数字货币的风险因子分析_Two Sigma_HIT123

显示全部楼层 · 2021-12-31 17:46:03

在机构投资者评估加密货币资产时，他们如何考虑正确评估其风险，尤其是在更广泛、多资产类别的投资组合中？
下图充分说明了加密货币投资的惊人增长。自2013年4月以来，比特币已飙升近40000%（这不是错别字），年化回报率约为110%。上涨并非一帆风顺，回报率的年化波动率为81%，但经风险调整后的回报率仍然非常有吸引力（在此期间，比特币的年化夏普比率约为1.3）。

数字货币的风险因子分析_Two Sigma_HIT123-1.jpg

比特币交易量在流感大流行期间显著增加。2021年1月，Cointelegraph报告称比特币市场交易量翻了一番，打破了以往的历史记录。事实上，截至4月18日，比特币的五天平均日交易量约为770亿美元，约为纳斯达克五天平均交易量的70%。
令人难以置信的价格上涨（导致流行和“担心错过”效应）、大规模政府刺激以及世界各地的人们花更多的时间在家里和屏幕前，无疑促成了比特币的迅速崛起，特别是在散户投资者中。机构投资者越来越多地进入加密货币领域，Skybridge、Blackrock和Tudor等基金管理人宣布将加密货币加入其投资领域，甚至推出加密货币专属基金。事实上，普华永道估计，加密货币对冲基金的资产在2019年从10亿美元增加到20亿美元，增幅为100%。
在机构投资者评估加密货币资产时，他们如何考虑正确评估其风险，尤其是在更广泛、多资产类别的投资组合中？从这个角度来看，我们将试图回答这个问题。我们探讨了传统金融风险因子模型如何潜在地解释最大加密货币资产比特币的风险。然后，我们使用一种称为主成分分析的统计技术，试图了解加密货币资产中有影响的共同风险驱动因子的程度。

利用金融风险因子解释加密货币中的风险

许多已建立的风险模型，如我们自己的Two Sigma因子透镜，用于解释传统金融投资组合中的大部分风险和回报，其中通常包括对股票、债券、商品和法定货币等已建立的资产类别的大量配置，以及著名的投资策略，如宏观资产类别的趋势跟踪和股票价值投资。
据我们所知，大多数金融风险模型并未将特殊加密货币风险作为“因子”纳入其中。根据这些因子风险模型，如果加密货币具有特定于加密货币市场的大部分独特风险和回报，则任何分配给加密货币的投资组合将具有剩余风险或无法解释的风险。为了了解加密货币与传统金融市场因子的关联程度，让我们从分析比特币与Two Sigma因子透镜中因子的关系开始。比特币是市值最大的加密货币资产，可以说是最规范的。
下图显示了不包括加密货币因子的Two Sigma因子透镜如何解释比特币。自2015年1月以来，比特币91%的风险无法解释。这是一个相对较高的剩余风险。在此背景下，标普500等基础广泛的股票指数在此期间表现出<1%的剩余风险。个别股票的剩余风险通常较高，但远低于比特币。例如，在这段时间内，苹果公司的风险中有50%是无法解释的。
该模型解释的比特币9%的风险主要归因于三个重要因子：正股票、正趋势跟踪和负新兴市场。还有其他统计上不重要的因子敞口值得深入研究，即正商品、正本地通胀和负外币。

数字货币的风险因子分析_Two Sigma_HIT123-2.jpg

在下一节深入探讨加密货币风险的特殊成分之前，让我们首先分析比特币与其他风险因子的关系。第一：比特币与股票的关系。虽然比特币对全球权益系数的贝塔系数为0.74，但在此期间，相关性要低得多，仅为18%。贝塔系数较高是由于波动性不同（股票的年波动率约为15%，比特币的年波动率约为73%）。我们在下面展示了滚动60天的相关性，并发现相关性在2020年和2021年的大部分时间都有所上升，在去年的新冠肺炎市场危机最严重的时候达到了约60%的峰值，正如我们在Venn关于“安全港”资产的博客文章中所述。

数字货币的风险因子分析_Two Sigma_HIT123-4.jpg

比特币与趋势跟踪因子的积极关系可能表明，当宏观市场朝一个或另一个方向发展时，比特币往往表现良好，而当宏观市场波动且无方向时，比特币往往表现不佳。进一步分析后，我们发现比特币似乎与这一时期股票市场的趋势跟踪高度相关。
我们还应该探索比特币与当地通胀因子的积极关系，当地通胀因子旨在衡量美国通胀对冲的风险敞口。鉴于比特币是分散的，没有被政府通胀的风险，许多投资者假设比特币可以起到防止通胀上升的作用。除了图表3中观察到的正面敞口外，同期比特币对10年通胀盈亏平衡的单变量贝塔（作为市场通胀预期的衡量指标）为0.76，相关性为15%。虽然乍一看这似乎不是一个重要的关系，但将其与黄金等通常被视为“通胀对冲”相比，黄金与同期通胀盈亏平衡的相关性为9%。因此，从这个意义上讲，这两种资产（比特币和黄金）在“通胀对冲”方面可能不相上下。
说到黄金，比特币与大宗商品的关系是什么？我们可以在图表3中看到，比特币的商品因子敞口为正，但不显著。在此期间，比特币与黄金和石油表现出轻微的正相关，如图5所示。在这里，我们还观察到黄金与美元的强烈负相关关系。有趣的是，比特币似乎与美元没有负面关系——事实上，加密货币货币似乎与美元指数没有明显的相关性。
最后，比特币与法定货币的关系如何？考虑到汇率和比特币（在本例中）都是相对于美元来表达的，因此在Two Sigma因子透镜中缺乏与外币系数的显著关系是有趣的，也可能是意外的。在图表5中，我们展示了比特币与美元和所有其他G10货币的关系。加密货币货币似乎与任何法定货币都没有任何有意义的关联。

数字货币的风险因子分析_Two Sigma_HIT123-5.jpg

总之，比特币不容易用Two Sigma因子透镜来解释，也不与其他货币或任何主要商品有实质性的关联。这就给我们留下了一个问题，我们将在接下来的文章中分析这个问题：加密货币货币本身是否有共同的风险驱动因子，或者它们各自都有各自的驱动，甚至彼此之间都有独特的特殊回报？

加密货币资产之间的相关性

为了检查加密货币中常见的风险驱动因子，我们首先需要建立一个加密货币资产的宇宙。根据CoinMarketCap，我们选择了10种加密货币，其中包括比特币、以太坊和狗币，它们在4月19日前推的30天交易量最高，并且至少有3年的价格历史。
下面我们展示了过去几年这些加密货币资产回报的相关矩阵。乍一看，这些资产似乎存在一些共同的风险驱动因子，因为平均相关性显著为正，为48%。相比之下，在Two Sigma因子透镜中，构成外币因子的图表5中的法定货币（G10美元除外）之间的平均相关性为46%。

数字货币的风险因子分析_Two Sigma_HIT123-6.jpg

从加密货币资产之间的相关性中观察到一些有趣的现象：首先，整个矩阵中没有一个负相关性。所有加密货币资产均表现出正相关。
其次，看起来最独特的加密货币是狗币，平均关联度只有25%。由于Reddit论坛和特斯拉首席执行官埃隆·马斯克的支持，狗币是一种投机性很强的加密货币。这种加密货币一开始是基于互联网的笑话，现在基本被开发者抛弃了，但随着最近的价格飙升和兴趣的增加，这种情况可能会发生变化。
最后，两种市值最大的加密货币之间存在着显著的高度相关性：BTC和ETH。这一时期的相关性为74%。这一点特别有趣，因为这两种资产的用例不同。虽然BTC最初的预期用途是作为一种分散的交换媒介，但它今天的主要功能是作为一种价值存储。ETH也有这些用途，但它通过一个平台来扩展，在这个平台上使用其加密货币货币以太构建应用程序。考虑到BTC相对较长的价格历史和市场规模，一些正在考虑进入加密货币领域的投资者最初可能会在BTC上试水。虽然ETH仍然提供了一个相当大的市场，但它进入加密货币领域要稍微复杂一些，因为它不仅可以像BTC一样被视为“价值存储”，还可以作为DeFi（或分散金融）风险敞口的代理。
下面我们来看看这两种货币之间的相关性是如何随着时间的推移而变化的。虽然两者之间的相关性一直处于正相关性，但几年前两者之间的相关性要低得多。在2018年第1季度加密货币货币崩盘前后，随着加密货币货币监管审查的加强，以及Facebook和谷歌等科技巨头禁止加密货币货币广告，这两种货币都遭受了迄今为止最严重的季度亏损。
自那时以来，这种相关性一直很高，在去年上半年达到最近的峰值，当时又发生了加密货币崩溃。BTC和ETH在2020年3月12日都下跌了约40%，当时金融市场的大规模风险转移严重影响了杠杆率较高的加密货币市场（正如我们在之前提到的Venn关于“安全港”资产的博客文章中所述）。自那以后，这种相关性略有下降，但最近又有所回升。

数字货币的风险因子分析_Two Sigma_HIT123-7.jpg

总之，我们看到十枚加密货币之间有相当高的相关性。就连BTC和ETH这两种看似截然不同的资产也表现出了高度的相关性，尤其是在最近几年。似乎在这个加密货币宇宙中存在着共同的风险，我们将在下一节中更详细地探讨。

加密货币资产的常见风险驱动因子

回到图表6中检查的10种加密货币，我们使用这组加密货币进行主成分分析（PCA），从加密货币的协方差矩阵中提取不相关的主成分（PC，或统计风险因子）。PCA降低了大型数据集的维数（在我们的例子中，是10×10协方差矩阵）到少数在数据中传达重要模式或常见风险驱动因子的主要成分。主要成分完全是数据驱动的，很少涉及经济直觉，因此潜在风险不太容易识别。然而，该分析将告诉我们，在这个加密货币世界中，存在共同风险的程度（有多少，它们的影响有多大等）。

数字货币的风险因子分析_Two Sigma_HIT123-8.jpg

图表8显示，前两个PC加起来解释了约69%的方差。第一个PC更具解释性，涵盖约47%的方差，而第二个PC涵盖约22%。其余的主要成分分别解释了8%或更少的差异。为了将这些结果放在上下文中，我们可以将它们与传统宏观资产的PCA结果进行比较。例如，美国收益率曲线上的主成分分析发现，前三个主要成分可以解释99.9%的方差。对八个欧洲国家的股票指数回报进行主成分分析表明，前两个主要成分解释了>90%的方差。因此，尽管在这个看似多样化的加密货币市场中存在两个主要的风险驱动因子，与更传统的资产相比，最初的几个成分没有那么好的解释力。
让我们更详细地了解前两个加密货币主要成分。如前所述，很难找到主要成分背后的经济直觉，但我们可以查看每个主要成分的投资组合权重（由其特征向量表示），以了解其结构。图表9显示了第一个和第二个主要成分的投资组合权重（特征向量）。第一个未命名的风险因子毫不奇怪地做多所有加密货币（注意，特征向量的符号并不重要），代表了可能被认为是“加密货币贝塔”的东西。第二个主要成分更有趣。它似乎捕捉到了与所有其他货币相比的独特的狗币风险。这让我们回到图表6中的相关矩阵，我们注意到狗币是最多样化的加密货币，平均相关度只有25%。

数字货币的风险因子分析_Two Sigma_HIT123-9.jpg

结论

加密货币技术最近受到了广泛的关注。获得加密货币风险敞口的方法有很多，包括通过在集中和分散的交易所直接投资加密货币，通过掉期和期货等衍生工具，以及通过投资区块链技术的股票。
不幸的是，使用传统金融风险模型很难理解加密货币资产的风险。例如，使用Two Sigma因子透镜分析比特币显示了巨大的特殊风险。尽管如此，比特币并不是完全与因子集正交的——似乎确实与现有风险因子存在一些有意义的关系，如与全球股市的正相关性以及BTC表现为通胀敏感资产的趋势。
当然，比特币只是加密货币空间中的一种加密货币。在此文中，我们探讨了加密货币资产之间的多元化程度。我们发现，按体积计算，10个最大的加密货币都是正相关的，其中狗币的平均相关系数最低。鉴于这些正相关性，我们分析了加密货币资产之间是否存在共同风险。PCA还显示，在过去几年中，这些加密货币有两个主要的风险驱动因子：加密货币多头（即加密货币beta）和加密货币中最低相关的加密货币资产——狗币。
综上所述，加密货币似乎是一种高度波动的投资组合，但资产多样化，暴露于传统风险因子。加密货币资产之间似乎确实存在着有意义的关系，这表明分散在许多加密货币上的投资组合可能不会获得巨大的分散收益。
<hr/>原文章来自Two Sigma网站，本文为原文章的中文翻译。本文仅用于交流学习使用，不得用于商业用途。如对相关著作人造成侵害，请立即联系译者及时删除。
原文链接：