加密货币市场中的非线性动力学：一种递归量化分析（Recurrence Quantification Analysis, RQA）方法

《Financial Innovation》：Nonlinear dynamics in cryptocurrency markets: a recurrence quantification analysis approach

　　

本研究引入递归量化分析（Recurrence Quantification Analysis, RQA）作为一种稳健且可解释的框架，用以评估加密货币市场的动态行为。研究人员通过使用优化后的递归图（Recurrence Plot, RP）阈值，评估了100种加密货币的长期市场行为。结果表明，RQA能有效区分稳定与不稳定时期、识别资产间的结构性差异，并捕捉可能影响市场有效性（Market Efficiency）的隐藏非线性特征。研究人员通过将该方法应用于金融科技（FinTech）相关指数验证了方法的普适性，表明RQA在加密货币之外亦具应用潜力。上述见解对于需要应对波动性的投资者及希望监控系统性风险的监管者均具参考价值。

论文解读：《Financial Innovation》——加密货币市场中的非线性动力学：一种递归量化分析（RQA）方法

【研究背景与动机】

传统加密货币市场分析常依赖广义自回归条件异方差（Generalized Autoregressive Conditional Heteroskedasticity, GARCH）类模型评估波动率，但其通常假设均值线性、需方差平稳，且在建模比特币收益率时表现欠佳；多重分形去趋势波动分析（Multifractal Detrended Fluctuation Analysis, MFDFA）虽可评估长程依赖，却难以捕捉周期性与混沌等动力学属性；机器学习算法则多为"黑箱"，缺乏可解释性。此外，加密货币市场常被认为不满足弱式有效市场假说（Efficient Market Hypothesis, EMH），而更符合适应性市场假说（Adaptive Market Hypothesis, AMH），即效率随事件动态变化。现有工具难以全面捕捉这种复杂、非线性的动态演变。因此，研究人员提出采用递归量化分析（RQA）这一非线性动力学工具，对加密货币市场收益率时间序列进行相空间重构与递归模式量化，以弥补传统方法的不足。

【主要技术方法】

研究人员收集CoinLore数据库中100种加密货币（含Bitcoin、Ethereum及新币种，覆盖Proof of Work与Proof of Stake共识机制）自上线至2025年4月19日的日收盘价，以及S&P Kensho FinTech指数（2018年5月31日至2022年11月30日）。计算对数收益率 R_t= [ln(P_t) ? ln(P_t?1)] × 100，归一化至[?1,1]，采用平稳小波变换（Stationary Wavelet Transform, SWT）以Symlet 8小波去高频噪声、Daubechies 11小波去基线漂移。基于Takens嵌入定理重构相空间，状态向量为 state_s= {r_s, r_s+τ, …, r_s+(m?1)τ}，比较四种嵌入策略：(1)无嵌入(m=1, τ=1)；(2)固定m=8, τ=1；(3)假近邻法（False Nearest Neighbors, FNN）定m，τ=5；(4)FFN定m且互信息首极小值定τ。阈值ε通过固定递归率（Recurrence Rate, RR = 10% ± 0.01%）或固定相空间直径百分比（d_ps,max= 10%）确定。计算RQA指标：递归率（RR）、确定性（Determinism, DET，对角线段占比）、层流性（Laminarity, LAM，垂直线段占比）、最大对角线长度（l_max）、最大垂直线长度（v_max）、捕获时间（Trapping Time, TT，垂直线平均长）、对角线熵（Entr_diag）与垂直熵（Entr_vert）。以S&P Kensho指数效率已知结果（Shrestha et al., 2023 MFDFA研究）校准参数，结合2014年Mt Gox崩盘期比特币数据验证。通过Friedman检验与Wilcoxon符号秩检验比较三次重大事件（Mt Gox崩盘、2020 COVID崩盘、2022 Terra/Luna与FTX破产）前后80天窗口的RQA统计量差异；对100种币近期80天RQA指标做K-means聚类（Calinski-Harabasz准则定簇数，轮廓分析验证）；对比PoW与PoS币种一年期（2023.7.30–2024.7.29）RQA指标（Wilcoxon秩和检验）；以DET/LAM等比值做Newey-West回归与AUROC评估 volatility预警能力。

【研究结果】

优化S&P Kensho指数的RQA参数（Optimizing RQA parameters for Kensho indices）

研究人员对比四种嵌入策略下S&P Kensho FinTech子指数（SPKAF被视为高效、SPKDB低效、SPKDL中低效、SPKFP边界）的RQA统计。结果显示固定RR = 10%（无嵌入或全自适应嵌入）能清晰区分高效与低效市场的DET与LAM（高效市场DET、LAM更高），而固定d_ps,max则区分力弱；大嵌入维m=8会模糊模式。最终推荐跨币种比较用m=1, τ=1且ε使RR ≈ 10%，个体深度分析可用FFN与互信息自适应嵌入。

用RQA识别市场现象——Mt Gox丑闻及2014年崩盘（Identification of market phenomena with RQA—the Mt Gox scandal and 2014 crash）

对Mt Gox崩盘前后四段80天比特币收益率做RP与RQA。无嵌入与自适应嵌入均能可视化价格急涨/横盘/急跌对应的相空间稳定与失稳区（黑块消失对应崩盘），m=8则无法解析。RR = 10%较其他阈值能兼顾结构分辨与噪声抑制。Section 3（持续阴跌期）DET、LAM、l_max、v_max、TT最高，反映持久性下行趋势产生的确定性结构。

稳健性评估：区分市场行为的RQA统计比较（Robustness evaluation: comparison of RQA statistics to distinguish market behaviors）

对Mt Gox（8种币）、COVID崩盘（41种币）、Terra/Luna及FTX崩盘（73种币）各四段80天窗口分析。Friedman检验显示三个事件中TT、DET、LAM、垂直熵（Entr_vert）在时段间均有显著差异（p<0.05）。稳定期DET、LAM、Entr_vert高于崩盘/暴涨期；崩盘期价格剧烈跳跃致相空间吸引子跳变，对角与垂直线减少，DET与LAM下降，符合AMH动态效率观。TT较易受个别长垂直线干扰。

RQA统计作为波动率预警工具（RQA statistics as potential warning tools for volatility）

以Terra/Luna–FTX期间80天滚动窗口RQA指标预测未来高于95百分位收益率波动率。DET/LAM比值在42天预测期表现最佳：Newey-West回归系数β=0.081(p<0.001)，Bootstrap校正后显著；AUROC=0.605，显著优于随机及块随机(p<0.001)，表明RQA比值具中等预警潜力。

案例研究1：当代加密货币市场的聚类行为（Case study 1: clustered behavior in the contemporary cryptocurrency market）

以2025年1月10日起80天100种币的DET、Entr_vert、l_max做K-means，Calinski-Harabasz指标准确定为5簇（BTC低DET短l_max随机簇；QTUM高DET长l_max持续下跌簇；ETH高Entr_vert先稳后跌簇；NOT低DET短l_max高Entr_vert急跌无稳簇；HYPE两阶段低DET低Entr_vert簇），轮廓值>0，证明RQA可支撑投资组合多样化筛选。

案例研究2：加密货币间技术变更比较——共识算法影响（Case study 2: comparison of technological changes in cryptocurrencies）

对比14种PoW与23种PoS币种2023.7.30–2024.7.29整年RQA指标，Wilcoxon秩和检验无显著差异(p>0.05)，说明共识机制本身未造成显著动力学差异，币种内异质性大于PoW与PoS组间异质性；个别币种（BTC、ETH高DET/LAM；NEO极低DET与零LAM）反映各自市场深度与去中心化程度影响。

【讨论与结论翻译】

本研究提出将RQA用于评估加密货币市场行为的非线性动力学，通过对S&P Kensho指数既有市场效率结论对齐校准及Mt Gox期短时标验证，给出RQA参数优化建议：收益率序列先做小波去噪，跨资产比较推荐无嵌入(m=1, τ=1)且ε取使RR≈10%(±0.01%)，个体长时标历史分析可用假近邻法与互信息自适应嵌入。RQA可区分加密货币稳定与不稳定期（DET、LAM下降标志危机/泡沫）、支持基于RQA指标的K-means资产聚类以辅助组合分散化，DET/LAM比具中期（约42天）波动率预警潜力，PoW与PoS币种市场动力学无统计学显著差异。RQA提供可视与量化双重手段揭示传统计量模型遗漏的非线性递归结构，可作为投资者透明的风险识别工具及监管者监测系统性 regime shift 的指标，框架亦可推广至大宗商品与高频股市分析。

（发表于《Financial Innovation》）