基本面

雖然加密貨幣的內含價值在以往的文獻中常常受到質疑，但也有許多文獻試圖從供給成本的角度衡量加密貨幣的內含價值，而其背後主導的就是挖礦成本。雖然Liu and Tsyvinski（2018）在實證中得到能源與晶片公司的股票沒有能力解釋價格的結論，但其採用公司股價可能會因股市波動而偏離製造成本，如Hayes （2017）則認為加密貨幣的價值影響因素之一是挖礦演算法困難度，並發現電力等挖礦成本確實和加密貨幣價值顯著相關，另外如Xi and Wang （2017）也指出挖礦成本對於加密貨幣價格的顯著影響，然而其顯著程度卻在下降，Poyser （2017）將影響比特幣的價格分為內部因素和外部因素，內部面因為供給量有限，所以主要影響價格的因素為大眾對其的需求，所以他將流通量、交易數量、挖礦難度和算力列為影響加密貨幣價值的內部因素。綜上所述，我們將使用（1）流通量（2）交易數量（3）挖礦難度（4）算力，作為我們解釋加密貨幣基本面的因素。

行為面

加密貨幣有別於傳統資產，它不存在任何實體價值，投資人大多僅是透過預期加密貨幣未來價格走勢決定交易策略，這使得加密貨幣具有高度投機性，價格深受投資人交易行為影響。過去探討加密貨幣行為面文獻不多，但主要可分為三個方向（1）投資人關注 （2）投資人情緒 （3）從眾效應。

在投資人關注方面，目前多是採用網路搜尋量作為代理，Shiller （1984, 1987） 指出投資風氣和投機性資產的價格波動性似乎會被群眾的注意力所左右，投資人對投資組合的注意力都會受到當時社會風氣所影響，且隨著時間改變。Schultz（2016）、Liu and Tsyvinski（2018）、Abraham, Higdon, Nelson and Ibarra（2018）透過Google 搜尋量（GSVI）作為投資人代理變數進行實證，皆發現SVI 與加密貨幣報酬具正向關係。Kristoufek（2014）同時以Wikipedia 搜尋量及GSVI 與比特幣價格進行研究，發現比特幣在很大程度上脫離了總體經濟 基本面，比特幣價格變動與投資人關注度具有互相影響之顯著關係。Abraham, Higdon, Nelson and Ibarra（2018）發現Reddit 的加密貨幣討論推文數與加密貨 幣報酬正相關。也有人用價格變化反應投資人情緒，Hale, Krishnamurthy, Kudlyak, and Shultz（2018）發現情緒顯著影響加密貨幣價格，但具不對稱性，樂觀情緒會立即影響價格，悲觀投資者則可能會因交易限制或處置效應等原因，不會立即反映於價格之上。Caporale and Plastun（2019）以當日震盪幅度衡量過度反應，發現過度反應後隔天會出現價格反轉。

在從眾效應方面，先前文獻主要藉由（1）使用技術交易策略者之比率，及（2）投資人對於消息的反應來衡量。當投資人傾向複製其他人可獲利的策略，價格動能受技術交易者之從眾效應影響甚大。Shiller and Pound （1986, 1989） 以問卷式的調查，發現多數法人機構的交易手法有相似的模式，造成價格趨勢。Schmidt （2002） 之研究發現運用技術分析的投資人其一致的行為會使股票價格往他們所想的方向上漲或下跌，投資人能運用技術分析進行獲利，而大量的技術分析型投資人容易出現從眾行為。Westerhoff and Reitz （2005） 指出，當技術分析者 （chartists）相信未來會有一波新的趨勢出現時，他們會積極進入市場，所以當股價和基本價值偏離程度越大時，會有更多技術分析投資者進入市場，因而影響市場價格，故計算技術指標交易者佔市場比率之（chartist weight）可作為捕捉市場群聚行為之變數。另外投資人對於消息之群聚效應的衡量，過去文獻常以委託單失衡以及資產價格與市場共變的程度（如Christie and Huang,1995）來衡量從眾行為，Sornette 等人提出以原應用在地 震的餘震序列模型 Epidemic-Type Aftershock Sequence（ETAS），建立內生性價格餘震的模型，可以做為從眾效應的衡量。Filimonov and Sornette（2012）利用 self-excited conditionPoisson Hawkes 模型建立觀測市場內生回饋（Reflexivity）程度之指標，稱為「分裂比率（Branching Ratio）」，衡量單位時間內市場價格的變化有多少是內生的。我們將使用Christieand Huang（1995）以及Gresnigt et al.（2015）的方法，來衡量從眾行為。

然而僅以單一面向所形成的行為面變數，並無法完整捕捉加密貨幣之投資人行為，故本研究將三個面向同時納入考量，除Google SVI 及Wikipedia 搜尋量，還納入技術指標交易者佔市場比率（chartist weight）、以及分裂比率（branching ratio）等變數，以求更全面的探討投資人行為與加密貨幣價格關係。

微結構面

加密貨幣市場的集中度、波動性、流動性、效率性、投資人數量、投機性等亦會影響其價值。加密貨幣有高集中度的現象，截止至2020 年1 月，根據BitInfoCharts 的統計數據，所有比特幣地址（Addresses）中，48.73%的地址只持有不到總量的0.02%，而不到1%的地址持有超過86%的比特幣。比特幣之持有高度集中，使得價格容易受到少數人操控而有劇烈波動。Bukovina and Martiček（2016）、Baur and Dimpfl （2017） 以常見的報酬率與變異數衡 量波動性，發現若作為交易媒介，比特幣的波動性遠大於美元、歐元等法幣； Urquhart（2017）、Bouri et al.（2017）進一步以GARCH 模型衡量波動性，發現2013 年比特幣泡沫期間波動性更大。文獻上一致認為比特幣具有高波動性使預測報酬率更加困難，因此後續預測中需加入波動性變數。

流動性差是加密貨幣要求報酬率高的主因之一。Loi （2017）發現比特幣的流動性取決於交易所的選擇，其中以Bitfinex 的流動性最高，更進一步以Amihud illiquidity、Relative Change in Volume（RCV）、Roll、Coefficient of Elasticity （CET）、Martin liquidity index（MLI）五種方式證明比特幣的流動性低於股市。總結上述，不同交易所會影響到比特幣的流動性進而影響報酬率，選擇比特幣價格時須考慮交易所規模。

當前文獻多認為加密貨幣市場是不效率的。Brandvold at el.（2015）的研究顯示不同交易所的價格發現時間不一，在不考慮成本的情況下，不同交易所間具有套利的空間；Urquhart（2016） 將時間區分為2010 年至2013 年與2013 年至2016 年，發現加密貨幣市場與新興市場相似，市場不具效率性且波動性大、流動性差影響報酬率的預測。但隨著時間的推移，越來越多投資者參與加將提高市場流動性、市場關注度，提高市場效率。

比特幣的用戶人數與相對投機交易也會影響價格。Kristoufek （2015） 將在數位交易所交易的數量除以實際以加密貨幣作為支付工具的數量（TER），作為比特幣的投機性代理變數，TER 和比特幣價格負相關；Peterson（2018）使用梅特卡夫定律來衡量比特幣價值，即一個網絡的價值等於該網絡內的節點數的平方，而且該網絡的價值與聯網的用戶數的平方成正比。因此TER 負向影響比特幣價值、用戶人數正向影響比特幣價值。

立刻免費註冊會員觀看加密貨幣網絡視覺化： 馬上註冊去 !

去哪裡觀看加密貨幣網絡視覺化?： 馬上體驗加密貨幣網絡視覺化

若喜歡本文，請關注我們的臉書 Please Like our Facebook Page：Big Data In Finance