过交叉截面绝对偏差模型（CSAD）检测从众现象，结合图论中的最小生成树（MST）与Louvain社区检测算法划分资产社区，从而揭示不仅整体资产中存在从众行为，更是在社区层面持续存在。

- 通过矢量自回归模型（VAR）分析资产间金融传染效应，发现在市场动荡时，US ETFs不仅能够影响股票市场，也更显著地影响加密货币市场，且呈现自我强化的从众行为特征，成为市场上关键的从众驱动力。

此报告意在为投资者及政策制定者提供更细致的市场行为诊断，帮助规避因信息和行为同步引发的系统性风险。[page::0,1,2]

---

2. 逐节深度解读

2.1 引言与研究动机

• 从众行为定义为投资者在一定时间内对资产的买卖行为趋同，产生价格同步波动。此行为分为“有意从众”（忽视自身判断，跟从大多数）和“无意从众”（独立决策但因共享信息而出现类似行为）。

- 从众行为加剧市场波动，促进泡沫，并威胁整体金融稳定，因此理解其机制及表现形式至关重要。

• 现有研究多聚焦单一资产类别，忽略多资产类别投资组合的普遍性，对多资产类别间的传播机制研究匮乏。

- 本文创新点在于同时研究三类主流投资品种，及首次从资产关联社区层面细致剖析从众行为。[page::0,1]

2.2 文献综述与理论依据

• 检测从众的方法大致分为两类：统计模型（如CSAD、CSSD等基于收益率波动的传统方法）和基于深度学习的市场情绪挖掘模型。当前CSAD方法仍主流，且便于跨文献比较。

- 历史上多次经济危机（如1987年股灾、2007-2008年全球金融危机、2020年新冠疫情）均伴随着从众加剧。

• 加密货币市场中，投资者更倾向于非理性行为，受价格波动和新闻影响更大，表现出与传统市场不同的从众规律，尤其对正收益时期从众现象更强烈。

- 美国股票和ETF市场更多受宏观经济不确定性驱动的从众，机构投资者占比较大，理性成分较强。

• 社区层面细分资产，利用图论技术（最小生成树和Louvain社区检测）识别出价格运动相似的资产子集，再进行更精准的从众检测，有助于减少假阳性。

- 传染效应作为从众传播的一种表现，通过VAR模型捕捉类别间资金流动和行为传递，已有少量文献集中于单一或两类资产，缺乏对三类资产的综合研究。[page::1,2,5]

2.3 数据与方法论

• 数据来源：FirstRate Data平台，以30分钟为频率的高分辨率价格数据，样本涵盖222个资产：146只美股、49只美国ETF、27只加密货币。

- 数据筛选标准包括市场市值优先、交易频率高、缺失值控制（股票缺失≤1%、加密货币≤10%、ETF≤12%）。

• 股票按照11个业务板块分类（其中重点研究7个有代表性的板块如科技、金融、医疗、能源等），ETF不做统一分类，但关注行业ETF关联特征。

- 用Pearson相关系数构建资产间相似度矩阵，转换为距离矩阵后用最小生成树（MST）减少图的复杂度，保留重要边。

• 应用Louvain社区检测分割资产集合，保障社区内资产价格走势高度相似。

- 利用CSAD模型（含区分上涨和下跌市场的两种形式）检测全市场和社区层面从众行为；VAR模型用于七个分期内捕捉资产间不可预期冲击的传染效应。[page::3,6,7,8,9]

2.4 时间划分与初步发现

• 将2019年4月至2023年5月的样本期划分为7个子区间，分别对应：

1. 贸易战前（2019年4月至2019年12月）
2. 新冠疫情冲击（2020年1月至2020年6月）
3. 牛市1（2020年7月至2021年1月）
4. 牛市2（2021年2月至2021年8月）
5. 牛市3（2021年9月至2022年2月）
6. 乌俄冲突前半段（2022年2月至2022年9月）
7. 乌俄冲突后半段（2022年10月至2023年5月）

• 初步全期CSAD检测显示，三类资产均存在统计显著从众行为。区别是加密货币市场仅在市场下跌时表现明显，从众强度有所不同。

- 基于社区划分的全集团检测发现13个社区，资产分布涉及多行业，ETF一般是社区内联系股票的核心节点之一，表现多社区内存在从众特征但整体市场不一定显著。[page::10,11]

2.5 子期内分资产类别的从众特征分析

加密货币市场：

• 四个子期表现出显著从众：疫情期、第1、第2牛市及乌俄冲突2期。

- 投资者情绪驱动明显，牛市期间因FOMO倾向更强烈；震荡期下跌更多由恐慌止损导致。

• 在疫情顶峰反应强度反而不及部分牛市子期，表现出对积极市场消息的敏感度较高。

- 结果与先前文献吻合，强调加密投资者更依赖情绪和非理性因素。[page::12,13]

传统股票与美国ETF市场：

• 贸易战前（Pre-Covid-19）及疫情期内存在显著从众，且以上行和下行市场均有表现。

- 贸易战期间，负面新闻频繁导致投资者负面行为同步，表现为强烈卖出从众。

• 疫情期影响虽更大，但从众强度略逊于贸易战年，猜测市场经历剧烈波动后，投资者开始回归理性。

- ETF总体从众强度弱于股票，反映ETF波动性较低、持有长期资产特征，“理性投资者”比例可能更高。

• 牛市后期和乌俄冲突期间，股票与ETF的从众表现减弱显著。[page::13,14]

---

3. 图表深度解读

图1 - 全期社区层面从众检测与行业分布

• 描述：横轴为13个社区，纵轴为从众强度（绝对值），用三种颜色区别整体、牛市向上、牛市向下的从众检测结果。下图展示各社区股票行业和加密资产占比。

- 解读：
- 多数社区显示显著从众，尤其在部分社区牛市或熊市状态下表现差异显著。
- 行业分布显示传统资产社区多由特定板块构成，ETF一般分布在社区中核心位置。

• 意义：表明整体市场的从众现象可能掩盖社区内的细节差异，提示从社区层面细化分析的重要性。[page::11]

图2-8 - 不同时期社区结构

• 展示不同子时间段内资产通过相关性划分的社区结构，颜色代表社区归属。

- 加密货币多形成独立社区，且维持聚集但分别不同步传统金融资产社区。

• ETF常位于社区中心连接多个股票，强化其资本市场核心链接角色。

- 某些传统行业板块（能源、科技、医疗、金融）呈现持续社区聚集，反映行业内部高度同步。

• 结构时变，显示市场动态和投资者行为随宏观环境变化而演化。[page::16-19]

图9-15 - 社区层面的从众结果与行业分布（分子期）

• 各图以条形展示不同社区的从众结果，并列展示社区内资产所涉及的行业占比。

- 疫情前后二期社区从众密集，后期则逐渐疏散，表现出疫情高峰对市场同步交易的巨大影响。

• 加密货币持续在部分社区表现从众，显示其社区层面独立的活跃性。

- 传统社区中，能源、科技、医疗与金融社区从众显著，与重大经济与政治事件关联性强。

• 某些社区多板块混杂但未显著从众，点出异质资产间难以展现同步行为。[page::20-26]

图16-21 - 2020年疫情前金融传染3D可视化

• 通过3D柱状图呈现222个资产作为传染源及受感染体时的正负传染波动。

- US ETFs作为传染源，特别是对加密资产传染尤为显著。

• 加密资产对传统资产的反馈相对有限，展示市场主导力量以ETF/股票为主。

- 视觉上峰值聚集中反映部分核心资产对市场冲击的领导作用。

• 投资者集合行为经由ETF被放大向更广市场扩散。[page::29-34]

表5 - 平均传染幅度（分子期）

• 能直观见到各资产类别间传染强弱及趋势：

- US ETFs向加密与股票传染最强，凸显其中心角色。
- 加密向传统资产传染极弱，显示影响力有限。
- 股票与ETF相互传染强于与加密货币的传染。
- 疫情期间整体传染力度达到峰值。

• 由此推断ETF市场对其他资产类别的影响更大，可能源于其综合多股票及其投资者群体的特性。[page::34]

表6、7 - 主要传染推动ETF名单（分子期）

• 展示分期内冲击最大、影响最广的三大ETF：

- 对股票影响力大者以ProShares Short VIX (SVXY)为代表，稳定出现在多数分期。
- 对加密影响则多变，S&P与纳斯达克相关ETF影响力较明显。

• 表明ETF中的部分产品由于定位及标的影响，成为市场关键传染节点。[page::35]

---

4. 估值分析

报告未涉及典型的估值分析方法（如DCF、P/E等），其核心分析基于统计回归及图论社区结构，故未有相关估值输入、假设及目标价推断。

---

5. 风险因素评估

报告主要围绕市场从众行为展开，虽未直接列举传统意义上的风险因素，但可通过行为解读隐含风险：

• 高频从众加剧价格非理性波动，形成市场泡沫或快速崩盘。

- 加密资产投资者群体相对非理性，容易被舆论和价格波动影响，引发极端投机行为。

• 市场在经济政治剧变时（贸易战、疫情、战争）更易出现系统性风险，通过ETF放大波及更广泛市场。

- ETF作为市场传染核心，管理失灵或策略性交易若失控，潜在系统风险大。

• 不同社区表现差异较大，难以精准把握各子市场风险传递与管理集中度。

- 投资者理性程度不一，导致市场波动响应的非对称性及复合风险。[page::0-27,34]

---

6. 审慎视角与细微差别

• 报告中普遍使用回归模型检测统计显著的从众行为，但不排除样本选择偏差与模型假设对结论的影响。

- 社区划分强依赖相关性及算法设定，不同算法及参数可能影响社区结构和进而从众发现。

• 加密货币市场被强调为“非理性”主导，可能忽视其中日趋成熟及机构投资者的影响。

- 传染效应分析着重于统计显著性，可能未充分讨论经济意义及微观因果机制。

• 不同子期时间长度不一（如牛市1和2较短），可能导致统计能力差异。

- 对混合行业社区从众原因表述谨慎，未提供充足定量或定性解释。

• 报告强调ETF的市场核心角色，但因ETF种类多样，未区分主动型与被动型可能掩盖细节。

- 未来扩展方向提及但并未实施，暗示结论存在改进空间。[page::27,34-36]

---

7. 结论性综合

本报告系统而深入地探讨了投资者从众行为在股票、US ETFs与加密货币不同资产类别及其组合中的表现与相互作用。

• 独立资产类别观察：

- 股票与US ETFs从众行为多集中于宏观经济和政治黑天鹅事件（如贸易战和疫情爆发期间）。
- 加密货币则受投资者情绪驱动显著，牛市阶段FOMO现象突出，其从众行为多依赖市场正向动力。
- ETF的从众强度整体低于股票与加密，但在市场危机时表现出自我强化传染性。

• 社区层面细化：

- 通过Pearson相关和图论算法细分资产社区，成功识别出更为细腻的从众行为。
- 四大行业板块（能源、医疗、科技、金融）表现出较强的社区内从众，且从众事件与行业特定经济或政治事件重合。
- 加密货币社区内部持续存在从众，即使整体加密市场未必显示显著。
- 疫情前后从众密度显著，高峰期后逐渐回落，反映市场情绪驱动的动态演变。

• 金融传染与驱动力：

- US ETFs作为市场核心传染节点，向传统股票和加密货币传播震荡效应，是市场中关键的从众驱动力。
- 股票对ETF影响存在，但远弱于ETF对股票的反传染力，加密货币对ETF影响则极轻微。
- 不同ETF其市场影响力差异显著，其中SVXY等ETF频繁充当重要传染源。

• 投资意义：

- 投资者应关注宏观及行业特定事件对资产从众的影响，动态调整风险偏好。
- ETF在传播市场情绪中具重要作用，操盘策略需审慎避免过度共振。
- 加密资产投资需特别警惕情绪驱动风险以及社区内非理性集聚现象。

• 未来展望：

- 建议扩充资产类别、延展时间粒度，深入解读社区从众差异及其微观机制。
- 深入研究ETF多样化特性对市场稳定性的不同影响。

通过结构化的社区与传染视角，本研究为理解当代复杂多元资产市场的投资者从众行为提供了新颖且精细的理论和实证框架，助力精准风险管理和策略制定。[page::0-36]

---

附：部分核心图示

• 图1 描绘了全期内多资产组合划分社区后的从众强度及行业构成分布

- 图16-21 展示了疫情前子期的传染效应3D柱状图，从US ETF向加密货币、股票及自身范围产生强烈传染现象 …

---

综上所述，报告内容翔实且层次丰富，在数据、方法和实证方面均有创新。研究不仅拓展了传统视野，细致揭示了多资产类别市场的复杂互动，也为金融市场监管与资产配置提供理论与实践指引。

报告