摘要：在加密數(shù)字貨幣市場(chǎng)與現(xiàn)代金融經(jīng)濟(jì)聯(lián)結(jié)程度不斷深化的背景下，本文聚焦同時(shí)具備高創(chuàng)新性與高風(fēng)險(xiǎn)性的加密數(shù)字貨幣市場(chǎng)模糊性溢價(jià)問(wèn)題進(jìn)行研究，利用不確定概率條件下的預(yù)期效用理論（EUUP）測(cè)度模糊性，借助比特幣的日內(nèi)5分鐘高頻交易數(shù)據(jù)、向量自回歸及規(guī)則回歸的方法檢驗(yàn)加密數(shù)字貨幣市場(chǎng)模糊性溢價(jià)的存在，并分析其驅(qū)動(dòng)因素。研究發(fā)現(xiàn)，加密數(shù)字貨幣市場(chǎng)確實(shí)存在模糊性溢價(jià)，且其大小和方向受市場(chǎng)有利收益概率的影響；從市場(chǎng)整體狀況來(lái)看，投資者情緒對(duì)市場(chǎng)的模糊性溢價(jià)有著很強(qiáng)的解釋力。區(qū)分市場(chǎng)收益狀況的異質(zhì)性分析說(shuō)明，若市場(chǎng)狀況較好，則恐懼情緒會(huì)對(duì)其模糊性溢價(jià)產(chǎn)生顯著抑制作用；若市場(chǎng)狀況較差，則貪婪情緒會(huì)對(duì)其模糊性溢價(jià)產(chǎn)生顯著抑制作用。本文從市場(chǎng)監(jiān)管及投資者行為等角度提出政策建議，為加密數(shù)字貨幣市場(chǎng)的穩(wěn)定發(fā)展與風(fēng)險(xiǎn)防范提供了新的解讀。

關(guān)鍵詞：加密數(shù)字貨幣；模糊性溢價(jià)；市場(chǎng)收益；驅(qū)動(dòng)因素；投資者情緒；金融監(jiān)管

中圖分類號(hào)：F830.9" " " " 文獻(xiàn)標(biāo)識(shí)碼：A" " " " 文章編號(hào)：1007-0753（2024）09-0017-15

一、引言

在金融領(lǐng)域中，有關(guān)風(fēng)險(xiǎn)-收益關(guān)系的探討一直是最重要的話題之一，最早可追溯至Markowitz（1952）首次提出的投資組合理論以及Sharpe（1964）在資產(chǎn)組合理論基礎(chǔ)上提出的資本資產(chǎn)定價(jià)模型（CAPM）。而后諸多學(xué)者基于不同市場(chǎng)條件就兩者之間的關(guān)系進(jìn)行了深入探究，所得結(jié)論不盡相同。部分學(xué)者研究發(fā)現(xiàn)風(fēng)險(xiǎn)對(duì)收益存在正向影響（Merton，1980；French 等，1987；Guo 和

Whitelaw，2006；Ludvigson 和 Ng，2007）；與此相反，另有學(xué)者發(fā)現(xiàn)風(fēng)險(xiǎn)對(duì)收益存在負(fù)向影響（Campbell，1987；Nelson，1991；Whitelaw，1994；Brandt和Kang，2004）。矛盾性結(jié)論的產(chǎn)生并不能完全否定研究的真實(shí)性或結(jié)論的可靠性，因此本文嘗試從其他角度進(jìn)行思考與探索，考察是否因某些關(guān)鍵變量的遺漏而導(dǎo)致風(fēng)險(xiǎn)-收益關(guān)系的矛盾性沖突。僅依據(jù)風(fēng)險(xiǎn)本身可能無(wú)法有效衡量股權(quán)溢價(jià)，近年來(lái)，模糊性成為風(fēng)險(xiǎn)-收益實(shí)證研究中備受關(guān)注的因素，它或許有助于解決這一難題。

模糊性又稱奈特不確定性，是衡量不確定性的一個(gè)維度指標(biāo)，其最早在1921年由Knight提出。Knight（1921）將不確定性分為兩個(gè)層面，即當(dāng)某一事件的結(jié)果未知，但其可能結(jié)果的概率分布已知，我們稱其面臨風(fēng)險(xiǎn)不確定性；當(dāng)某一事件的結(jié)果未知，且其可能結(jié)果的概率分布未知，則我們稱其面臨模糊不確定性。

因此，模糊性作為資產(chǎn)定價(jià)模型中的一個(gè)重要缺失因素，其在不同程度上影響著資產(chǎn)的風(fēng)險(xiǎn)收益關(guān)系?；诖耍鄶?shù)學(xué)者主要從理論層面對(duì)模糊性進(jìn)行探究，且重點(diǎn)分析模糊態(tài)度的個(gè)體化差異、構(gòu)建衡量模糊程度的具象化指標(biāo)及探究模糊性與資產(chǎn)定價(jià)的理論模型。在理論模型方面，Heath和Tversky（1991）的研究表明當(dāng)決策者認(rèn)為自己知識(shí)淵博，或具有較高的決策水平和能力時(shí)，他們更具有模糊性偏好。Gilboa和Schmeidler（1989）提出最大最小預(yù)期效用理論——MEU模型，并根據(jù)決策者計(jì)算的積分效用判斷其模糊態(tài)度。Maenhout（2004）將模糊性納入金融決策，分析了它對(duì)動(dòng)態(tài)投資組合規(guī)則和均衡資產(chǎn)定價(jià)的影響。Klibanoff等（2005）提出了平滑模糊模型，分階段依次計(jì)算投資者的預(yù)期效用并辨別其對(duì)模糊的態(tài)度。Eichberger 等（2011）提出了α-MEU模型，并根據(jù)α的最終取值反映投資者對(duì)模糊性的態(tài)度。此外，不同學(xué)者在模糊測(cè)度方面選取了不同指標(biāo)，如分析師的分歧程度（Anderson 等，2009；Antoniou等，2015），未知方差的方差（Maccheroni等，2013； Epstein和Ji，2013），恐慌指數(shù)VIX（Williams，2015）等。然而，只有極少數(shù)研究從實(shí)證角度出發(fā)，利用市場(chǎng)數(shù)據(jù)衡量模糊性，從市場(chǎng)視角關(guān)注模糊性對(duì)金融決策的影響。Driouchi 等（2018）著眼于期權(quán)市場(chǎng)，運(yùn)用標(biāo)準(zhǔn)普爾500指數(shù)期權(quán)價(jià)格檢驗(yàn)了期權(quán)隱含模糊性在波動(dòng)性和風(fēng)險(xiǎn)預(yù)測(cè)中的作用。Kim 和Byun（2021）立足國(guó)際視角，基于21個(gè)國(guó)家和地區(qū)的股票市場(chǎng)數(shù)據(jù)探究其不確定性溢價(jià)現(xiàn)象，并從不同維度分析造成差異的原因。

然而，盡管上述模糊性度量指標(biāo)取得了實(shí)證成功，但仍具有一定的爭(zhēng)議，缺乏足夠的理論支持來(lái)證明這些指標(biāo)衡量模糊性的合理性，其度量的模糊性并不能很好地獨(dú)立于風(fēng)險(xiǎn)。因此，Izhakian（2020）將貝葉斯方法運(yùn)用到不確定概率，提出不確定概率分布條件下的預(yù)期效用（EUUP）理論，并基于此構(gòu)建模糊性度量指標(biāo)?2，將其定義為回報(bào)概率的預(yù)期波動(dòng)性，類似于風(fēng)險(xiǎn)被定義為回報(bào)的波動(dòng)性。該理論模型假定投資者應(yīng)用了兩個(gè)不同階段的決策過(guò)程。在第一階段，投資者形成對(duì)決策相關(guān)事件的感知概率，作為不確定概率的確定性等價(jià)概率。在第二階段，使用自己的感知概率評(píng)估每個(gè)選擇的價(jià)值，并做出效用最大化的選擇。因此，基于EUUP理論模型構(gòu)建的模糊性度量指標(biāo)?2很好地區(qū)分了風(fēng)險(xiǎn)、模糊及對(duì)模糊的態(tài)度，并將不確定性溢價(jià)進(jìn)一步分解為風(fēng)險(xiǎn)溢價(jià)和模糊性溢價(jià)。Brenner和Izhakian（2018）基于EUUP模型，利用SPDR日內(nèi)數(shù)據(jù)對(duì)美國(guó)股票市場(chǎng)的不確定性溢價(jià)現(xiàn)象進(jìn)行實(shí)證檢驗(yàn)，表明模糊性在股市中已被定價(jià)。

此外，部分學(xué)者對(duì)影響傳統(tǒng)金融市場(chǎng)收益的因素進(jìn)行研究。在宏觀經(jīng)濟(jì)層面，F(xiàn)lannery和 Protopapadakis（2002）發(fā)現(xiàn)股票市場(chǎng)回報(bào)與CPI和貨幣增長(zhǎng)指標(biāo)顯著相關(guān)。張琳等（2020）驗(yàn)證危機(jī)發(fā)生后，PPI對(duì)股市收益率波動(dòng)有顯著影響。在投資者情緒層面，Baker等 （2012）表明高漲情緒會(huì)對(duì)高波動(dòng)率型股票的回報(bào)率產(chǎn)生抑制作用。閔峰等（2023）發(fā)現(xiàn)，在諸多因素中，情緒指標(biāo)對(duì)股權(quán)溢價(jià)的影響程度最為劇烈。在貨幣政策層面，Rapach 等 （2016）研究發(fā)現(xiàn)，利率是已知效果最好的股票總回報(bào)預(yù)測(cè)指標(biāo)，且利率預(yù)測(cè)能力的主要來(lái)源是現(xiàn)金流渠道。Errunza和Hogan（1998）認(rèn)為貨幣供給與德法兩國(guó)市場(chǎng)的證券波動(dòng)顯著相關(guān)，但對(duì)意大利則不然。

綜上，現(xiàn)存文獻(xiàn)多針對(duì)股票市場(chǎng)進(jìn)行研究，部分學(xué)者在不同維度上對(duì)股票市場(chǎng)的風(fēng)險(xiǎn)-模糊-收益關(guān)系進(jìn)行探究，但有關(guān)加密貨幣如比特幣市場(chǎng)的模糊性測(cè)度及溢價(jià)研究幾乎沒(méi)有。近年來(lái)，加密貨幣的迅速發(fā)展吸引了全球各界人士的關(guān)注，以其為核心的數(shù)字金融也與現(xiàn)代金融經(jīng)濟(jì)緊密相聯(lián)（Luther和 Salter，2017；Corbet等，2018；郭文旌和侯偉，2022）。因此，本文基于Izhakian（2020）提出的不確定概率分布條件下的預(yù)期效用（EUUP）理論，利用市場(chǎng)數(shù)據(jù)測(cè)量比特幣市場(chǎng)的模糊性程度，以此剖析比特幣市場(chǎng)的模糊性溢價(jià)現(xiàn)象。

二、理論模型

本文遵循Izhakian（2020）提出的不確定概率條件下的預(yù)期效用（EUUP）理論測(cè)度模糊性。

假定（S，ε，P）是一個(gè)概率空間，其中S是狀態(tài)空間，ε是由該狀態(tài)空間的子集構(gòu)成的σ -代數(shù)，P∈p是一個(gè)概率測(cè)度，且集合p是凸集。設(shè)可測(cè)集p上的一個(gè)代數(shù)Π?p具有一個(gè)二階概率測(cè)度ξ，ξ衡量決策者對(duì)相關(guān)事件的感知概率，則不確定收益為r：S→R。φ（r）是r的概率密度函數(shù)，P（r）是r的累積密度函數(shù)。因此，可定義r的邊際密度的期望和方差：

E [φ（r）] ≡ ∫pφ（r）dξ" " " " " " " " " " " " " " " " " " " " " （1）

Var [φ（r）]≡ ∫p{φ（r） - E [φ（r）]}2 dξ" " " " " " " " " （2）

使用上述預(yù)期概率計(jì)算不確定性回報(bào)的期望和方差：

E[r] ≡ ∫E[φ（r）]rdr" " " " " " " " " " " " " " " " " " " " "（3）

Var[r] ≡ ∫E[φ（r）]{r - E[r]}2dr" " " " " " " " " " " （4）

因此，模糊性程度可以通過(guò)概率的波動(dòng)性進(jìn)行衡量，類似Rothschild和Stiglitz（1970）通過(guò)回報(bào)的波動(dòng)性來(lái)度量風(fēng)險(xiǎn)程度的做法。模糊性度量指標(biāo)可被表示為：

?2 ≡ ∫E[φ（r）]Var[φ（r）]dr" " " " " " " " " " " " " （5）

該度量指標(biāo)的優(yōu)點(diǎn)在于其對(duì)風(fēng)險(xiǎn)和模糊的作用進(jìn)行了分離，且其可以從市場(chǎng)交易數(shù)據(jù)中提取計(jì)算出來(lái)。

因此，在這些理論框架下，定義K為不確定性溢價(jià)，其近似為：

K ≈ -Var[r] - E

E{|r - E[r]|}?2[r]" " " " " " " " " " " " " " " " " "（6）

此模型前半部分為風(fēng)險(xiǎn)溢價(jià)，后半部分為模糊性溢價(jià)。其中U（·）是嚴(yán)格遞增、可二次微分的連續(xù)效用函數(shù)；?（·）是嚴(yán)格遞增、可二次微分的前景函數(shù)。假定用?（·） = 刻畫(huà)投資者的相對(duì)風(fēng)險(xiǎn)厭惡系數(shù)，用η（·） = 刻畫(huà)投資者的模糊態(tài)度，則上式可簡(jiǎn)化為：

K ≈ r" Var[r]-E{η（1-E [P（r）]}E{|r-E[r]|}

?2[r]" " " " " " " " " " " " " " " " " " " " " " " " " " " " " （7）

其中，當(dāng)?（·）為凸函數(shù)時(shí)，即η＜0，投資者的模糊態(tài)度表現(xiàn)為模糊偏好；當(dāng)?（·）為凹函數(shù)時(shí)，即η＞0，投資者的模糊態(tài)度表現(xiàn)為模糊厭惡；當(dāng)?（·）為線性函數(shù)時(shí)，即η=0，投資者的模糊態(tài)度表現(xiàn)為模糊中性。Var[r]為波動(dòng)性， ?2[r]為模糊性，E{|r-E[r]|}為收益絕對(duì)偏差，簡(jiǎn)稱為“abs”；1-E [P（r）]為有利概率，簡(jiǎn)稱為“fav”。

三、指標(biāo)設(shè)計(jì)及數(shù)據(jù)選取

由于比特幣在加密數(shù)字貨幣體系中出現(xiàn)時(shí)間最早、發(fā)展歷程最長(zhǎng)、市場(chǎng)占有率最高，所以選取比特幣市場(chǎng)作為研究對(duì)象。本文選取2017年1月—2023年6月比特幣日內(nèi)5分鐘高頻交易數(shù)據(jù)作為樣本，共計(jì)78個(gè)月，2 372個(gè)交易日，683 136條價(jià)格數(shù)據(jù)，數(shù)據(jù)來(lái)源于幣安交易所和聚寬數(shù)據(jù)庫(kù)。無(wú)風(fēng)險(xiǎn)收益率（rf）為中國(guó)1個(gè)月國(guó)債收益率，數(shù)據(jù)來(lái)源于國(guó)泰安（CSMAR）數(shù)據(jù)庫(kù)。

此外，由于比特幣去中心化等特性，其交易市場(chǎng)打破傳統(tǒng)時(shí)空限制，使之滿足24小時(shí)不間斷交易，且不受節(jié)假日干擾。因此，5分鐘收益率據(jù)下式計(jì)算：

r5min =" " " " " " " " " " " " " " " " " " " " " " " " " " （8）

其中，pt為當(dāng)前時(shí)刻交易價(jià)格，pt-1為5分鐘前交易價(jià)格。為了排除極短時(shí)間內(nèi)極端收益和極端波動(dòng)的影響，本文剔除5分鐘收益率超過(guò)±10%的數(shù)據(jù)，且假定所觀測(cè)的收益率符合均值為μ、方差為σ2的正態(tài)分布。5分鐘高頻收益率數(shù)據(jù)的描述性統(tǒng)計(jì)結(jié)果見(jiàn)表1。

假定rd，i為日內(nèi)某5分鐘收益率，且考慮到比特幣市場(chǎng)24小時(shí)不間斷交易的特性，本文運(yùn)用以下公式計(jì)算每日收益的均值和方差：

μ = μd，5 × 288" " " " " " " " " " " " " " " " " " " " " " " " " " "（9）

σ2 = ∑288i=1r2d，i" " " " " " " " " " " " " " " " " " " " " " " " " " " " （10）

有利收益被定義為高于無(wú)風(fēng)險(xiǎn)利率的收益，本文運(yùn)用下式測(cè)度日度有利收益概率：

P（r≥rf） = 1 - ?（rf ， μ， σ2）" " " " " " " " " " " " （11）

其中，?（·）為標(biāo)準(zhǔn)正態(tài)概率密度函數(shù)。日度數(shù)據(jù)的描述性統(tǒng)計(jì)結(jié)果見(jiàn)表2。

由式（7）可知，要想探究不確定性溢價(jià)情況，需先對(duì)五個(gè)月度變量進(jìn)行度量，即市場(chǎng)超額收益、波動(dòng)性、模糊性、收益絕對(duì)偏差和有利概率。

月度波動(dòng)性采用Scholes和Williams （1977）提出的方法進(jìn)行計(jì)算，此模型進(jìn)行了非同步交易調(diào)整：

σt2 = ∑Nti=1{rt，i - E[rt，i]}2 + 2 ∑Nti=2{rt，i - E[rt，i]}

{rt，i-1 - E[rt，i-1]}" " " " " " " " " " " " " " " " " " " "（12）

其中，Nt表示第t月內(nèi)的交易天數(shù)，2017年1月—2023年6月比特幣收益率波動(dòng)性的時(shí)間序列趨勢(shì)圖見(jiàn)圖1。

為了測(cè)度模糊性，首先將每日回報(bào)范圍從-8%到+8%劃分為80個(gè)區(qū)間，每個(gè)區(qū)間寬度為0.2%。然后計(jì)算當(dāng)日收益率落在每個(gè)子區(qū)間的概率，再分別計(jì)算收益率低于-8%和高于+8%的概率。最后分別計(jì)算收益率落在每個(gè)子區(qū)間的概率的均值和方差。因此，本文使用以下離散形式公式測(cè)度每個(gè)月的模糊程度：

?2 =

×" " " " " " " " nbsp; " " " " " " " " " " " " " " " （13）

其中，r0 = -0.08，w = ri - ri-1 = 0.002，將概率的加權(quán)平均波動(dòng)按照子區(qū)間大小進(jìn)行縮放。此縮放方法類似Sheppard修正，經(jīng)過(guò)檢驗(yàn)后，可以最小化區(qū)間間隔對(duì)模糊程度的影響。

模糊性和超額收益的時(shí)間序列趨勢(shì)圖分別見(jiàn)圖2和圖3。

對(duì)于月度收益絕對(duì)偏差和月度平均有利收益概率，本文分別運(yùn)用下式進(jìn)行測(cè)度：

? =" ∑ni=1|ri-r ? |" " " " " " " " " " " " " " " " " " " " " " " " （14）

P ?" =" "∑ni=1Pi （ri≥rf）" " " " " " " " " " " " " " " " " " " （15）

月度數(shù)據(jù)的描述性統(tǒng)計(jì)結(jié)果見(jiàn)表3。其中，rf為無(wú)風(fēng)險(xiǎn)利率，rt為比特幣月度收益率，rt-rf為月度超額收益率，為月度波動(dòng)性（標(biāo)準(zhǔn)差形式），?為月度收益絕對(duì)偏差，P ?" 為月度平均有利收益概率，?為月度模糊性。

月度超額收益率是本文的主要被解釋變量，偏度為0.175，其分布略微右偏，峰度為-0.031，兩者均處于較低水平。月度有利收益概率的均值為0.386，處于較低水平，且低于0.5；偏度為0.105，分布略微右偏。需要注意的是，本文發(fā)現(xiàn)月度模糊性?均值為0.852，相較于部分學(xué)者測(cè)度的我國(guó)其他金融市場(chǎng)的模糊度要大得多，如胡志軍等（2022）測(cè)度我國(guó)A股市場(chǎng)的月度模糊性均值為0.34，郭文旌和王曦宇（2023）測(cè)度我國(guó)滬深300股指期貨的月度模糊性均值為0.43。從描述性統(tǒng)計(jì)結(jié)果來(lái)看，數(shù)值整體無(wú)異常狀態(tài)。

四、加密數(shù)字貨幣市場(chǎng)模糊性溢價(jià)的存在性檢驗(yàn)

模糊態(tài)度可能與有利收益之間呈非線性關(guān)系，因此本文將有利收益范圍劃分為若干個(gè)子區(qū)間，對(duì)加密貨幣市場(chǎng)的風(fēng)險(xiǎn)-模糊-收益關(guān)系進(jìn)行實(shí)證設(shè)計(jì)，同時(shí)以此間接考察模糊態(tài)度的作用。

由表3可知，有利收益概率的取值范圍為[0.219 0]，[0.556 0]。本文將有利收益概率按照[0.270 0，0.500 0]的范圍劃分為4個(gè)等寬子區(qū)間，另外數(shù)值低于0.270 0的記為區(qū)間1，高于0.500 0的記為區(qū)間6，即[0.219 0，0.270 0）、[0.270 0，0.327 5）、[0.327 5，0.385 0）、[0.385 0，0.442 5）、[0.442 5，0.500 0）、[0.500 0，0.556 0]。設(shè)定虛擬變量Di，t，如果第t月的有利收益概率落在第i個(gè)子區(qū)間內(nèi)，則Di，t = 1，否則為0。因此，離散狀態(tài)下的實(shí)證模型為：

rt - rf = α + γvt + θ?t2 + ∑6i=1ηi（Di，t × Pt × ?t2 × ?t） + εt

（16）

此外，連續(xù)狀態(tài)下的回歸模型為：

rt - rf，t = α + γvt + η（?t2 × ?t） + ηs（?t2 × ?t） +

（Pt × ?t2 × ?t） + εt" " " " " " " " " " " " " " " "（17）

其中，若系數(shù)η為負(fù)值，則意味著投資者想要主動(dòng)尋求模糊性，并要求負(fù)的模糊性溢價(jià)；若η為正值，則意味著投資者試圖規(guī)避模糊性，并要求正的模糊性溢價(jià)以得到補(bǔ)償。

（一）離散狀態(tài)下不確定性溢價(jià)回歸

本文基于模型（16），運(yùn)用月度數(shù)據(jù)對(duì)離散狀態(tài)下比特幣市場(chǎng)的模糊性溢價(jià)現(xiàn)象進(jìn)行實(shí)證檢驗(yàn)。離散狀態(tài)下的OLS回歸及WLS回歸結(jié)果見(jiàn)表4。

根據(jù)表4左半部分的結(jié)果可知，在列（1）中僅考察了風(fēng)險(xiǎn)-溢價(jià)關(guān)系，此單變量由收益的波動(dòng)率刻畫(huà)，系數(shù)為正，與之前部分研究一致，但并不顯著，側(cè)面說(shuō)明僅由風(fēng)險(xiǎn)并不能完全解釋不確定性溢價(jià)情況，需引入模糊性。列（2）中θ僅簡(jiǎn)略展示模糊性的單變量回歸系數(shù)，并沒(méi)有分階段考慮不同市場(chǎng)收益情況下模糊性對(duì)溢價(jià)的影響。列（3）考察了模型（16）中不同有利收益條件下模糊性與不確定性溢價(jià)的關(guān)系（反映模糊態(tài)度狀況），結(jié)果顯示大多系數(shù)均至少在5%的水平上顯著。其中，前四項(xiàng)系數(shù)均為負(fù)且從上到下呈遞增趨勢(shì)，說(shuō)明當(dāng)市場(chǎng)狀況較差時(shí)，投資者表現(xiàn)出模糊偏好并存在負(fù)的模糊溢價(jià)。且市場(chǎng)狀況越差，投資者越偏愛(ài)模糊性。究其原因，在有利收益概率較低的情況下，投資者面臨“收益困境”，即投資者有較大概率無(wú)法獲得預(yù)期收益，甚至面臨虧損。因此投資者期望模糊性能夠在收益狀況較差的情形下衍生出新的變局；在有利收益概率較低的情況下，市場(chǎng)狀況較差，投資者情緒低落（信心下降），因此其對(duì)資產(chǎn)收益的要求和預(yù)期在一定程度上降低。

后兩項(xiàng)系數(shù)為正，說(shuō)明當(dāng)市場(chǎng)收益狀況較好時(shí)，投資者表現(xiàn)出模糊厭惡，存在正的模糊溢價(jià)以補(bǔ)償模糊性可能帶來(lái)的損失。遞增趨勢(shì)說(shuō)明市場(chǎng)狀況越好，投資者越厭惡模糊，越擔(dān)心市場(chǎng)發(fā)生變化。列（4）將風(fēng)險(xiǎn)和模糊性同時(shí)引入，風(fēng)險(xiǎn)系數(shù)為正但不顯著，模糊性系數(shù)大小及顯著情況與列（3）相似，從側(cè)面反映了模糊性在此不確定性溢價(jià)現(xiàn)象中占據(jù)重要地位。

表4右半部分使用加權(quán)最小二乘法進(jìn)行二次檢驗(yàn)。其中，WLS回歸中權(quán)重的選取借鑒French 等（1987）在WLS回歸檢驗(yàn)中使用作為權(quán)重的做法，本文選取作為此次回歸的權(quán)重。由表4右半部分可知，WLS回歸結(jié)果與左半部分回歸結(jié)果并無(wú)本質(zhì)區(qū)別。因此模糊態(tài)度與有利收益概率大致呈正單調(diào)關(guān)系，且模糊溢價(jià)在概率區(qū)間4至區(qū)間5的過(guò)渡過(guò)程中由負(fù)轉(zhuǎn)正，即模糊態(tài)度與補(bǔ)償性溢價(jià)需求在有利收益概率處于0.44—0.45附近開(kāi)始發(fā)生轉(zhuǎn)變。

（二）連續(xù)狀態(tài)下不確定性溢價(jià)回歸

基于模型（17），運(yùn)用月度數(shù)據(jù)對(duì)連續(xù)狀態(tài)下比特幣市場(chǎng)的模糊性溢價(jià)現(xiàn)象進(jìn)行實(shí)證檢驗(yàn)。連續(xù)狀態(tài)下的OLS回歸及WLS回歸結(jié)果見(jiàn)表5。其總體結(jié)果與離散狀態(tài)下相似。兩次回歸結(jié)果中模糊性系數(shù)均為顯著，其中顯著為正且數(shù)值較大，表明在有利收益的條件下，投資者獲得超額收益的機(jī)會(huì)更大，因此投資者會(huì)增強(qiáng)對(duì)模糊的厭惡程度，尋求更大程度的模糊性溢價(jià)補(bǔ)償。此外，由列（4）可知，有利收益概率的臨界值約為12.08/27.08=0.446，位于區(qū)間[0.44，0.45]內(nèi)。當(dāng)小于（大于）這個(gè)臨界值時(shí)，投資者表現(xiàn)出模糊偏好（模糊厭惡），存在負(fù)（正）的模糊性溢價(jià)。由于該模型假定模糊態(tài)度為線性，在一定程度上降低了精確度，但這仍與離散狀態(tài)下的臨界值相近。

此外，從回歸結(jié)果中亦能發(fā)現(xiàn)，相較于常見(jiàn)金融市場(chǎng)，比特幣市場(chǎng)的模糊性溢價(jià)現(xiàn)象更明顯，其模糊度指標(biāo)的顯著性及絕對(duì)值更大。此結(jié)果或與比特幣市場(chǎng)透明度、市場(chǎng)完善度較低以及監(jiān)管較差有關(guān)，且投資者行為更易受情緒和市場(chǎng)謠言的影響。因此相較于其他發(fā)展時(shí)間較長(zhǎng)的傳統(tǒng)金融市場(chǎng)，其模糊程度更大。

（三）穩(wěn)健性檢驗(yàn)

本文選取四個(gè)有關(guān)因子的月度數(shù)據(jù)進(jìn)行回歸：偏度（Skew），根據(jù)日收益的已實(shí)現(xiàn)偏度估計(jì)；峰度（Kurt），根據(jù)日收益的已實(shí)現(xiàn)峰度估計(jì)；均值的波動(dòng)率（VolM），根據(jù)日收益均值的波動(dòng)率估計(jì)；波動(dòng)率的波動(dòng)率（VolV），根據(jù)日收益方差的波動(dòng)率估計(jì)。故采用如下模型進(jìn)行穩(wěn)健性檢驗(yàn)：

rt - rf，t = α + γvt + η（?t2 × ?t） + ηs （Pt × ?t2 × ?t）

+ δ1Skewt + δ2Kurtt + δ3VolMt + δ4VolVt + εt

（18）

穩(wěn)健性檢驗(yàn)結(jié)果見(jiàn)表6。表6中OLS及WLS回歸的前四列為依次加入單個(gè)指標(biāo)的回歸結(jié)果，第五列為同時(shí)引入四個(gè)指標(biāo)的回歸結(jié)果。不管是單獨(dú)檢驗(yàn)還是同時(shí)檢驗(yàn)，除市場(chǎng)偏度外，其余指標(biāo)均不顯著；且市場(chǎng)偏度的系數(shù)較為微小，僅約為模糊性指標(biāo)的1/360，影響微乎其微。

此外，模糊性指標(biāo)的系數(shù)值及顯著性與前文回歸結(jié)果相近，并無(wú)太大差別；并且有利收益概率的臨界值約為0.447，與之前實(shí)證檢驗(yàn)結(jié)果相近，投資者的模糊態(tài)度依舊隨有利收益概率的增加而變化，且在有利收益條件下，投資者厭惡模糊，市場(chǎng)存在正的模糊性溢價(jià)。這說(shuō)明所選取的四項(xiàng)指標(biāo)并不能涵蓋模糊性在不確定性溢價(jià)中的作用。

五、加密數(shù)字貨幣市場(chǎng)模糊性溢價(jià)的驅(qū)動(dòng)因素分析

參考Flannery和Protopapadakis（2002）的設(shè)定，選取CPI變量為宏觀經(jīng)濟(jì)指標(biāo)；參考Min等（2023）的設(shè)定，選取一個(gè)月的銀行間同業(yè)拆借利率作為貨幣政策指標(biāo)；在監(jiān)管制度層面，鑒于數(shù)據(jù)的可得性以及與經(jīng)濟(jì)監(jiān)管的相關(guān)性，本文將監(jiān)管措施著眼于央行公開(kāi)市場(chǎng)操作層面，以央行逆回購(gòu)率的變化反映監(jiān)管情況；在情緒指標(biāo)層面，選取alternative.me網(wǎng)站公布的加密貨幣恐慌指數(shù)衡量投資者情緒。該加密貨幣情緒指標(biāo)根據(jù)綜合考慮比特幣的幾個(gè)方面進(jìn)行測(cè)算，包括價(jià)格波動(dòng)性（25%）、市場(chǎng)交易量（25%）、社交媒體討論度（15%）、大眾調(diào)查問(wèn)卷（15%）、市值占比（10%）及谷歌搜索指數(shù)（10%）。

鑒于投資者情緒數(shù)據(jù)的可得性，樣本數(shù)據(jù)時(shí)間區(qū)間為2018年2月—2023年6月，共65個(gè)月，1 976天。CPI及一個(gè)月的銀行間同業(yè)拆借利率來(lái)自國(guó)泰安數(shù)據(jù)庫(kù)。

（一）包含驅(qū)動(dòng)因素的模糊性溢價(jià)回歸

本文將CPI指數(shù)、銀行間同業(yè)拆借利率、央行逆回購(gòu)率及恐慌指數(shù)共同納入下式，初步探究此四類因素與比特幣市場(chǎng)模糊性溢價(jià)的相關(guān)關(guān)系：

rt - rf，t = α + β1cpit + β2it + β3rt + β4sentt + εt" " " （19）

上述四類驅(qū)動(dòng)因素的回歸結(jié)果見(jiàn)表7。從表7可知，無(wú)論是將這四類因素單獨(dú)回歸還是同時(shí)回歸，只有情緒指標(biāo)與模糊性溢價(jià)有顯著的相關(guān)性，且在1%的置信水平下顯著為正。

究其原因，首先，相較于其他傳統(tǒng)金融市場(chǎng)特別是股票市場(chǎng)，加密數(shù)字貨幣市場(chǎng)與宏觀經(jīng)濟(jì)發(fā)展及經(jīng)濟(jì)政策調(diào)控的關(guān)聯(lián)性相對(duì)較小，宏觀經(jīng)濟(jì)的波動(dòng)或是政策的調(diào)整較難對(duì)比特幣市場(chǎng)的模糊性溢價(jià)現(xiàn)象產(chǎn)生即時(shí)影響。其次，比特幣市場(chǎng)的交易機(jī)制及監(jiān)管模式并不像傳統(tǒng)金融市場(chǎng)一樣較為完善，其價(jià)格波動(dòng)更可能受到一些非理性因素的沖擊。最后，比特幣市場(chǎng)的價(jià)格波動(dòng)更易出現(xiàn)暴漲（暴跌）現(xiàn)象，且其透明度更低，更容易渲染貪婪或恐慌情緒，進(jìn)一步推動(dòng)其價(jià)格的上漲（下跌）。

因此，可以初步判斷投資者情緒對(duì)比特幣市場(chǎng)的模糊性溢價(jià)有著較為重要的影響。

（二）加密數(shù)字貨幣市場(chǎng)模糊性溢價(jià)對(duì)情緒沖擊的脈沖響應(yīng)

1.向量自回歸理論

VAR模型常用于預(yù)測(cè)相互聯(lián)系的時(shí)間序列系統(tǒng)及分析隨機(jī)擾動(dòng)對(duì)變量系統(tǒng)的動(dòng)態(tài)沖擊，從而解釋各種經(jīng)濟(jì)沖擊對(duì)經(jīng)濟(jì)變量形成的影響。

VAR模型可用下式表示：

一個(gè)k元時(shí)間序列rt = （r1t， r2t， … ， rkt），其服從p階的VAR模型，若：

rt = ?0 + ?1 rt-1 + ?2 rt-2 + ??? + ?p rt-p + at" " " " " " （20）

其中?0是一個(gè)k維常數(shù)向量，對(duì)于i≥1，?i是k×k階矩陣，?0≠0；擾動(dòng)at是獨(dú)立同分布的隨機(jī)向量，其均值向量為0，協(xié)方差矩陣∑a為正定矩陣。

則利用滯后算子B，VAR（p）模型可以寫(xiě)成：

?（B）rt = ?0 + at" " " " " " " " " " " " " " " " " " " " " " " " （21）

其中?（B） = Ik - ?1B1 - ?2B2 - … - ?pBp是一個(gè)p次矩陣多項(xiàng)式。

VAR（p）模型弱穩(wěn)定的充要條件是行列式方程|?（B）|=0的所有根在單位圓外。一個(gè)弱穩(wěn)定的VAR（p）模型可以表示成無(wú)窮階MA過(guò)程：

rt = ?-1（1）?0 + ?-1（B）at

= μ + （Ik + Ψ1B1 + Ψ2B2 + …） at

= μ + at + Ψ1at-1 + Ψ2at-2 + … + Ψt-n at-n" " " " （22）

其中μ = E（rt） = ?-1（1） ?0。

當(dāng)時(shí)間在t-1時(shí)刻，rt中唯一的未知量是at。基于這個(gè)原因，擾動(dòng)at可以看作是rt在時(shí)刻t得到的新的信息或擾動(dòng)。

另外，擾動(dòng)at相當(dāng)于來(lái)自動(dòng)態(tài)系統(tǒng)外部的沖擊，MA過(guò)程的系數(shù)矩陣實(shí)際上就是脈沖響應(yīng)系數(shù)矩陣。

系數(shù)矩陣中每一個(gè)元素表示對(duì)于一個(gè)變量在某一時(shí)期產(chǎn)生的沖擊（系統(tǒng)外部沖擊），另一個(gè)變量對(duì)這一沖擊的響應(yīng)。在Ψl = [ψl（ij）]中，ψl（ij）的含義是變量rit對(duì)變量rit在l期前產(chǎn)生的一個(gè)單位沖擊aj，t-l做出的反應(yīng)，即irfl（ij） = ψl（ij） = 。rit是響應(yīng)變量，rit是產(chǎn)生沖擊aj，t-l的變量。

也可將ψl看作l的函數(shù)，基于弱穩(wěn)定的假設(shè)，當(dāng)l→∞時(shí)，ψl→0，表明脈沖的影響隨著時(shí)間的流逝而消失。

因此，為了更精確地分析情緒沖擊對(duì)模糊性溢價(jià)的影響，此小節(jié)基于VAR模型，選取日度數(shù)據(jù)進(jìn)行脈沖響應(yīng)分析，共計(jì)1 976個(gè)交易日。根據(jù)SC施瓦茨等準(zhǔn)則，將滯后階數(shù)定為3階。另外，本文設(shè)定脈沖響應(yīng)函數(shù)的置信水平為90%，將投資者情緒劃分為恐懼、貪婪兩個(gè)狀態(tài)：當(dāng)恐慌指數(shù)在0 — 47時(shí)為恐懼，在54—100時(shí)為貪婪。

2.脈沖響應(yīng)

由圖4可知，在恐慌狀態(tài)下，投資者情緒會(huì)對(duì)比特幣市場(chǎng)的模糊性溢價(jià)產(chǎn)生顯著沖擊。恐懼情緒沖擊會(huì)造成比特幣市場(chǎng)的模糊性溢價(jià)的顯著下降，此效應(yīng)大約持續(xù)6個(gè)月；而貪婪情緒雖會(huì)在短期對(duì)比特幣市場(chǎng)的模糊性溢價(jià)造成正沖擊，但其影響并不顯著。這從側(cè)面反映出在多數(shù)情況下，市場(chǎng)參與者更傾向于保守型投資策略，投資者的避險(xiǎn)心理在一定程度上高于其獲利心理，其對(duì)利好事件的敏感度小于對(duì)不利事件的敏感度。

造成該現(xiàn)象的原因可能是加密貨幣市場(chǎng)屬于新興金融市場(chǎng)，發(fā)展歷程短，市場(chǎng)模糊性及風(fēng)險(xiǎn)程度高，市場(chǎng)發(fā)展趨勢(shì)變幻莫測(cè)，且加密貨幣價(jià)格極高，諸多市場(chǎng)參與者對(duì)此持防御心理。因此，除非市場(chǎng)受到重大利好事件的持續(xù)沖擊，否則貪婪情緒雖會(huì)對(duì)加密貨幣模糊性溢價(jià)產(chǎn)生正向影響，但顯著性終歸有所缺乏；當(dāng)市場(chǎng)受到不利事件沖擊，恐懼情緒開(kāi)始逐步蔓延時(shí)，市場(chǎng)參與者開(kāi)始考慮交易資產(chǎn)，盡早撤離，免受套牢。因此恐懼情緒在市場(chǎng)運(yùn)行中的影響程度要大于貪婪情緒。

3.方差分解

為了探究不同條件狀態(tài)下的投資者情緒能夠在多大程度上解釋比特幣模糊性溢價(jià)的變化，本文進(jìn)行了方差分解（表8）。

從解釋能力層面來(lái)看，恐懼時(shí)期情緒對(duì)比特幣市場(chǎng)模糊性溢價(jià)的解釋力最強(qiáng)，其貢獻(xiàn)度在2%左右；而貪婪時(shí)期情緒對(duì)比特幣市場(chǎng)模糊性溢價(jià)的解釋力僅有0.8%左右。從持續(xù)時(shí)間層面來(lái)看，兩種情緒狀態(tài)對(duì)比特幣市場(chǎng)模糊性溢價(jià)的影響的持續(xù)時(shí)間相近，均維持在6個(gè)月左右。此結(jié)果也在一定程度上對(duì)投資者行為及企業(yè)運(yùn)營(yíng)起到警示作用：當(dāng)恐懼情緒蔓延時(shí)，投資者應(yīng)盡力保持理智，警惕非理智行為可能帶來(lái)的更大損害，避免卷入“羊群效應(yīng)”。此外，各企業(yè)及金融機(jī)構(gòu)應(yīng)警惕恐慌情緒的沖擊及比特幣波動(dòng)對(duì)市場(chǎng)運(yùn)行的間接影響，緊跟經(jīng)濟(jì)發(fā)展的步伐，適當(dāng)結(jié)合綠色創(chuàng)新及新質(zhì)生產(chǎn)力等新途徑、新理念提升企業(yè)的競(jìng)爭(zhēng)力及穩(wěn)定性（俸芳和馬劭瑜，2024；侯冠宇等，2024；王歡等，2024）。

（三）不同市場(chǎng)狀況下加密數(shù)字貨幣市場(chǎng)模糊性溢價(jià)對(duì)情緒沖擊的脈沖響應(yīng)

為探究在不同收益狀況下投資者情緒對(duì)比特幣市場(chǎng)模糊性溢價(jià)的影響，此小節(jié)結(jié)合市場(chǎng)日度有利收益概率進(jìn)行探究。由前文的模糊溢價(jià)存在性檢驗(yàn)可知，有利收益概率分水嶺為0.42—0.44，因此本文假定：若日度有利收益概率超過(guò)44%，則市場(chǎng)狀況良好；若日度有利收益概率低于42%，則市場(chǎng)狀況較差，具體見(jiàn)圖5。

1.市場(chǎng)收益狀況良好

由圖5脈沖響應(yīng)結(jié)果可知，在市場(chǎng)收益狀況良好的條件下，恐懼情緒的產(chǎn)生及彌漫會(huì)對(duì)比特幣市場(chǎng)模糊性溢價(jià)產(chǎn)生顯著的負(fù)向影響，進(jìn)一步拉低該金融資產(chǎn)的收益。而投資者的貪婪情緒不會(huì)對(duì)該市場(chǎng)的模糊性溢價(jià)產(chǎn)生顯著沖擊。

究其原因，當(dāng)市場(chǎng)收益狀況較好時(shí)，投資者信心及理性程度高于一般水平，因此盡管在貪婪情緒的沖擊下，受“低買(mǎi)高賣(mài)”心理的影響，投資者會(huì)先審慎分析市場(chǎng)良好走勢(shì)的持續(xù)時(shí)間及交易資產(chǎn)的合理性，且市場(chǎng)利好走勢(shì)及貪婪情緒的雙重影響進(jìn)一步推動(dòng)投資者的“貪婪”行為，使其不會(huì)在短時(shí)間內(nèi)輕易做出較大反應(yīng)；當(dāng)一般恐懼情緒開(kāi)始彌漫，并伴隨一般不利事件的持續(xù)沖擊時(shí)，投資者開(kāi)始擔(dān)心市場(chǎng)走向，害怕自己陷入資產(chǎn)套牢困境，因此準(zhǔn)備出售金融資產(chǎn)，以防市場(chǎng)進(jìn)入持續(xù)低迷狀態(tài)，對(duì)資產(chǎn)溢價(jià)產(chǎn)生顯著的負(fù)向影響。

市場(chǎng)收益狀況良好時(shí)，比特幣市場(chǎng)模糊性溢價(jià)的方差分解結(jié)果見(jiàn)表9。從表9可知，恐懼情緒指標(biāo)對(duì)該溢價(jià)有著極強(qiáng)的解釋力，且影響時(shí)長(zhǎng)約為6個(gè)月，其貢獻(xiàn)度接近10%；在貪婪情緒時(shí)期，投資者情緒對(duì)比特幣市場(chǎng)模糊性溢價(jià)的影響力度及持續(xù)時(shí)間均甚微。這或許是因?yàn)樵谑袌?chǎng)收益狀況良好的條件下，當(dāng)受到利好事件的沖擊時(shí)，投資者會(huì)認(rèn)為這是市場(chǎng)良好運(yùn)作的正常反應(yīng)，并推測(cè)市場(chǎng)將維持該良好狀態(tài)繼續(xù)運(yùn)作一段時(shí)間，因此投資者并不愿對(duì)該沖擊做出及時(shí)舉動(dòng)。但當(dāng)受到不利事件的沖擊時(shí)，部分投資者較為謹(jǐn)慎，開(kāi)始擔(dān)心市場(chǎng)能否保持該良好狀態(tài)繼續(xù)運(yùn)轉(zhuǎn)，市場(chǎng)前景是否會(huì)陷入低迷，因此有可能采取相應(yīng)措施。

2.市場(chǎng)收益狀況較差

圖6中脈沖響應(yīng)結(jié)果表明，當(dāng)市場(chǎng)收益狀況較差時(shí)，恐懼情緒不會(huì)對(duì)比特幣市場(chǎng)模糊性溢價(jià)產(chǎn)生顯著影響；但投資者的貪婪情緒會(huì)對(duì)比特幣市場(chǎng)的模糊性溢價(jià)產(chǎn)生較大沖擊。貪婪情緒對(duì)該溢價(jià)產(chǎn)生的是顯著的負(fù)向影響，此結(jié)果與一般情況呈相反趨勢(shì)。

究其原因，本文認(rèn)為當(dāng)市場(chǎng)收益狀況較差時(shí)，若市場(chǎng)繼續(xù)受到惡劣事件的沖擊，則投資者判斷市場(chǎng)收益狀況很可能已經(jīng)瀕臨冰點(diǎn)，后續(xù)市場(chǎng)狀況會(huì)逐步恢復(fù)，因此投資者可能不會(huì)出售金融資產(chǎn)，且在恐懼情緒的影響下，投資者保持警惕，也不會(huì)貿(mào)然買(mǎi)進(jìn)資產(chǎn)。由于市場(chǎng)狀況較差，市場(chǎng)前景灰暗，投資者信心降低，所以在貪婪情緒時(shí)期，當(dāng)市場(chǎng)受到利好事件的沖擊時(shí)，資產(chǎn)價(jià)格走勢(shì)逐漸明朗，投資者會(huì)傾向于陸續(xù)售出手中的金融資產(chǎn)，以便早日脫離“收益困境”。

由表10可知，當(dāng)市場(chǎng)收益狀況較差時(shí)，投資者貪婪情緒對(duì)比特幣市場(chǎng)的模糊性溢價(jià)有較為顯著的貢獻(xiàn)度，且其持續(xù)時(shí)間約為9個(gè)月。在恐懼情緒時(shí)期，投資者情緒對(duì)比特幣市場(chǎng)模糊性溢價(jià)的影響力度及持續(xù)時(shí)間均甚微。究其原因，若市場(chǎng)收益狀況較差，則市場(chǎng)中原本就彌漫著恐懼情緒，因此當(dāng)受到不利事件的沖擊時(shí)，投資者認(rèn)為這可能是市場(chǎng)不良運(yùn)轉(zhuǎn)的正常表現(xiàn)，市場(chǎng)仍會(huì)保持較差的現(xiàn)狀繼續(xù)運(yùn)轉(zhuǎn)一段時(shí)間，因此不會(huì)對(duì)該沖擊采取較大措施；若市場(chǎng)發(fā)生部分利好事件推動(dòng)投資者情緒上漲，則部分投資者判定市場(chǎng)走向開(kāi)始逆轉(zhuǎn)，因此陸續(xù)將手中金融資產(chǎn)進(jìn)行交易。

六、研究結(jié)論與政策建議

（一）結(jié)論

本文以加密數(shù)字貨幣市場(chǎng)為研究對(duì)象，基于Izhakian提出的不確定概率條件下的預(yù)期效用理論（EUUP），運(yùn)用2017—2023年比特幣日內(nèi)5分鐘高頻交易數(shù)據(jù)測(cè)度模糊性并將其引入回歸模型，綜合考察比特幣市場(chǎng)的模糊性溢價(jià)現(xiàn)象并挖掘其驅(qū)動(dòng)因素，得到如下結(jié)論。

首先，加密數(shù)字貨幣市場(chǎng)確實(shí)存在一定程度的模糊性溢價(jià)，其模糊性溢價(jià)的大小和方向與市場(chǎng)有利收益概率有關(guān)，兩者呈正相關(guān)關(guān)系。相較于傳統(tǒng)金融市場(chǎng)，比特幣市場(chǎng)的模糊性溢價(jià)現(xiàn)象更明顯，模糊程度更大。其次，若不區(qū)分市場(chǎng)收益狀況，從整體角度來(lái)看，投資者情緒對(duì)比特幣市場(chǎng)的模糊性溢價(jià)有著較強(qiáng)的解釋力。最后，若市場(chǎng)收益狀況較好，則恐懼情緒會(huì)對(duì)比特幣市場(chǎng)的模糊性溢價(jià)產(chǎn)生顯著抑制作用；若市場(chǎng)收益狀況較差，則貪婪情緒會(huì)對(duì)比特幣市場(chǎng)的模糊性溢價(jià)產(chǎn)生顯著抑制作用。

（二）建議

首先，加密數(shù)字貨幣市場(chǎng)在其運(yùn)作過(guò)程中潛藏了一定程度的模糊性，且模糊性相較于風(fēng)險(xiǎn)更加復(fù)雜。因此，需要加強(qiáng)市場(chǎng)信息的公開(kāi)性與透明性，減小信息不對(duì)稱效應(yīng)，進(jìn)一步優(yōu)化加密貨幣市場(chǎng)的運(yùn)作環(huán)境。具體而言，可以引入大數(shù)據(jù)模型，廣泛化、精確捕捉加密貨幣的相關(guān)交易數(shù)據(jù)，基于相關(guān)經(jīng)濟(jì)理論及模型分析該市場(chǎng)的資產(chǎn)定價(jià)及風(fēng)險(xiǎn)評(píng)估問(wèn)題，進(jìn)而適時(shí)公布資產(chǎn)交易流通情況及行業(yè)發(fā)展?fàn)顩r等信息，以降低市場(chǎng)的不透明性及不確定程度。此外，對(duì)于未來(lái)將要開(kāi)拓加密貨幣業(yè)務(wù)的企業(yè)，相關(guān)部門(mén)需對(duì)應(yīng)完善法律信息規(guī)章制度，提高企業(yè)披露報(bào)告的信息含量及信息質(zhì)量，以更合理的法律體系約束市場(chǎng)參與者的利益行為。同時(shí)提高企業(yè)發(fā)展的可持續(xù)性，加強(qiáng)企業(yè)業(yè)務(wù)的金融安全性，支持企業(yè)以綠色創(chuàng)新提高投資效率，緩解融資約束，降低代理成本。

其次，監(jiān)管機(jī)構(gòu)要加大對(duì)加密數(shù)字貨幣市場(chǎng)的監(jiān)管力度，建立更強(qiáng)大的風(fēng)險(xiǎn)監(jiān)測(cè)系統(tǒng)，更加迅速且準(zhǔn)確地捕捉市場(chǎng)傳遞的各類信息及異?，F(xiàn)象。加密貨幣的去中心化及匿名性等特征進(jìn)一步增加了該資產(chǎn)的洗錢(qián)及惡意操控等風(fēng)險(xiǎn)，因此政府部門(mén)應(yīng)推動(dòng)建設(shè)加密貨幣的監(jiān)管及反洗錢(qián)部門(mén)，依托大數(shù)據(jù)模型、新興金融科技等創(chuàng)新型技術(shù)加以防范，進(jìn)一步完善相關(guān)的法律法規(guī)，加強(qiáng)加密貨幣轉(zhuǎn)移交易的可追蹤性。此外，加強(qiáng)國(guó)內(nèi)外金融監(jiān)管機(jī)構(gòu)的合作度及協(xié)調(diào)性，推動(dòng)金融監(jiān)管的“一體化”，提高金融信息的互聯(lián)互通，共同打擊加密貨幣的跨境洗錢(qián)及惡意融資。在防范和化解市場(chǎng)的大幅波動(dòng)之余，穩(wěn)定投資者情緒，避免極端情緒對(duì)金融資產(chǎn)收益產(chǎn)生較大影響。

最后，投資者需更細(xì)致、全面地考慮自身的投資策略，根據(jù)金融資產(chǎn)的交易歷史及發(fā)展現(xiàn)狀對(duì)金融市場(chǎng)的模糊性及風(fēng)險(xiǎn)性進(jìn)行初步評(píng)估，制定分散化的投資組合，合理化投資策略，做到不盲目跟風(fēng)。此外，投資者需審慎考慮自身投資行為，拓寬了解金融信息的渠道，如當(dāng)市場(chǎng)運(yùn)作良好時(shí)，注意不利事件可能帶來(lái)的損害，警惕資產(chǎn)持續(xù)走高的合理性。當(dāng)市場(chǎng)狀況較差時(shí)，謹(jǐn)慎思考利好事件來(lái)臨時(shí)，投資行為的安全性及可行性，避免卷入“羊群效應(yīng)”，陷入“收益困境”。

參考文獻(xiàn)：

[1] MARKOWITZ H. Portfolio selection[J]. Journal of Finance， 1952， 7（01）： 77-91.

[2] SHARPE W F. Capital asset prices： A theory of market equilibrium under conditions of risk[J]. The Journal of Finance， 1964， 19（03）： 425-442.

[3] MERTON R C. On estimating the expected return on the market： An exploratory investigation[J]. Journal of Financial Economics， 1980，8（04）： 323-361.

[4] FRENCH K R， SCHWERT G W， STAMBAUGH R F. Expected stock returns and volatility[J]. Journal of Financial Economics， 1987， 19： 3-29.

[5] GUO H， WHITELAW R F. Uncovering the risk-return relation in the stock market[J]. The Journal of Finance， 2006， 61（03）： 1433-1463.

[6] LUDVIGSON S C， NG S. The empirical risk-return relation： A factor analysis approach[J]. Journal of Financial Economics， 2007， 83： 171-222.

[7] CAMPBELL J Y. Stock returns and the term structure[J]. Journal of Financial Economics， 1987， 18： 373-399.

[8] NELSON D B. Conditional heteroskedasticity in

asset returns： A new approach[J]. Econometrica， 1991， 59（02）： 347-370.

[9] WHITELAW R F. Time variations and covariations in the expectation and volatility of stock market returns[J]. The Journal of Finance， 1994， 49： 515-541.

[10] BRANDT M W， KANG Q. On the relationship between the conditional mean and volatility of stock returns： A

latent VAR approach[J]. Journal of Financial Economics，

2004， 72： 217-257.

[11] KNIGHT F H. Risk， uncertainty and profit[M]. Boston： Houghton Mifflin，1921.

[12] HEATH C， TVERSKY A. Preference and belief： Ambiguity and competence in choice under uncertainty

[J]. Journal of Risk and Uncertainty， 1991， 4（01）： 5-28.

[13] GILBOA I， SCHMEIDLER D. Maxmin expected utility with non-unique prior[J]. Journal of Mathematical Economics， 1989， 18（02）： 141-153.

[14] MAENHOUT P J. Robust portfolio rules and asset pricing[J]. Review of Financial Studies， 2004， 17（04）： 951-983.

[15] KLIBANOFF P， MARINACCI M， MUKERJI S. A smooth model of decision making under ambiguity[J]. Econometrica， 2005， 73： 1849-1892.

[16] EICHBERGER J， GRANT S， KELSEY D， et al. The α-MEU model： Acomment[J]. Journal of Economic Theory， 2011， 146（04）： 1684-1698.

[17] ANDERSON E W， GHYSELS E， JUERGENS J L. The impact of risk and uncertainty on expected returns[J]. Journal of Financial Economics， 2009， 94（02）： 233-263.

[18] ANTONIOU C， HARRIS R， ZHANG R. Ambiguity aversion and stock market participation： An empirical analysis[J]. Journal of Banking and Finance， 2015， 58： 57-70.

[19] MACCHERONI F， MARINACCI M， RUFFINO D. Alpha as ambiguity： Robust mean - variance portfolio analysis[J]. Econometrica，2013， 81（03）： 1075-1113.

[20] EPSTEIN L G， JI S. Ambiguous volatility and asset pricing in continuous time[J]. Review of Financial Studies， 2013， 26（07）： 1740-1786.

[21] WILLIAMS C D. Asymmetric responses to earnings news： A case for ambiguity[J]. Accounting Review， 2015， 90： 785-817.

[22] DRIOUCHI T， TRIGEORGIS L， SO R H Y. Option implied ambiguity and its information content： Evidence from the subprime crisis[J]. Annals of Operations Research， 2018， 262（02）： 463-491.

[23] KIM E B， BYUN S J. Risk， ambiguity， and equity premium： International evidence[J]. International Review of Economics and Finance， 2021， 76： 321-335.

[24] IZHAKIAN Y. A theoretical foundation of ambiguity measurement [J]. Journal of Economic Theory， 2020，187：105001.

[25] BRENNER M， IZHAKIAN Y. Asset pricing and ambiguity： Empirical evidence[J]. Journal of Financial Economics， 2018， 130（03）： 503-531.

[26] FLANNERY M J， PROTOPAPADAKIS A A. acroeconomic factors do influence aggregate stock returns [J]. The Review of Financial Studies， 2002， 15（03）： 751-782.

[27] 張琳，張軍，王擎.宏觀經(jīng)濟(jì)信息發(fā)布對(duì)股票市場(chǎng)收益率及其波動(dòng)的影響[J].系統(tǒng)工程理論與實(shí)踐，2020，

40（06）：1439-1451.

[28] BAKER M， WURGLER J， YUAN Y. Global， local， and contagious investor sentiment[J]. Journal of Financial Economics， 2012， 104： 272-287.

[29]閔峰，吳寶輝，文鳳華.股權(quán)溢價(jià)的驅(qū)動(dòng)因素和傳導(dǎo)機(jī)制研究：基于中國(guó)股票市場(chǎng)的證據(jù)[J].系統(tǒng)工程理論與實(shí)踐，2023，43（04）：1044-1067．

[30] RAPACH D E， RINGGENBERG M C， ZHOU G. Short interest and aggregate stock returns[J]. Journal of Financial Economics， 2016， 121（01）： 46-65.

[31] ERRUNZA V， HOGAN K. Macroeconomic determinants of European stock market volatility[J]. European Financial Management， 1998， 4（03）： 361-377.

[32] LUTHER W J， SALTER A W. Bitcoin and the bailout[J]. The Quarterly Review of Economics and Finance， 2017， 66： 50-56.

[33] CORBET S， LUCEY B， YAROVAYA L. Datestamping the Bitcoin and Ethereum bubbles [J]. Finance Research Letters， 2018， 26： 81-88.

[34] 郭文旌，侯偉.加密數(shù)字貨幣與全球主要股市的聯(lián)動(dòng)效應(yīng)研究[J].統(tǒng)計(jì)與信息論壇，2022，37（08）：41-52.

[35] ROTHSCHILD M， STIGLITZ J E. Increasing risk： I. A definition[J]. Journal of Economic Theory， 1970，2（03）：225-243.

[36] SCHOLES M， WILLIAMS J. Estimating betas from nonsynchronous data[J]. Finance Research Letters， 1977， 5（03）： 309-327.

[37] 胡志軍，凌愛(ài)凡，楊超.我國(guó)A股市場(chǎng)的模糊性溢價(jià)——基于日內(nèi)高頻數(shù)據(jù)的分析[J].中國(guó)管理科學(xué)，2022，30（01）：42-53.

[38] 郭文旌，王曦宇.股指期貨模糊性測(cè)度及其對(duì)套期保值的影響研究——以滬深300股指期貨為例[J].價(jià)格理論與實(shí)踐，2023（07）：78-83.

[39] MIN F， WEN F， XU J， et al. Credit supply， house prices， and financial stability[J]. International Journal of Finance amp; Economics， 2023， 28（02）： 2088-2108.

[40] 俸芳，馬劭瑜.綠色創(chuàng)新對(duì)企業(yè)投資效率的影響研究[J].金融經(jīng)濟(jì)，2024（04）：64-75.

[41] 侯冠宇，張震宇，劉佳.新質(zhì)生產(chǎn)力如何推動(dòng)中國(guó)式現(xiàn)代化：四種形態(tài)與五大特征[J].金融經(jīng)濟(jì)，2024

（04）：3-12.

[42] 王歡，王振宇，夏凡，等.綠色金融政策能否助力企業(yè)高質(zhì)量發(fā)展？——基于綠色信貸政策的準(zhǔn)自然實(shí)驗(yàn)[J].海南金融，2024（08）：40-59.

（責(zé)任編輯：唐詩(shī)柔）

Research on the Examination of Ambiguity Premium in the Cryptocurrency Market and Its Driving Factors

GUO Wenjing，LIU Kai

（School of Finance，Nanjing University of Finance and Economics）

Abstract： As the cryptocurrency market becomes increasingly intertwined with modern financial economics， this paper addresses the issue of ambiguity premium in the cryptocurrency market， which is characterized by high innovation and high risk. Utilizing the Expected Utility Theory under Uncertainty Probability （EUUP） to measure ambiguity， and employing high-frequency trading data of Bitcoin at 5-minute intervals， vector autoregression， and rule regression methods， we examine the existence of ambiguity premium in the cryptocurrency market and analyze its driving factors. The study finds that there is indeed an ambiguity premium

in the cryptocurrency market， and its magnitude and direction are influenced by the probability of favorable market

returns. From the overall market perspective， investor sentiment has a strong explanatory power regarding the ambiguity premium. When distinguishing market return conditions， if the market is performing well， fear sentiment significantly suppresses the ambiguity premium; conversely， if the market is performing poorly， greed sentiment significantly suppresses the ambiguity premium. This paper offers policy recommendations from the perspectives of market regulation and investor behavior， providing new insights for the stable development and risk prevention of the cryptocurrency market.

Keywords： Cryptocurrency; Ambiguity premium; Market returns; Driving factors; Investor sentiment; Financial regulation