> **Source:** https://permissionless.fi/zh/15-market-efficiency
> From *无需许可的金融* (无需许可的金融：从永续合约到链上全球市场) by Eric Cheung. Licensed under CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/).

# 第15章 数字资产市场的信息效率

2024年1月10日，SEC 批准首批现货比特币 ETF 的消息落地后，比特币价格在一分钟内剧烈波动，全球交易者和算法以前所未有的速度消化着这一历史性决策。然而，在最初的脉冲式反应之后，市场并未如许多人预期的那样开启一轮持续上涨的行情。相反，比特币价格在不到三天内从接近49,000美元的高点迅速回落至42,000美元以下，形成了典型的“买预期，卖事实”行情。在现货价格剧烈波动的同一窗口，永续合约市场呈现出更为丰富的信息图景：BTC 永续合约的基差在数分钟内从正转负，资金费率在随后的结算周期中经历了从极端正值到均值回归的完整过程，未平仓量在48小时内显著下降。这些永续合约独有的维度，为我们理解信息效率提供了现货市场无法提供的微观结构视角。这一事件集中体现了数字资产市场信息效率的复杂性，并引发了一系列核心问题：为什么市场对一条明确的监管批准信息反应如此迅速，却又在随后数天内被行为偏差所主导？当一个 DeFi 协议遭受黑客攻击时，攻击记录在区块链上公开可见，为什么大多数投资者却在数小时后才知道发生了什么？在 FTX 崩溃的极端压力下，平时看似高效的价格发现机制为何近乎瘫痪？在相同事件冲击下，永续合约与现货谁的价格反应更快？制度设计（资金费率、标记价、清算机制）如何系统性地塑造了这种差异？资金费率和基差本身是否蕴含可预测的信息，构成弱式效率的结构性缺口？这些问题的答案，都指向同一个核心议题：市场在多大程度上是“有效”的？

这个问题并不新鲜。它贯穿了半个世纪的金融学研究史，从 Fama（1970）提出有效市场假说开始，学界和业界就从未停止过对这一命题的争论。但在数字资产的语境下，这一经典问题具有新的分析维度。在前两章中，我们已经建立了理解市场运行的关键基础：第13章剖析了价格发现的微观过程，即信息如何通过订单流、做市商和套利者的互动被逐步融入价格；第14章则考察了价格基准的治理，即指数价格和标记价格如何为市场提供锚定参照。这两章回答的是“价格如何形成”和“价格如何被度量”的问题。本章则在此基础上追问一个更根本的问题：这些价格形成和度量的机制，究竟在多大程度上实现了信息的有效反映？换言之，我们从微观结构的“怎么做”上升到了宏观效率的“做得怎么样”。

本章以永续合约为主要数据来源和制度样本，围绕弱式效率、半强式效率、制度性效率和极端压力测试展开分析。分析从经典有效市场假说及其加密市场局限出发，引入适应性市场假说，并构建一个以时间、资产、市场层级、信息类型和市场状态为五个维度的“效率谱”框架。在此基础上，本章运用方差比检验和自相关分析等统计工具检验弱式效率，使用事件研究法比较市场对不同处理成本信息的反应速度，分析永续合约制度设计如何创造可预测的效率周期，并通过 FTX 崩溃案例展示市场效率在极端压力下的非线性崩溃。最后，本章从历史演化视角梳理加密市场从蛮荒时代到制度化时代的效率演进轨迹，并总结核心发现与实践启示。

## 15.1 分析工具箱

判断一个市场“是否有效”，首先需要一套精确的概念工具和度量标准。本节将构建这套分析工具箱，为后续的实证检验奠定理论基础。我们从 Fama（1970）的有效市场假说出发，回顾其经典3分法及其在加密市场中暴露出的结构性局限；随后引入 Lo（2004）的适应性市场假说，以演化和行为视角弥补静态理论的不足；并在此基础上提出本章的核心分析框架，即效率谱五维矩阵，将效率从一个二元标签转化为一个可在时间、资产、市场层级、信息类型和市场状态五个维度上连续度量的谱系。

### 15.1.1 有效市场假说与加密市场

任何关于市场效率的严肃讨论，都始于 Fama（1970）在其具有标志性意义的综述中提出的有效市场假说 [1]。该假说的核心命题是：在一个信息有效的市场中，资产价格能完全、即时地反映所有可获得的相关信息，因此任何市场参与者都无法基于已有信息持续获得超越市场平均水平的超额收益。EMH 不仅为资产定价和投资组合理论提供了理论基石，也深刻地影响了过去半个世纪的投资实践和金融监管。Fama（1970）将市场效率按照信息集合的范围，由弱到强划分为三种形式，这一分类至今仍是检验市场效率的经典起点 [1]。

第一种是弱式效率，它假设当前价格已完全反映了所有历史交易数据，包括过去的价格序列、交易量以及其他市场生成的信息。如果一个市场达到弱式有效，那么任何基于历史价格模式的技术分析，无论是移动平均线交叉、相对强弱指标还是K线形态，都将无法系统性地产生超额收益。在这种情况下，价格的未来变动将呈现为不可预测的“随机游走”，因为所有历史信息的价值已经完全耗尽在当前价格之中。对弱式效率的检验通常依赖于自相关分析和方差比检验等统计工具，这些方法将在后文得到详细讨论。

第二种是半强式效率，它更进一步，假设价格不仅反映了历史交易数据，还反映了所有已公开的信息。这里的“公开信息”涵盖范围极广，包括公司财务报告、宏观经济数据发布、监管政策变动、新闻报道，乃至社交媒体上的公开讨论。若此假设成立，那么基于对公开信息的深入分析（即基本面分析）也无法持续获得超额收益，因为信息一旦公开，其价值就已瞬间融入价格。对半强式效率的经典检验方法是事件研究法，即通过测量特定事件发生前后资产的累积异常收益来评估市场对新信息的反应速度和完整性。这一方法将在后文被系统性地应用于加密市场。

第三种，也是最严苛的形式，是强式效率，它假设价格反映了所有信息，包括尚未公开的内幕信息。在一个强式有效的市场中，即使是掌握了非公开信息的内部人也无法获得优势。这一假设在传统金融市场中就已被广泛认为过于极端，因为内幕交易法规的存在本身就暗示了内幕信息确实能带来超额收益。在加密市场中，强式效率同样难以成立：代币上线前的异常价格波动、项目团队的提前抛售等现象，都指向内幕信息在价格发现中的显著作用。

在数字资产市场的早期发展阶段，EMH 的框架，特别是其对信息透明度的强调，似乎与区块链的“无需信任”和“公开可验证”特质不谋而合。区块链作为一个公开账本，理论上将所有交易历史（弱式信息集合）和大量协议状态信息（一种半强式信息集合）暴露给了所有市场参与者。这种前所未有的数据透明度，使得许多人期望加密市场能够成为 EMH 的理想试验场，甚至有望达到比传统市场更高的效率水平。然而，随着市场的发展和学术研究的深入，EMH 的静态、绝对化假设在解释加密市场的诸多异象时表现出明显的解释力不足。

实证研究反复表明，加密市场的效率并非一个“是”或“否”的二元状态，而是一个随时间、资产和市场条件变化的连续谱。Urquhart（2016）对比特币的早期系统性检验发现了显著的弱式无效证据，但其后期子区间无效性减弱，暗示效率正在提升 [2]，这标志着加密市场效率系统性研究的开端（相关细节见§15.2.2）。此后大量研究证实了效率的时变特征：Tran 和 Leirvik（2020）发现五种主流加密货币的效率在2017年之前普遍偏低、此后逐步提升 [3]，而 Kang、Lee 和 Park（2022）的横截面检验则发现加密市场整体仍以无效为主，仅约6%的样本满足弱式有效假说 [4]。这些看似矛盾的结论，恰恰说明了用一个静态标签来描述加密市场效率的局限性。

更深刻的挑战来自于对“信息公开”与“信息融入价格”之间鸿沟的认识。区块链的透明性意味着信息是“公开可得的”，但这并不意味着信息已被市场“充分消化”并反映在价格中。Azar, Olivas 和 Sinha（2025）在纽约联邦储备银行的一项研究中，利用 DeFi 协议遭受黑客攻击这一独特的自然实验精确地量化了这一鸿沟：大约36%的总价格下跌发生在攻击被记录到区块链（信息公开）与消息经社交媒体广泛传播（信息成为共同知识）之间 [5]。这一由信息处理成本造就的结构性效率缺口，将在§15.3.3得到更深入的解构。

表 15-1 汇总了学术界对 EMH 三种形式在加密市场中的主要检验结果，按信息类型和时间尺度进行了整理。

| EMH 形式 | 信息集合 | 时间尺度 | 资产类别 | 主要检验方法 | 代表性研究结论 | 代表性文献 |
| :--- | :--- | :--- | :--- | :--- | :--- | :--- |
| 弱式 | 历史价格与交易量 | 日内（分钟级） | BTC/ETH | 方差比检验、自相关分析 | 主流资产在高频层面接近随机游走，效率较高 | Yi et al. (2023) [6] |
| 弱式 | 历史价格与交易量 | 日度 | BTC | 方差比检验、BDS 检验 | 早期显著无效，后期效率提升但仍存在可预测性 | Urquhart (2016) [2]；Noda (2021) [7] |
| 弱式 | 历史价格与交易量 | 日度 | 中小市值币 | 方差比检验、日历效应检验 | 普遍存在显著的弱式无效性，日历效应更明显 | Tran & Leirvik (2020) [3] |
| 弱式 | 历史价格与交易量 | 周度及以上 | BTC/ETH | 动量与反转策略回测 | 存在中期动量效应和长期反转效应 | Vidal-Tomás et al. (2019) [8] |
| 半强式 | 宏观经济与监管信息 | 事件窗口（分钟至日） | BTC | 事件研究法 | 对标准化二元事件反应迅速，接近半强式有效 | 本章引言 ETF 案例 |
| 半强式 | 链上数据与协议事件 | 事件窗口（小时至日） | DeFi 代币 | 事件研究法 | 信息处理成本导致显著滞后，约36%价格变动先于公告 | Azar et al. (2025) [5] |
| 强式 | 包括内幕信息 | 事件窗口 | 各类代币 | 上线前异常收益检测 | 普遍存在内幕交易迹象，强式效率不成立 | 多项行业报告 |

**表 15-1.** EMH 三种形式在加密市场的检验结果汇总（数据来源：作者基于 [2][3][5][6][7][8] 整理）

从表中可以看出，加密市场的效率呈现出高度的异质性。在弱式效率层面，主流资产在高频时间尺度上已接近有效，但在较低频率和中小市值资产上仍存在显著的可预测性。在半强式效率层面，市场对不同类型信息的反应速度差异巨大，标准化信息的处理速度远快于需要复杂解读的链上原生信息。强式效率则在加密市场中几乎不成立，代币上线前的异常价格波动和项目团队的提前抛售等现象均表明内幕信息在价格发现中的显著作用。鉴于强式效率的检验在传统金融市场中就已面临数据可得性和法律定义的根本性困难，且加密市场缺乏标准化的内幕交易定义和执法框架，本章将聚焦于弱式效率和半强式效率的系统性检验，因为这两个层次既拥有更成熟的方法论工具，也对理解永续合约的制度性效率具有最直接的分析价值。强式效率的相关问题将在后文 FTX 案例的潜伏期分析（§15.5.1）中以间接方式得到触及。这种多层次、多维度的效率差异，正是 EMH 的静态框架难以完整捕捉的，也为我们引入更具解释力的理论框架提供了充分的动机。

### 15.1.2 适应性市场假说

对 EMH 的挑战并非始于加密市场，而是在传统金融学内部就已酝酿多年。行为金融学的崛起，以 Kahneman 和 Tversky（1979）的前景理论为代表，系统性地揭示了投资者决策中普遍存在的认知偏差，如损失厌恶、过度自信和锚定效应。与此同时，大量实证研究发现了传统市场中难以用 EMH 解释的“异象”，包括动量效应、价值效应、日历效应和过度波动性等。这些发现在 EMH 与行为金融学之间制造了一道看似不可调和的鸿沟：一方坚持市场是理性的，另一方则认为市场充斥着非理性行为。

Lo（2004）提出的适应性市场假说正是为了弥合这一鸿沟 [9]。AMH 并非全盘否定 EMH，而是将其视为一个在特定理想条件下才能成立的极端情形。Lo（2004）的核心洞见在于，他将生物学中的演化原则，即竞争、适应和自然选择，引入了对金融市场行为的分析 [9]。在 AMH 的框架下，市场参与者并非 EMH 所假设的完美“理性经济人”，也非行为金融学所描绘的系统性“非理性”个体，而是处于两者之间的“有限理性”行为体。他们使用启发式方法进行决策，这些方法在大多数情况下是有效的，但在特定环境下可能导致系统性偏差。关键在于，这些偏差并非简单的“错误”，而是在长期演化过程中为了应对复杂环境而发展出的适应性策略。

AMH 的核心命题可以概括为几个相互关联的论断。首先，市场效率不是一个固定的属性，而是一个随时间和环境变化而波动的连续变量。市场可能在某些时期表现得高度有效，而在另一些时期则显著偏离效率。其次，市场效率的水平由市场参与者的构成、竞争强度和可用的获利机会共同决定。当大量资本和智力资源涌入追逐某一特定的非效率性时，该非效率性会逐渐消失，市场在这一维度上趋向有效。反之，当市场遭遇结构性变化或外部冲击时，旧的均衡被打破，新的非效率性又会随之产生。第三，行为偏差的影响并非恒定不变，而是取决于市场环境。在平静的市场中，理性套利力量可能足以抵消行为偏差的影响；但在极端压力下，恐惧和贪婪可能压倒理性分析，导致市场效率急剧下降。

AMH 为理解数字资产市场提供了一个具有较强解释力的透镜，其适用性甚至超越了传统市场。加密市场本身就是一个快速演化的生态系统：其参与者构成从最初的密码朋克和技术爱好者，演变为散户投机者的大规模涌入，再到如今的专业做市商、量化基金和大型金融机构的深度参与。其基础设施从早期不稳定的中心化交易所，演变为如今支持高频交易的复杂衍生品平台和去中心化交易协议。其监管环境也从一片空白演变为全球监管机构日益关注的焦点。在这样一个参与者、技术和规则都在剧烈变化的环境中，将效率视为一个固定的属性是不切实际的。

学术研究为 AMH 在加密市场的适用性提供了有力的实证支持。Noda（2021）使用基于广义最小二乘法的时变模型，直接检验了比特币和以太坊市场效率的动态演化 [7]。该研究发现，两种加密货币的市场效率确实随时间推移而显著变化，呈现出明显的周期性波动模式，这与 AMH 关于效率时变性的核心预测高度一致。在效率提升的阶段，通常伴随着机构参与者的增加、交易基础设施的改善和流动性的深化；而在效率下降的阶段，则往往与市场泡沫、极端波动或重大负面事件相关联。Tran 和 Leirvik（2020）的研究进一步证实了这一发现，他们观察到加密市场的效率在2017年之前普遍较低，此后随着市场的成熟而逐步提升，但这一过程并非单调递增，而是伴随着周期性的回落 [3]。这些发现共同表明：加密市场的效率正如 AMH 所预测的那样，处于一个不断适应、竞争和演化的动态过程之中。

图 15-1 展示了从 EMH 到 AMH 再到本章效率谱框架的理论演化路径。

![图 15-1](./images/fig-15-1.png)

**图 15-1.** 从 EMH 到 AMH：理论演化路径

从图中可以看出，EMH 提供了市场效率的经典分类框架，行为金融学和市场异象对其提出了挑战，Lo（2004）的 AMH 通过引入演化视角实现了理论综合，而加密市场的实证证据进一步验证了 AMH 的预测。本章提出的效率谱框架，正是将 AMH 的定性洞见操作化为一个可度量、可比较的五维分析工具。

### 15.1.3 效率谱框架

既然 EMH 的静态二元论过于僵化，而 AMH 的动态演化论虽然提供了正确的思维方式但偏向宏观叙事，那么我们需要一个更具操作性的分析工具，将 AMH 的深刻洞见转化为可度量、可比较的分析框架。为此，本章提出效率谱这一核心分析框架。该框架的核心主张是：任何关于市场效率的陈述，如果脱离了具体的维度限定，都是不完整甚至具有误导性的。我们不能笼统地断言“比特币市场是有效的”或“加密市场是无效的”，而必须精确地说明，在哪个时间尺度上、针对哪类资产、对于哪种信息类型、在哪种市场状态下，其效率表现如何。效率谱框架将效率解构为五个关键维度，即时间、资产、市场层级、信息类型和市场状态，构成一个多维评估矩阵，如图 15-2 所示。

![图 15-2](./images/fig-15-2.png)

**图 15-2.** 效率谱五维矩阵

从图中可以看出，效率谱的五个维度从不同角度切入效率评估，共同构成了一个完整的分析空间。任何一个具体的效率评估，都可以被定位在这个五维空间中的一个特定坐标上。以下逐一阐述每个维度的内涵和分析意义。

时间维度：从毫秒到月度的效率梯度。 市场的效率在不同时间频率上可能存在巨大差异，这是效率谱框架的第一个关键维度。一个市场可能在日线级别上接近随机游走，表现出较高的弱式效率，但在分钟甚至毫秒级别上，由于微观结构因素的影响，例如订单簿的有限深度、交易手续费造成的摩擦以及做市商报价更新的延迟，可能存在短暂但可被高频策略捕捉的可预测模式。在另一端，周度和月度时间尺度上，动量效应和均值回归等中长期模式也可能存在，尽管这些模式的持续性和经济显著性本身也是时变的。此外，加密市场特有的制度性周期，其中最典型的是永续合约的资金费率结算周期，会在特定的时间节点上创造出可预测的价格行为，这将在后文详细讨论。因此，讨论效率时必须明确指定时间尺度：日内高频、日度、周度还是更长的时间跨度。

资产维度：从蓝筹到长尾的效率落差。 不同数字资产的效率水平差异显著，这构成了效率谱的第二个维度。比特币和以太坊作为市值最大、流动性最深、分析师覆盖最广、机构参与最深的两种资产，其市场效率通常处于加密资产谱系的最高端。这两种资产拥有最窄的买卖价差、最深的订单簿、最多的交易场所和最活跃的套利活动，所有这些因素都有助于提升价格发现的效率。对于中等市值的主流币，由于流动性相对较低、信息覆盖不足和分析工具较少，其市场效率通常低于比特币和以太坊。而对于海量的长尾资产，包括新发行的代币、小市值项目和流动性极低的交易对，其市场往往表现出更低的效率和更明显的异象，如更大的价差、更慢的信息反应和更频繁的价格操纵。这种资产维度上的效率梯度，与传统股票市场中大盘股通常比小盘股更有效的现象有着相似的逻辑，但在加密市场中，由于资产数量更多、信息不对称更严重、监管覆盖更不均匀，这一梯度可能更加陡峭。

市场层级维度：从现货到衍生品的效率分化。 即使是同一种标的资产（如比特币），其在现货、永续合约、交割期货和期权等不同市场层级上的效率表现也存在系统性差异，这构成了效率谱的第三个维度。这种差异主要源于参与者构成、交易成本和杠杆结构的异质性。永续合约市场由于提供了极高的杠杆、做空的便利性以及更高的资金使用效率，系统性地吸引了大量具备信息优势和高级分析能力的“信息交易者”。这种交易者结构的集中，使得永续合约在许多时间尺度上表现出比现货市场更高的信息反映速度和定价效率。然而，永续合约独有的制度设计（如资金费率结算机制、标记价平滑机制和预言机更新频率）也可能在特定时刻引入额外的摩擦和可预测性，形成一种超越 EMH 经典三分法的“制度性效率”维度，这些并非源于外部信息的反应速度问题，而是由市场规则本身内生创造的效率波动。将市场层级作为独立维度而非资产维度的附属，是因为同一资产在不同层级上的效率差异往往大于不同资产在同一层级上的差异，其分析逻辑也截然不同。这一维度将在本章后续的分析中被反复运用：在§15.2 中，我们将对比现货与永续合约的弱式效率差异；在§15.3 的事件研究中，我们将构建双市场对照来考察半强式效率；在§15.4 中，我们将深入剖析永续合约制度设计如何创造可预测的效率周期；而在§15.5 的 FTX 案例中，我们将展示市场层级的效率优势如何在极端压力下翻转为系统性风险。

信息类型维度：从标准化信号到复杂链上数据的处理成本。 这是半强式效率检验的核心维度，也是加密市场最具特色的分析角度之一。价格对不同类型公开信息的反应速度和程度存在系统性差异，而这些差异的根源在于信息处理成本的不同。我们可以将加密市场中的信息大致分为几个层级。第一层级是标准化的宏观经济数据和明确的监管决策，例如美联储利率决议或 SEC 对 ETF 的批准/拒绝。这类信息具有二元化、易于解读的特征，市场对其反应通常最为迅速，往往在分钟甚至秒级内完成价格调整，如引言中的 ETF 案例所示。第二层级是需要一定专业知识才能解读的加密原生信息，例如协议的重大升级、治理提案的通过或代币经济模型的变更。这类信息的处理成本高于第一层级，市场反应速度也相应较慢。第三层级是复杂的链上数据，例如大额地址的资金流动、智能合约的异常交互或 DeFi 协议的漏洞利用。如 Azar, Olivas 和 Sinha（2025）所揭示的，这类信息虽然在区块链上公开可得，但需要高度专业化的工具和知识才能解读，其信息处理成本最高，因此价格反应的滞后也最为显著 [5]。这一维度揭示了一个深刻的洞见：在加密市场中，“信息公开”并不等同于“信息融入价格”，信息处理成本创造了一个结构性的信息优势层级，使得具备高级分析能力的参与者能够系统性地获取信息租金。

市场状态维度：从常态到危机的效率跃迁。 效率谱的第五个维度关注市场的宏观状态对效率水平的影响。市场的效率并非在所有条件下都保持一致，而是高度依赖于当前的市场环境，呈现出显著的状态依赖性。我们可以将市场状态大致划分为几种典型模式。在流动性充裕、波动性适中的“常态”下，市场竞争激烈，套利活动活跃，效率水平通常处于较高水平。在外部冲击导致的“应激态”下，例如2020年3月新冠疫情引发的全球市场恐慌（即加密市场的“黑色星期四”），流动性会迅速收缩，做市商撤回报价，跨交易所价差急剧扩大，市场效率出现显著下降。更为极端的是内部信任崩塌导致的“衰变态”，FTX 交易所的崩溃事件就是一个典型案例：当市场参与者对交易对手方的偿付能力产生根本性怀疑时，流动性不仅收缩，而且可能完全蒸发，价格发现机制几近瘫痪，市场效率出现非线性的急剧崩溃。这一维度将在后文的 FTX 案例研究中得到深入剖析。值得注意的是，效率在危机后的恢复过程同样值得关注：市场通常不会立即回到危机前的效率水平，而是经历一个逐步重建信任和流动性的“恢复态”，这一过程的速度和完整性本身也是衡量市场韧性的重要指标。

综上所述，效率谱的五个维度，即时间、资产、市场层级、信息类型和市场状态，共同构成了一个分析数字资产市场信息效率的完整工具箱。它摒弃了“有效或无效”的简单标签，将效率视为一个连续的、多维的、动态变化的谱系。这一框架的价值不仅在于其描述性的准确，更在于其操作性的指导：当我们评估一个交易策略的可行性时，必须明确该策略所依赖的效率维度：它是在哪个时间尺度上、针对哪类资产、在哪个市场层级上、利用哪种信息类型的非效率性、并在哪种市场状态下有效？只有在这个五维坐标系中精确定位，我们才能对策略的预期收益和风险做出有意义的判断。在后续章节中，我们将运用这一框架，对加密市场的弱式效率和半强式效率进行系统性的实证检验，剖析永续合约的制度性效率，并通过 FTX 崩溃案例展示效率在极端条件下的非线性行为。

## 15.2 弱式效率检验

在前文建立的效率谱分析框架下 ，我们首先对数字资产市场进行最基础层次的检验，即弱式效率。Fama（1970）定义的弱式有效市场假说认为，当前资产价格已完全反映了所有历史价格和交易量信息 [1]。如果这一假说成立，那么任何基于历史价格模式的技术分析都将是徒劳的，因为价格的未来路径将呈现为不可预测的随机游走。换言之，价格能否预测价格？这个问题是市场效率研究的起点，也是衡量一个市场成熟度的基本度量标准。

本节的核心论点是：数字资产市场的弱式效率呈现出显著的 异质性 与 动态演化 特征。以比特币和以太坊为代表的主流资产，其市场效率随时间推移显著增强，在日内等高频尺度上已接近随机游走；然而，在更长的时间尺度上，动量与反转效应依然可被检测到，而对于新兴的长尾资产，价格的可预测模式则更为普遍。更重要的是，这些模式并非一成不变，它们的出现、被利用、直至逐渐减弱乃至消失的完整生命周期，为我们在前一节讨论的适应性市场假说提供了直接的实证证据。市场并非静止地处于“有效”或“无效”的二元状态，而是在一个由参与者不断学习、竞争和适应所驱动的动态过程中持续演进。本节将首先介绍弱式效率检验的核心方法论工具，随后展示主流资产的实证结果，并结合永续合约原生变量、日历效应与跨交易所套利三个具体案例，深入剖析数字资产市场弱式效率的复杂图景。

### 15.2.1 检验方法论

检验弱式市场效率最直接的方法是分析资产收益率时间序列的统计特征。如果市场是弱式有效的，那么资产的对数收益率序列应当不具备显著的自相关性，即任何滞后期的收益率与当期收益率之间不存在系统性的线性关系。正的自相关意味着价格存在动量效应，即过去的上涨预示着未来的上涨、过去的下跌预示着未来的下跌，这为趋势跟踪策略提供了理论基础。负的自相关则意味着均值回归效应，即过去的上涨预示着未来的下跌，反之亦然，这为反转策略提供了机会。无论是正还是负的显著自相关，都构成了对随机游走假说的背离，并可能为交易者提供系统性的盈利机会。

在实践中，研究者通常计算收益率序列在多个滞后阶数上的自相关系数，并通过 Ljung-Box Q统计量来联合检验这些自相关系数是否整体显著异于零。然而，简单的自相关分析存在局限性。金融时间序列普遍存在的异方差性，即波动率本身随时间变化，可能导致自相关系数的标准误估计出现偏差，从而影响检验的可靠性。此外，单一滞后阶数的自相关系数只能捕捉特定频率上的线性依赖关系，难以全面刻画收益率序列在不同时间尺度上的可预测性。

正是为了克服这些局限，Lo 和 MacKinlay（1988）提出了方差比检验，这成为检验随机游走假说的经典方法 [10]。方差比检验的核心思想建立在一个简洁而深刻的数学性质之上：如果一个时间序列是纯粹的随机游走，那么其q期收益率的方差应该恰好是1期收益率方差的q倍。这是因为，在随机游走假设下，每期的价格增量是独立同分布的，多期收益率的方差等于各期方差之和。因此，方差比 VR(q)被定义为：

$$\operatorname{VR}(q) = \dfrac{\operatorname{Var}\!\left(r_t(q)\right)}{q \cdot \operatorname{Var}(r_t)}$$

其中，$\operatorname{Var}\!\left(r_t(q)\right)$是q期收益率的方差，$\operatorname{Var}(r_t)$是1期收益率的方差。在随机游走的原假设下，VR(q)的理论值应为1。若 VR(q)显著大于1，表明收益率序列存在正自相关，即价格变动具有持续性，过去的趋势倾向于延续，这是动量效应的统计指纹。若 VR(q)显著小于1，则表明存在负自相关，即价格变动具有反转性，过去的极端变动倾向于被修正，这是均值回归效应的证据。

方差比检验相较于简单的自相关分析具有多重优势。它通过比较不同时间尺度下的收益方差关系，能够同时捕捉多个频率上的可预测性模式，而非仅仅关注单一滞后阶数。更重要的是，Lo 和 MacKinlay（1988）同时提供了在同方差和异方差两种假设下的检验统计量，后者（通常记为$Z^{*}(q)$）对金融时间序列中普遍存在的波动率聚集现象具有稳健性 [10]。在后续的方法论发展中，Chow 和 Denning（1993）提出了联合方差比检验，允许研究者同时在多个持有期q上检验随机游走假说，避免了多重检验问题 [11]。Wright（2000）则提出了基于秩和符号的非参数方差比检验，进一步增强了检验对非正态分布的稳健性 [12]。这些方法论的演进使得方差比检验成为了一个功能强大、适应性广泛的弱式效率检验工具箱。

然而，即使是这些改进后的方法，在应用于数字资产市场时仍面临独特的挑战。比特币等加密资产的收益率分布普遍呈现出显著的尖峰厚尾特征。Yi, Yang, Jeong, Sohn 和 Ahn（2023）在对比特币市场效率的研究中报告，比特币日收益率的超额峰度高达42.5，远超正态分布的假设 [6]。这种极端的非高斯特性意味着，即使是异方差稳健的检验统计量，其渐近分布的近似精度也可能受到影响，导致检验的统计功效下降或犯第一类错误的概率偏离名义水平。

更为根本的挑战在于，正如适应性市场假说所预言的，市场效率本身是时变的。使用覆盖整个样本区间的单一检验统计量，无论它在方法论上多么精巧，都可能掩盖市场在不同阶段效率水平的动态变化。一个在整个样本期内“平均”接近随机游走的市场，可能在牛市期间表现出强烈的动量效应，而在熊市期间则呈现均值回归特征。这两种模式在全样本检验中可能相互抵消，给出一个具有误导性的“市场有效”结论。因此，结合滚动窗口分析来考察方差比等指标的时间演化，成为了捕捉市场适应性学习过程的关键方法论策略。Noda（2021）在这一方向上做出了重要贡献，他采用基于广义最小二乘法的时变模型来度量加密货币市场效率的动态演进，而非给出一个静态的、非黑即白的结论 [7]。这种方法论的转变，从“市场是否有效？”转向“市场在何时、多大程度上有效？”，正是适应性市场假说在实证研究中的方法论映射。

表 15-2 汇总了弱式效率检验中常用方法的核心特征与适用条件。

| 检验方法 | 核心原理 | 优势 | 局限性 | 代表性文献 |
| :--- | :--- | :--- | :--- | :--- |
| 自相关检验与 Ljung-Box Q | 检验收益率序列各阶自相关系数是否为零 | 直观、计算简便 | 对异方差敏感；仅捕捉线性依赖 | Box & Pierce (1970) [13] |
| Lo-MacKinlay 方差比检验 | 比较多期与单期收益率方差的比例关系 | 提供异方差稳健统计量；多频率信息 | 单一持有期检验；渐近理论依赖大样本 | Lo & MacKinlay (1988) [10] |
| Chow-Denning 联合方差比检验 | 同时在多个持有期上检验随机游走 | 控制多重检验问题 | 仍依赖渐近分布 | Chow & Denning (1993) [11] |
| Wright 秩与符号方差比检验 | 使用秩或符号替代原始收益率 | 对非正态分布高度稳健 | 统计功效可能低于参数方法 | Wright (2000) [12] |
| BDS 检验 | 检验收益率序列是否为独立同分布 | 能捕捉非线性依赖关系 | 对序列长度敏感；不指明偏离方向 | Brock、Dechert、Scheinkman & LeBaron (1996) [14] |
| 滚动窗口方差比 | 在移动时间窗口内重复计算方差比 | 捕捉效率的时变特征 | 窗口大小选择具有主观性 | Noda (2021) [7] |

**表 15-2.** 弱式效率检验方法比较（数据来源：作者整理）

从表中可以看出，没有任何单一方法能够完美地检验弱式效率。在实际研究中，学者们通常采用多种方法的组合来增强结论的稳健性。对于数字资产市场而言，考虑到其收益率分布的极端非正态性和效率的时变特征，结合非参数方法（如 Wright 检验）和滚动窗口分析的策略尤为重要。

### 15.2.2 主流资产的效率演化

数字资产市场，尤其是比特币，为观察一个新兴市场如何从无效走向有效提供了一个独特的“自然实验”。与传统金融市场在数十年甚至上百年间缓慢演化不同，比特币市场在短短十余年间经历了从极度无效到接近弱式有效的剧烈转变，这一过程被压缩在一个可以被完整观察和记录的时间窗口内。

早期的学术研究几乎一致地认为比特币市场是无效率的。Urquhart（2016）对比特币进行了首次系统性的弱式效率检验，使用了包括自相关检验、方差比检验和 BDS 检验在内的一组统计工具 [2]。他的研究基于2010年至2016年的日度数据，发现比特币收益率显著偏离随机游走，存在可被利用的模式。这一结论与当时市场的微观结构状态高度一致：参与者以技术爱好者和早期投机者为主，专业做市商和机构投资者几乎缺席；交易所基础设施薄弱，API 稳定性差，订单簿深度有限；流动性匮乏导致大额交易的价格冲击巨大，套利行为受到技术和资金的双重制约。在这样的市场环境下，价格中蕴含大量可预测的模式并不令人意外。

然而，Urquhart（2016）的研究中已经包含了一个值得注意的发现：当他将样本分为前后两个子区间时，发现后期子区间的无效性程度有所减弱 [2]。这一细微但重要的观察暗示，市场可能正在经历一个效率提升的过程。此后的大量研究证实了这一趋势。Tran 和 Leirvik（2020）对五种市值最大的加密货币进行了研究，发现其效率水平具有高度的时变性，特别是在2017年之前市场普遍表现为低效率，而此后效率逐步提升 [3]。Apopo 和 Phiri（2021）的研究进一步区分了不同时间频率上的效率差异，发现比特币的日度收益率已基本满足随机游走假说，但周度收益率仍存在显著的可预测性 [15]。这一发现与前文提出的效率谱框架中“时间维度”的分析高度一致：效率并非在所有频率上均匀分布，而是呈现出从高频到低频递减的梯度。

在高频层面，Aslan 和 Sensoy（2020）对主要加密货币的日内效率进行了系统性研究，发现日内效率随采样频率呈现非单调的U形特征：在5至10分钟的中间频率上效率最高，而在1分钟的高频端与1小时的低频端效率均相对较低 [16]。这意味着，过高频率上的微观结构噪声与过低频率上的信息聚合不足都可能制造可预测的模式。Zhang, Chan, Chu 和 Sulieman（2020）的研究则发现，在牛市期间，比特币、以太坊和莱特币的小时级收益率表现出随机游走特征，但在熊市期间效率显著下降 [17]。这种效率的状态依赖性，即市场效率水平随市场环境（牛市/熊市、高/低波动率）而变化，是适应性市场假说的核心预测之一。

图 15-3 计算了从2016年到2025年比特币日收益率的滚动方差比 VR(5)和 VR(10)，采用252个交易日（约一年）的滚动窗口——既与传统市场“一个交易年”的标准保持一致，又保证方差比统计量的渐近性质。解读方差比偏离时采用 Lo-MacKinlay 异方差稳健统计量$Z^{*}(q)$，以5%的显著性水平判断$\operatorname{VR}(q)$是否显著偏离1.0。需说明的是，本章图中 VR 演化趋势与文献全样本检验结论在方向上一致（如 Urquhart (2016) [2]和 Noda (2021) [7]），但滚动窗口分析对窗口大小有一定敏感性，不同设置下 VR 值的波动幅度可能有别。

![图 15-3](./images/fig-15-3.png)

**图 15-3.** BTC 方差比的时间演化

图 15-3 基于主流现货交易所（Coinbase、Binance 等）的 BTC/USD 日收益率数据，呈现出几个关键特征。在2017年的 ICO 泡沫和牛市期间，VR 值持续显著高于1，反映出强烈的动量效应，“追涨”行为在市场中占据主导，价格的上涨趋势具有自我强化的特性。这一时期市场参与者以散户投机者为主，信息传播依赖社交媒体和社区口碑，FOMO（错失恐惧）情绪驱动着价格的持续攀升。2017年12月 CME 比特币期货的上线是一个重要的结构性转折点，它首次为机构投资者提供了做空比特币的规范化工具，使得看空观点能够更有效地融入价格，从而在一定程度上抑制了单边动量效应。

在市场遭遇剧烈冲击时，方差比的行为模式也发生了显著变化。2020年3月的“黑色星期四”崩盘中，VR 值短暂跌破1，显示出短期超跌后的均值回归特性，即市场在恐慌性抛售后迅速出现了“抄底”行为，价格的极端下跌被部分修正。然而，值得注意的是，这种危机期间的均值回归效应在持续时间和幅度上都在逐渐缩小，表明市场的自我修正机制正变得更加高效。

最显著的长期趋势是方差比波动范围的逐步收窄。在2016-2018年期间，VR(5)的波动范围大约在0.7至1.5之间；而到了2022-2025年期间，这一范围已收窄至约0.85至1.15。方差比越来越频繁地落在接近1.0的“近似弱式有效区间”内，表明通过简单的历史价格模式来持续获得超额收益正变得越来越困难。2024年1月美国现货比特币 ETF 的获批进一步加速了这一趋势：ETF 为传统金融机构提供了便捷的比特币敞口工具，大量专业资本的涌入显著提升了市场的深度和套利效率。

在现货市场效率提升的同时，数字资产市场独有的衍生品，即永续合约，展现出了更为复杂的效率特征。如果我们对 BTC 和 ETH 永续合约的收益率进行滚动方差比分析，并与现货市场形成“双轨对照”，会发现两个截然不同但在逻辑上自洽的现象。一方面，在高频（分钟级）尺度上，永续合约的方差比比现货更接近1.0，即更符合随机游走假说。这主要因为永续合约市场承载了绝大多数的流动性和价格发现功能，信息交易者和专业做市商高度集中于此，使得新信息能够更迅速地被消化。另一方面，当我们在8小时周期（即主流交易所资金费率结算的典型周期）上计算方差比时，永续合约却出现了系统性偏离随机游走的特征，而现货市场在这一频率上并无类似偏离。这种偏离与资金费率的周期性结算高度相关，暗示着永续合约的独特制度设计可能内生了一种新的可预测模式。

Noda（2021）的研究为这一观察提供了更严谨的计量经济学论证 [7]。他采用一种不依赖于样本大小的 GLS（广义最小二乘法）时变模型，直接估计了比特币和以太坊市场效率的动态路径。该研究的三个核心发现与我们的分析高度一致：其一，两种加密货币的市场效率确实随时间推移而显著变化，呈现出明显的周期性波动模式；其二，比特币的市场效率水平在大多数时期高于以太坊，这与比特币更高的流动性、更长的交易历史和更广泛的机构参与相吻合；其三，高流动性的市场其效率演化速度更快，这为“流动性是效率的基础设施”这一命题提供了实证支持。

然而，需要强调的是，即使在效率显著提升的今天，比特币市场在跨日和更长的时间尺度上仍然存在可检测的可预测模式。Zaremba, Bilgin, Long, Mercik 和 Szczygielski（2021）基于超过3600种加密货币的日度数据，发现了显著的短期反转效应：前一日收益率最低的加密货币在次日显著跑赢前一日收益率最高的加密货币 [18]。他们进一步论证，这种日度反转效应主要源于绝大多数加密货币的低流动性，因为反转效应在流动性最差的资产中最为显著。这一发现与效率谱框架中“资产维度”的分析完全一致：主流资产的效率远高于长尾资产，而流动性是解释这一差异的关键变量。Caporale 和 Plastun（2020）的研究则聚焦于异常单日收益率之后的动量效应，发现在比特币、以太坊和莱特币中，大幅单日涨跌之后存在显著的次日延续效应，但这种效应的强度随时间推移而减弱 [19]。Bianchi, Guidolin 和 Pedio（2023）从更宏观的视角考察了加密货币收益率的可预测性动态，发现加密货币的时间序列可预测性总体上低于传统资产类别，但对投资者注意力指标表现出时变但显著的敏感性 [20]。

这些发现构成了一幅复杂但内在一致的实证图景：主流资产在高频层面已接近随机游走，但在低频层面和长尾资产中，可预测的模式依然存在。这些模式的逐步减弱，正是市场参与者通过套利和学习不断“消耗”非效率性的过程，为 AMH 提供了直接的实证支持。

### 15.2.3 永续合约原生变量

在传统资产定价理论中，弱式效率主要关注历史价格对未来价格的预测能力。然而，数字资产市场的核心衍生品，即永续合约，引入了一组全新的原生变量，其中最核心的便是资金费率和永续-现货基差。这些变量的存在，为弱式效率检验提供了全新的维度：这些衍生品市场的原生信号是否蕴含着对未来现货或合约收益率的可预测性？

资金费率的设计初衷是为了锚定永续合约价格与现货指数价格。当永续合约价格高于现货时，资金费率为正，多头向空头支付费用；反之则为负。He, Manela, Ross 和 von Wachter（2024）对永续合约的基础面进行了系统性的实证研究。他们发现，永续合约价格偏离现货价格的幅度显著，不同加密资产的年化平均绝对偏差高达60%至90% [21]。更重要的是，这种偏离不仅存在，而且具有高度的可预测性。他们构建了一个简单的套利策略：当偏差超过一定阈值时开仓，当偏差回归时平仓。研究表明，在其样本期间（2020年至2022年），即便在考虑了散户投资者面临的高昂交易成本后，针对比特币永续合约的该策略仍能产生高达1.8的夏普比率；对于高频活跃的做市商，夏普比率甚至可达3.5 [21]。然而，如该研究同时指出的，随着套利资本的增加和市场竞争的加剧，这些偏差的平均幅度正以每年约11%的速度递减，因此上述夏普比率在当前（2024年后）的市场环境中可能已显著降低。尽管如此，这种可预测性的存在，即使其幅度在衰减，仍然构成了对弱式有效市场假说的结构性挑战。

基差（永续合约价格与现货价格之差）的时间序列特征同样表现出显著的可预测模式。He 等人（2024）的实证分析表明，过去的收益率可以显著预测未来的基差大小，高过去收益率往往预示着更大的永续合约溢价，这反映了市场中强烈的正反馈或动量交易行为 [21]。然而，这种偏差并非无限扩大。随着时间推移，资金费率和基差偏差呈现出均值回归的特征，且在其样本后期，随着套利资本的增加和市场竞争的加剧，这些偏差的平均幅度呈现出每年约11%的递减趋势 [21]。

在效率谱的框架下，我们该如何定位这种由永续合约原生变量带来的可预测性？一方面，如此高的夏普比率和持续的套利机会，似乎是市场“弱式无效”的铁证。它表明市场中存在未被完全消化的信息，或者套利机制受到了严重阻碍。另一方面，我们也可以将其理解为一种“制度摩擦溢价”。永续合约缺乏到期日，套利者在进行基差套利时无法确定头寸何时能够以盈利平仓，这种“随机到期”特征引入了额外的流动性风险和资金占用成本。此外，不同交易所之间的保证金要求、清算机制差异，以及加密市场特有的尾部风险（如交易所倒闭），都构成了套利限制。因此，这种可预测性可能并非纯粹的“免费午餐”，而是对承担这些复杂摩擦和尾部风险的套利者的风险补偿。随着市场基础设施的完善（如统一账户的普及、跨交易所清算机制的建立），这种“摩擦溢价”正在被逐步压缩，这再次印证了适应性市场假说中效率动态演化的观点。

然而，对这些看似丰厚的套利收益需要进行更审慎的风险评估。He 等人（2024）报告的夏普比率基于收益率的标准差计算，但正如本章后文将展示的，资金费率分布呈现显著的负偏和超额峰度，这意味着夏普比率系统性地低估了尾部风险敞口。在实际执行中，资金费率套利要求交易者在一个交易所持有现货多头、在另一个交易所持有永续合约空头，由此产生的跨交易所保证金锁定通常导致实际资本占用为名义头寸的二至三倍，以实际投入资本而非名义头寸计算的夏普比率将显著低于上述数值。此外，交易所对手方风险构成了该策略最难以对冲的尾部风险。FTX 的崩溃就导致大量套利者的资金被困在破产交易所中，这种损失在常规的夏普比率计算中完全不可见。Zhivkov（2026）对跨交易所资金费率套利的实证分析进一步印证了这些摩擦的严重性：尽管17%的观测样本呈现经济上显著的套利价差，但在模拟的 delta 中性组合中，高达95%的交易机会因保证金要求和被迫平仓而无法完整执行 [22]。因此，资金费率的可预测性所创造的超额收益，可能更多地反映了对承担这些复杂摩擦和尾部风险的风险补偿，而非对市场非效率的无成本利用。

### 15.2.4 日历效应的发现与消失

日历效应是弱式市场无效率最经典的例证之一。它指资产收益率在特定时间单位（如星期几、月份或节假日）上表现出系统性规律的现象。在传统股票市场中，研究者曾长期记录到“星期一效应”（周一收益率显著低于其他交易日）和“一月效应”（一月收益率显著高于其他月份）等异常现象。这些效应的存在直接违背了随机游走假说，因为它们提供了基于时间信息的简单交易策略：如果周一的收益率系统性地低于其他日期，那么投资者只需在周一收盘时买入、在其他日期卖出，就能获得超额收益。

对于一个全年无休、每周七天、每天24小时连续交易的数字资产市场，日历效应的研究具有特殊的意义。传统市场的日历效应部分源于制度性因素（如周末休市导致的信息积累、月末基金调仓需求等），而加密市场的连续交易特性消除了这些制度性摩擦。如果在这样一个市场中仍然观察到日历效应，那么其成因更可能与参与者的行为模式有关，而非制度性安排。更重要的是，加密市场的快速演化为我们提供了一个观察日历效应完整生命周期（从发现到消失）的理想窗口，而这一过程在传统市场中可能需要数十年才能完成。

早期针对比特币市场的研究确实发现了一些显著的日历效应。Caporale 和 Plastun（2019）的研究是这一领域的重要贡献，他们使用参数和非参数方法对比特币的星期效应进行了系统性检验，发现比特币在周一存在异常的正收益 [23]。这一发现引人注目，因为它与传统股票市场中观察到的“周一效应”（负收益）方向完全相反。研究者推测，这可能与加密市场参与者的行为模式有关：散户投资者倾向于在周末进行研究和决策，并在周一执行买入操作，从而推高了周一的价格。Aharon 和 Qadan（2019）则发现比特币在收益率与波动率上均存在显著的“星期一效应” [24]。

根据适应性市场假说的逻辑，一旦这种可预测的模式被学术研究发现并公之于众，套利者的介入将使其逐渐消失。这一预测的逻辑链条清晰而直观：学术论文发表后，交易者和量化基金注意到了这一模式；他们开始在预期的低收益日买入、高收益日卖出；这些交易行为本身会拉平不同日期之间的收益率差异；随着越来越多的参与者加入这一策略，日历效应的利润空间被逐步压缩，直至完全消失。这一过程本质上是一个信息从“私有知识”到“公共知识”再到“被定价”的传导链条，也是市场效率通过竞争和学习而自我提升的微观机制。

图 15-4 按不同时间段分析比特币的星期平均日收益率，展示了这一适应性学习过程。

![图 15-4](./images/fig-15-4.png)

**图 15-4.** BTC 日历效应（星期效应）的发现与消失

图 15-4 基于 Coinbase 和 Binance 的 BTC/USD 日收益率数据，展示了比特币在不同时间段内按星期几划分的平均日收益率及其95%置信区间（基于t检验）。从图中可以观察到一个清晰的时间演化模式。在2016-2017年的早期阶段，不同星期几之间的平均收益率存在显著差异：周末（周六、周日）的平均收益率明显为正且幅度较大，而部分工作日的收益率则相对较低甚至为负。这种差异构成了潜在的可利用“周末效应”。进入2018-2019年的熊市周期后，各天之间的收益率差异虽然仍然存在，但幅度已明显缩小，且统计显著性下降。到了2020-2021年的牛市周期，尽管市场整体波动加大，但星期效应的系统性模式已变得模糊。最显著的变化出现在2022-2025年期间：所有日期的平均收益率都非常接近于零，各天之间的差异在统计上已不再显著，95%置信区间大多覆盖了零点。星期效应这一曾经可被利用的“市场异常”已经基本消失。

然而，在加密市场中，除了传统意义上的星期效应，还存在一种由永续合约制度设计所内生的独特“日历效应”，即基于资金费率结算周期的“8小时周期效应”。主流加密货币交易所（如 Binance、OKX 等）通常设定每8小时（例如北京时间0:00、8:00、16:00）进行一次资金费率结算。在结算前夕，为了避免支付高昂的资金费率，许多交易者会选择短暂平仓，导致价格在结算前后出现规律性的波动。这种波动模式并非由基本面信息驱动，而是纯粹由市场微观结构和制度设计创造的。

与已经被套利者几乎完全抹平的星期效应不同，这种“8小时周期效应”作为一种永续合约原生日历效应，至今尚未被完全套利掉。原因在于，利用这种效应进行套利需要在结算前后进行高频的开平仓操作，这面临着极高的滑点成本和交易手续费摩擦。此外，结算时刻往往伴随着剧烈的微观结构波动，增加了套利策略的执行风险。因此，这种原生日历效应的持续存在，再次印证了制度摩擦在阻碍市场完全走向弱式有效中的关键作用。

这一演化过程的时间线与加密市场的结构性变化高度吻合。2017-2018年正是关于加密市场日历效应的学术研究密集发表的时期，这些研究成果通过学术会议、金融媒体和社交网络迅速传播到交易者群体中。与此同时，专业量化交易公司和做市商开始大规模进入加密市场，它们拥有系统性地识别和利用这类统计异常的技术能力和资本实力。这些力量的共同作用，使得日历效应在被发现后的几年内就被有效地“套利掉”了。

值得注意的是，日历效应的消失并不意味着市场在所有时间维度上都变得完全有效。它更准确地说明的是，那些简单的、基于公开信息的、容易被大量参与者复制的交易模式，在一个竞争日益激烈的市场中难以持续存在。这恰恰是适应性市场假说的核心洞见：市场效率不是一个静态的属性，而是一个由参与者的集体行为不断塑造的动态均衡。当一种非效率性被广泛认知后，竞争会将其消除；但新的非效率性可能在新的市场条件下重新出现。例如，在极端市场压力下，行为偏差可能暂时压倒理性套利，使得日历效应短暂“复活”。这种效率的周期性波动，正是加密市场作为一个快速演化的生态系统的本质特征。

### 15.2.5 跨交易所价差的收敛

衡量弱式市场效率的另一个重要维度是价格发现的空间统一性，即一价定律是否成立。在一个完全有效的市场中，同一资产在不同交易场所的价格，扣除合理的交易成本和转移成本后，应当完全一致。任何显著的价差都代表着近乎无风险的套利机会，而套利者的活动会迅速抹平这些价差。因此，跨交易所价差的大小及其收敛速度，可以作为衡量整个市场基础设施效率和信息传递速度的综合指标。如果我们将前面讨论的时间序列可预测性视为弱式效率的“时间维度”，那么跨交易所价差则代表了弱式效率的“空间维度”，它检验的是同一时刻、不同地点的价格是否一致。

在数字资产市场的早期阶段，跨交易所的价差不仅普遍存在，而且幅度显著。这种现象的根源在于多重结构性障碍的叠加。在技术层面，早期交易所的 API 性能低下、系统稳定性差，区块链网络的确认时间长（比特币约需10-60分钟）且手续费波动大，使得跨交易所的资产转移既缓慢又昂贵。在资本层面，缺乏专业的做市商和套利基金意味着市场中没有足够的“价格纠偏”力量。在制度层面，不同司法管辖区的监管差异和资本管制进一步阻碍了跨境套利。

这些障碍的叠加效应在“泡菜溢价”现象中得到了最充分的体现。泡菜溢价指的是比特币在韩国交易所（如 Upbit、Bithumb）的价格长期显著高于全球其他主流交易所的价格。在2017年末至2018年初的牛市高峰期，这一溢价一度接近50% [25]。这意味着，如果一个交易者能够在美国以10,000美元买入一个比特币，然后在韩国以15,000美元卖出，他就能获得50%的“无风险”利润。然而，韩国严格的资本管制（限制外国资本流入韩国加密市场）以及银行体系对加密交易的限制，使得这一看似简单的套利策略在实践中面临巨大的执行障碍。除资本管制外，套利利润以韩元计价带来的汇率风险、韩国交易所要求本地银行账户和实名认证的合规门槛、以及资金回流所需的多日银行处理时间，都进一步限制了外部套利者的参与。泡菜溢价的存在，本质上是一个被制度性摩擦“保护”的非效率性。

然而，正如适应性市场假说所预测的，高额的利润激励着市场参与者不断寻找绕过障碍的方法。套利者开发了更复杂的策略，包括通过场外交易渠道进行跨境资金转移、利用稳定币（如 USDT）作为中间媒介来规避法币兑换限制、以及建立多交易所的预置资金池以减少资产转移的时间成本。与此同时，整个行业的基础设施也在快速迭代：交易所 API 的性能和稳定性大幅提升，支持更高频率的自动化交易；区块链网络的扩容方案（如闪电网络、Layer 2解决方案）降低了转账成本和时间；专业量化交易公司携带先进的技术和充裕的资本入场，将套利效率提升到了新的水平。

图 15-5 描绘了自2014年以来两种类型的跨交易所 BTC 价差的演化趋势。

![图 15-5](./images/fig-15-5.png)

**图 15-5.** 跨交易所 BTC 价差收敛趋势

图 15-5 展示了两类跨交易所 BTC 价差的长期演化，其中“主流交易所间价差”定义为 Coinbase 与 Binance 之间 BTC/USD(T)日均价差的绝对值百分比，“跨地区价差”包含韩国交易所（如 Upbit）与全球主流交易所之间的溢价，数据经30日移动平均平滑处理。如图所示，两种价差都呈现出明显的长期下降趋势，但收敛的速度和路径存在差异。代表区域性市场分割的价差（包含泡菜溢价等因素），从2017年末至2018年初牛市高峰期近50%的峰值（与上文泡菜溢价口径一致），经历了一个相对缓慢但持续的收敛过程，到2022年后基本稳定在2%以内。这一收敛过程的缓慢性反映了制度性障碍（如资本管制）消除的渐进性，这些障碍不是技术进步能够单独解决的，还需要监管环境的演变和金融基础设施的完善。

相比之下，全球主流交易所之间的价差（如 Coinbase 与 Binance 之间）收敛速度更快、幅度更大。这类价差从早期的2-4%迅速收敛至2019年后的0.5%以下，在大多数时候甚至低于0.1%。这一快速收敛反映了纯粹技术性和资本性障碍的消除：当交易所 API 足够快、网络延迟足够低、套利资本足够充裕时，同一资产在不同主流交易所之间的价格差异会被几乎瞬时地消除。Giudici 和 Pagnottoni（2019）通过对2017年价格暴涨与2018年回调期间五家主要交易所的高频数据分析，识别出 Bitfinex 与 Gemini 在价格发现中处于领先地位，且交易所间的连通性随市场状态而时变 [26]。

在现货市场价差逐步收敛的同时，衍生品市场的空间效率也呈现出独特的结构特征。不同交易所的永续合约之间是否存在显著的资金费率和基差差异？Zhivkov（2026）通过对26个加密货币交易所（11个中心化交易所 CEX 和15个去中心化交易所 DEX）的3570万条高频数据进行分析，揭示了加密货币资金费率市场存在显著的“双层结构” [22]。研究发现，CEX 在价格发现中占据绝对主导地位，其市场整合度比 DEX 高出61%，且所有显著的信息流都呈现从 CEX 向 DEX 的单向传导。值得注意的是，CEX 与 DEX 之间观测到的资金费率差异并非完全由信息不对称所驱动，不同平台在资金费率计算公式上的结构性差异也是重要的解释因素。Binance 采用基于利率成分和溢价成分的复合公式，而 dYdX 和 Hyperliquid 则使用基于时间加权平均价格偏差的计算方式，这种公式差异即使在完全相同的市场条件下也会产生结构性的费率偏差，因此在评估信息驱动的费率差异时需要首先控制这一机械效应。

更为关键的是，尽管永续合约占据了加密衍生品交易量的绝大部分，但跨交易所的资金费率套利仍面临重重阻碍。Zhivkov（2026）指出，高达17%的观测样本存在经济上显著的套利价差（超过20个基点），但在考虑交易成本和价差反转风险后，仅有40%的顶级套利机会能够产生正收益，高达95%的套利机会最终面临被迫平仓 [22]。这表明，虽然不同平台间存在显著的基差和资金费率差异，但高昂的交易成本、保证金要求以及价差反转风险，构成了强大的“套利限制”，阻止了套利者消除这些大规模的错误定价。这解决了一个表面上的悖论：在高度分散的加密衍生品市场中，显著的价格碎片化与市场效率的提升实际上是共存的。

然而，跨交易所价差的收敛并非单调递减的过程。在市场极端波动时期，价差会因流动性瞬时枯竭和市场恐慌而短暂飙升。2020年3月的“黑色星期四”就是一个典型案例：比特币在24小时内暴跌超过40%，导致多个交易所的流动性几乎完全蒸发，做市商撤回报价，跨交易所价差在数分钟内从不到0.1%飙升至数个百分点。2022年11月 FTX 交易所的崩溃则引发了更为复杂的价差动态，不仅是流动性的收缩，更涉及交易对手风险的重新定价，因为市场参与者需要评估哪些交易所可能受到 FTX 崩溃的连锁影响。这些危机时刻的价差飙升，恰恰是效率谱框架中“市场状态维度”的直接体现：市场效率高度依赖于当前的市场环境，在极端压力下可能出现非线性的崩溃。

但同样重要的是观察危机后价差的恢复速度。在2020年3月的崩盘中，主流交易所之间的价差在数小时内就恢复到了正常水平；而在2022年 FTX 事件后，虽然恢复过程更为漫长（涉及信任重建），但最终价差也回到了危机前的低位。这种“冲击-偏离-恢复”的模式表明，数字资产市场已经建立了相当强大的自我修复机制。套利基础设施的韧性，即使在极端压力下也能相对快速地恢复运作，本身就是市场效率提升的重要证据。

### 15.2.6 综合评估

综合以上分析，我们可以对数字资产市场的弱式效率做出一个多维度的评估。在效率谱框架的五个维度上，弱式效率呈现出清晰的梯度分布和动态演化特征。

在时间维度上，效率从高频到低频呈递减梯度。主流资产在日内（分钟至小时级别）已接近随机游走，日度层面的可预测性正在持续减弱，但周度和月度层面的动量与反转效应仍可被检测到，尽管其经济显著性也在下降。在资产维度上，效率从蓝筹到长尾呈陡峭下降。比特币和以太坊的弱式效率水平远高于中小市值代币，而流动性是解释这一差异的核心变量。Zaremba 等人（2021）的研究清楚地表明，日度反转效应主要集中在流动性最差的长尾资产中 [18]。在市场状态维度上，效率在正常市场条件下处于较高水平，但在极端压力下可能出现急剧下降，无论是时间序列的可预测性增强（如危机期间的动量崩溃或均值回归加剧），还是跨交易所价差的飙升，都是效率在压力下退化的表现。

在市场层级维度上，现货市场与衍生品市场（尤其是永续合约）呈现出复杂的互动关系。一方面，永续合约市场因其高流动性和专业机构的集中，在高频价格发现上表现出比现货更高的效率；另一方面，其独特的制度设计（如资金费率结算周期）和跨平台套利摩擦，又内生了诸如“8小时周期效应”和跨所基差偏离等新的可预测模式。这种“高频更有效、低频受制度摩擦影响”的二元特征，使得衍生品市场的弱式效率表现得比现货市场更加微妙和多面。

从动态演化的角度看，数字资产市场的弱式效率在过去十年间经历了显著的提升。这一提升并非偶然，而是由一系列结构性因素驱动的：专业做市商和量化交易公司的入场提供了持续的流动性和套利压力；衍生品市场（特别是2017年 CME 期货和2024年现货 ETF）的发展为信息融入价格提供了更多渠道；交易基础设施的技术迭代降低了套利的成本和延迟；监管框架的逐步明确减少了制度性不确定性。每一个因素都在推动市场向更有效的状态演进，而它们的叠加效应使得这一演进过程在近年来明显加速。

然而，将数字资产市场简单地标记为“弱式有效”仍然是不准确的。更精确的描述是：主流数字资产在高频时间尺度和正常市场条件下已接近弱式有效，但在低频时间尺度、长尾资产和极端市场条件下仍存在显著的可预测模式。这些模式的持续减弱是市场适应性学习的证据，但它们的完全消失既非必然，也非即将发生。 这一结论与适应性市场假说的核心预测完全一致：效率不是一个终点，而是一个永远在进行中的过程，一个由参与者的竞争、学习和适应所驱动的、持续演化的过程。

> **效率谱定位卡片 · §15.2**
>
> | 维度 | 定位 | 量化代理指标 |
> |------|------|--------------|
> | 时间 | 高频有效，低频仍有可预测性 | 滚动方差比 VR(q) |
> | 资产 | 蓝筹资产效率高，长尾资产效率低 | 不同市值资产的自相关系数 |
> | 信息类型 | 历史价格信息（弱式） | Ljung-Box Q统计量 / 动量与反转策略收益 |
> | 市场状态 | 正常状态有效，极端压力下效率退化 | 危机期间的方差比偏移幅度 |
> | 市场层级 | 衍生品高频发现价格，但受制度摩擦影响 | 资金费率预测夏普比率 / 跨所基差套利空间 |
>
> **一句话结论**：数字资产市场的弱式效率并非静态的二元状态，而是在时间、资产、状态与市场层级多维度上呈现梯度分布，并在参与者的适应性学习中持续向更有效状态演化的动态过程。

## 15.3 半强式效率检验

弱式效率检验关注历史价格信息，而半强式效率检验进一步追问市场对所有新公开信息的消化能力：市场能否有效消化所有新近公开的信息？这便是半强式效率检验的核心议题。在传统金融市场，对这一问题的探索通常围绕公司财报、宏观经济数据发布等标准化事件展开。然而，数字资产市场提供了一个信息类型更多元、信息来源更复杂的独特环境。这里不仅有传统市场常见的宏观与监管新闻，还存在一种全新的、源自区块链本身的信息类别，即链上事件。

本节的核心论点是，数字资产市场的半强式效率并非一成不变的常数，而是呈现出显著的异质性，其关键分层变量是信息处理成本。我们将通过事件研究法，系统性地比较市场对三类不同信息的反应速度：标准化的宏观经济信息、复杂的监管博弈信息，以及技术门槛极高的加密原生信息（如黑客攻击）。研究将表明，市场对前两类信息的反应速度极快，接近传统市场的高效水平；但对于加密原生信息，即便其数据在区块链上完全公开，高昂的处理成本仍在信息的“公开可得”与“融入价格”之间制造了巨大的鸿沟。我们将深度解读纽约联邦储备银行的一项重要研究，该研究巧妙地利用 DeFi 黑客攻击作为自然实验，首次量化了信息处理成本所导致的效率损失。最后，我们将通过复盘加密史上最大规模的 Bybit 交易所被盗案，将理论与现实联系起来，具体展示在真实的危机事件中，信息是如何被不同层级的市场参与者逐步处理、消化，并最终反映在价格之中的。

### 15.3.1 事件研究法

要衡量市场对新信息的反应速度，事件研究法是金融经济学中沿用已久的黄金标准。该方法由 Fama, Fisher, Jensen, and Roll (1969) 在研究股票分割时开创并系统化，其核心逻辑是通过统计方法分离出特定“事件”对资产价格的独立影响，从而评估信息融入价格的效率 [27]。一个典型的事件研究包含以下几个步骤：首先，精确定义事件本身及“事件窗口”，即事件发生前后的一段时间；其次，建立一个“正常”收益模型，用以预测在没有该事件发生的情况下资产的预期收益；再次，将事件窗口期内的实际收益与预期收益进行比较，两者的差值即为异常收益，它代表了事件所带来的价格冲击；最后，将事件窗口期内的异常收益进行累加，得到累积异常收益，用以衡量事件的总价格影响和信息反应的完整轨迹。

在传统金融市场，事件研究通常使用日度数据，事件的定义也相对标准化，如盈利公告、并购声明或监管变动。然而，数字资产市场为这一经典方法论的应用带来了新的机遇与挑战。最大的机遇在于数据的粒度。由于加密市场7x24小时不间断交易，且高频数据（分钟级甚至秒级）的可得性远高于传统市场，研究者得以在更精细的时间尺度上观察价格反应，将信息融入的过程从“天”缩短到“分钟”甚至“秒”的级别进行审视。这使得我们能够捕捉到以往在日度数据中被平滑掉的、更为迅速的价格发现动态。

与此同时，加密市场也提出了新的挑战。首先，事件的定义更加复杂。除了传统意义上的新闻，加密市场的“事件”还包括链上活动，如协议升级、硬分叉、治理投票，甚至是黑客攻击。这些事件的发生时间可以被精确到区块时间戳，但其信息内涵的解读却需要专业知识。其次，由于市场的高度波动性和缺乏公认的资产定价模型，如何构建一个可靠的“正常”收益模型成为一个难题。早期的研究通常使用简单的市场模型，或直接以比特币作为市场基准。例如，Saggu, Ante, and Kopiec (2025) 在研究 SEC 对加密资产的监管干预时，便是通过将目标资产的回报与比特币的回报进行比较来计算异常收益，从而有效地隔离出特定于该资产的监管冲击 [28]。

然而，近期研究在方法论上实现了关键的演进，最突出的代表便是 Azar, Olivas, and Sinha (2025) 在分析 DeFi 黑客攻击时所采用的方法 [5]。他们认识到，在加密市场，一个事件的信息传播并非瞬间完成，而是存在一个从“链上发生”到“公众知晓”的过程。因此，他们创造性地定义了两个不同的事件时间点：$t_0$，即第一笔恶意交易在区块链上被确认的时间，代表信息变为“公开可得”的时刻；以及$t_{\text{common}}$，即主流社交媒体（如项目的官方X账户或知名安全公司）首次披露该事件的时间，代表信息成为“共同知识”的时刻。通过分别围绕这两个时间点构建事件窗口，他们得以精确地剥离出在信息处理成本起主导作用的“信息不对称窗口期”内发生的价格发现。这种双重事件窗口的设计，是事件研究法在加密市场背景下的重大创新，它将分析的焦点从“市场是否对公开信息有效”，深化为“市场对不同认知层级的公开信息如何分阶段反应”。

此外，加密市场中永续合约的存在为事件研究法提供了一个全新的维度。在传统的事件研究中，分析主要集中在现货市场。然而，在加密市场中，事件研究法可以同时在现货和永续合约两个市场上进行，构建一种“双市场事件研究”的方法论。通过比较同一资产在现货和永续合约市场上的异常收益和累积异常收益曲线，研究者可以揭示信息在不同市场层级上的传导速度差异。例如，在面对突发的负面信息时，永续合约的 CAR 曲线是否比现货的 CAR 曲线更早地出现显著的负向偏离？永续合约的资金费率和基差在事件窗口期内的动态变化，是否能提供关于信息如何被杠杆交易者消化的额外线索？这种双轨对照的设计，使得我们能够更精确地定位信息优势的来源，并评估不同市场微观结构在信息处理中的效率差异。本节后续的分析将大量借鉴并建立在这些方法论创新之上。

### 15.3.2 信息处理成本的分层

事件研究法为度量信息反应速度提供了标准化工具，而数字资产市场中多样化的信息类型则为这一度量提供了三个特征各异的检验对象。市场的半强式效率并非一个单一的数值，而是一个取决于信息本身特征的光谱。其核心的决定因素，正是将原始的公开数据转化为可交易信号所需的信息处理成本。成本越低，信息越标准化，市场反应越快，效率越高；反之，成本越高，信息越复杂，市场反应越慢，效率的鸿沟也越深。本节将沿着这一光谱，依次考察市场对宏观经济信息、监管法律信息和加密原生信息这三类典型事件的反应速度，揭示信息处理成本是如何系统性地塑造了市场的效率分层。

第一类是标准化宏观经济信息。这类信息，如美联储的利率决议、消费者价格指数的发布，具有高度的标准化、周期性和可预测性。事件发生的具体时间点被全球市场参与者提前知晓，信息的发布形式通常是明确的数值或二元决策，其对资产价格的潜在影响方向也已形成广泛共识。因此，这类信息处理成本极低，主要竞争在于获取信息和执行交易的速度。LMAX Group 与 Macro Hive 合作发布的一系列报告，利用毫秒级的交易数据，为我们提供了观察这一“速度竞赛”的理想窗口 [29]。据该行业报告，在美联储议息等重大宏观事件发生时，比特币市场的反应速度已可与全球流动性最强的欧元/美元外汇市场相提并论。平均而言，事件后最初2秒钟即消化了未来10分钟价格变动的约12%（BTC/USD 口径，跨多个宏观事件平均）。这一发现具有重要参考价值：它表明对于标准化的、易于解读的宏观信号，加密市场的价格发现机制已经达到了与最成熟的传统金融市场相媲美的效率水平。这得益于成熟的高频交易基础设施和算法交易策略的深度参与，它们能够以最快的速度解析新闻源并自动执行交易，将信息处理成本压缩至最低。在这一过程中，永续合约市场往往表现出比现货市场更强烈的反应。例如，在 ETF 获批事件中，永续合约的基差在消息发布后迅速发生变动，反映出杠杆资金对这一标准化信息的快速定价。不过，反应速度的可比性并不意味着定价质量同样可比。本章引言中描述的 ETF 获批后“买预期，卖事实”行情（价格在正式批准后不升反跌）暗示市场的初始方向判断可能存在系统性偏差，快速但不准确的定价本身构成了一种特殊形态的效率缺陷。2024年1月9日 SEC 社交媒体账号被黑客入侵后发布虚假批准消息所引发的日内剧烈波动，则进一步暴露了加密市场参与者在信息验证方面的脆弱性，即市场对未经验证信息的即时反应能力与对信息真实性的辨别能力之间存在显著的不对称。

![图 15-6](./images/fig-15-6.png)

**图 15-6.** Bitcoin ETF 获批事件研究：BTC 价格走势与交易量

图 15-6 展示了2024年1月比特币现货 ETF 获批前后 BTC 的日度价格走势与交易量。两个特征值得注意：1月9日 SEC 社交媒体账号被黑客入侵后发布的虚假批准消息引发日内约1,500美元的剧烈波动，凸显市场对未经核实信息的极快反应；而1月11日 ETF 上市首日价格冲高至约49,000美元后迅速回落、次日跌破42,000美元，形成典型的“买预期，卖事实”行情，交易量则在窗口内放大至峰值约501亿美元。逐日开高低收价见表 15-3（Yahoo Finance BTC-USD 口径，已核验）；图中1月5日至8日、13日至14日的K线为示意性延展，并非表 15-3 的权威记录。

| 日期 (2024) | 事件 | 开盘价 (USD) | 最高价 (USD) | 最低价 (USD) | 收盘价 (USD) | 交易量 (Billion USD) |
| :--- | :--- | :--- | :--- | :--- | :--- | :--- |
| 1月9日 | SEC 账号被黑，发布虚假批准消息 | 46,988 | 47,894 | 45,245 | 46,140 | — |
| 1月10日 | SEC 正式批准现货 Bitcoin ETF | 46,122 | 47,647 | 44,483 | 46,628 | 50.1 |
| 1月11日 | ETF 开始交易 | 46,656 | 48,969 | 45,679 | 46,369 | 45.8 |
| 1月12日 | “卖事实”行情持续 | 46,355 | 46,498 | 41,904 | 42,853 | 43.3 |

**表 15-3.** Bitcoin ETF 获批前后关键日期价格快照（*数据来源：Yahoo Finance - BTC-USD*）

第二类是复杂的监管法律信息。与标准化的宏观数据不同，监管信息的处理成本显著更高。SEC 针对某个加密资产发起诉讼，或国会提出一项新的监管法案，这类事件虽然也是公开信息，但其内涵远比一个 CPI 数字复杂。它涉及对法律条文的解读、对监管机构意图的揣测、以及对未来漫长法律博弈结果的概率评估。信息不再是简单的“利好”或“利空”，而是充满了不确定性和模糊性。Saggu, Ante, and Kopiec (2025) 对 SEC 将某些加密资产意外归类为证券的执法行动进行了事件研究，其结果清晰地展示了这种高处理成本所带来的滞后效应 [28]。他们发现，在 SEC 发布相关公告后，受影响资产的价格并未在几秒或几分钟内一步到位，而是开启了一个持续数周的缓慢下跌过程。平均而言，价格在事件发生后的前三天内下跌5.2%，在一个月后累计下跌幅度达到17.2%。这种缓慢的持续下跌过程，反映了市场作为一个整体，在消化和理解复杂法律信息时所付出的时间成本。交易者需要时间阅读公告原文、等待法律专家的分析、观察项目方的应对策略，并不断重新评估资产的长期风险。在这里，信息虽然已经公开，但其真正的含义和影响需要一个逐步达成共识的过程，这个过程本身就构成了价格发现的一部分。对于受影响代币的永续合约市场，如果存在的话，其资金费率和基差的反应往往领先于现货价格的缓慢下跌，反映出部分知情交易者通过做空永续合约来表达其对监管风险的悲观预期。

![图 15-7](./images/fig-15-7.png)

**图 15-7.** Bitcoin ETF 获批的事件研究：累积异常收益曲线

图 15-7 展示了围绕 ETF 获批事件的累积异常收益曲线。该曲线揭示了市场对这一标准化监管信息的反应轨迹：在事件前数日，CAR 已开始正向积累，反映了市场基于概率预期的提前定价；在正式获批当日达到峰值后，CAR 迅速反转并转为负值，表明“卖事实”行为导致了价格的过度回调。这一模式与传统金融市场中对重大政策事件的经典反应高度一致，表明加密市场在处理标准化二元信息时已具备与成熟市场可比的效率水平。

第三类是高技术门槛的加密原生信息。这是信息处理成本光谱的另一端，也是数字资产市场独有的效率挑战。这类信息的典型代表是 DeFi 协议遭受黑客攻击。从技术上讲，当黑客的第一笔恶意交易在区块链上被确认时，攻击的事实就已经成为“公开可得”的信息，记录在一个不可篡改的全球账本上。然而，这种“公开”是一种极具误导性的表象。原始的链上交易数据是用十六进制代码写成的，理解它需要深厚的智能合约知识、密码学背景和专业的链上数据分析工具。对于绝大多数市场参与者而言，这些数据对他们而言是难以直接解读的技术数据。将这些原始数据转化为“某协议被盗X金额”这样一条可交易的明确信号，需要极高的信息处理成本。正是这种成本，在信息的“链上公开”与“市场共识”之间创造了一个巨大的时间差和认知差。Azar, Olivas, and Sinha (2025) 的研究精准地捕捉到了这个时间差内的价格行为 [5]。他们发现，在黑客攻击的链上时间和信息被媒体广泛报道之间，存在一个平均长达数小时的“信息不对称窗口”。在这个窗口期内，只有少数具备高级链上分析能力的“信息交易者”（如专业的链上侦探、安全公司和顶尖量化基金）能够率先解读出攻击的发生，并开始抛售相关代币。研究量化出，高达36%的总价格跌幅是在这个窗口期内完成的，也就是在普通投资者甚至知道发生了什么之前，价格已经出现了显著下跌。这一发现是半强式效率在加密市场失灵的有力证据之一，它深刻地揭示了“信息公开不等于信息融入价格”的现实。信息处理成本在此扮演了“过滤器”的角色，它决定了谁能率先从公开但原始的数据中提取价值，从而在市场中获得结构性的信息优势。

在探讨了这三类信息的处理成本后，我们必须引入一个至关重要的维度：永续合约的信息放大效应。永续合约作为加密市场中最活跃的衍生品，其独特的制度设计系统性地加速了信息融入价格的过程。与现货市场相比，永续合约提供了高杠杆和做空的便利性。当市场出现新的信息，尤其是负面信息（如黑客攻击或监管打击）时，拥有信息优势的交易者无需借入实际资产，只需存入少量保证金，即可通过做空永续合约迅速表达其观点。这种机制极大地降低了信息交易的摩擦成本。

大量的学术证据支持了永续合约在价格发现中的领导地位。通过计算 Hasbrouck 信息份额等指标，研究表明，在多数时间内，永续合约市场在反映新信息方面领先于现货市场。当信息处理成本较高时，少数能够快速解析信息的交易者会优先选择永续合约市场进行操作，导致永续合约的价格、资金费率和基差率先发生变动。随后，套利者通过跨市场套利，将这些价格信号传递到现货市场。因此，永续合约不仅是一个交易工具，更是加密市场中最重要的信息放大器和传输带。

综合来看，这三类信息及其对应的市场反应速度，清晰地勾勒出了一个由信息处理成本决定的效率光谱。从对宏观信息的高度有效，到对监管信息的中度有效，再到对链上原生信息的显著无效，市场的半强式效率随着信息复杂性的增加而系统性地衰减。这不仅为我们理解加密市场的异象提供了统一的解释框架，也为识别潜在的交易机会和风险来源指明了方向。下一节，我们将进一步深入剖析 Azar, Olivas, and Sinha (2025) 的研究，更详细地解构信息处理成本的构成，并量化其对市场效率的具体影响。

### 15.3.3 信息处理成本的量化分析

在信息处理成本的光谱上，Azar, Olivas, and Sinha (2025) 在纽约联邦储备银行发布的报告《The Price of Processing》无疑是对技术门槛最高的一端，即加密原生事件，进行的迄今为止最精确的解剖 [5]。该研究的核心贡献在于，它巧妙地利用了去中心化金融协议中频繁发生的黑客攻击事件，将其作为一次次理想的“自然实验”，从而首次成功地量化了信息处理成本本身对市场效率造成的具体损失。这项研究为“信息公开不等于信息融入价格”这一核心论点提供了决定性的实证依据。

DeFi 黑客攻击之所以能成为一个条件理想的自然实验，源于其几个独特的属性。首先，攻击是外生的，即它们是由外部攻击者发起的、与市场其他活动不相关的突发事件，这有效避免了内生性问题。其次，攻击的发生时间可以被区块链账本精确地记录到秒级，为事件研究提供了无与伦比的精确时间戳。最后，攻击的结果（资金损失）直接且明确地对受害协议的代币价值构成负面冲击。利用这些特性，研究团队构建了一个包含数百次 DeFi 黑客攻击事件的详细数据集，并将每一次攻击都作为一次独立的事件研究案例。

该研究最核心的方法论创新，在于对“事件发生”这一概念的精细解构。研究者没有采用单一的事件时间点，而是定义了两个关键时刻：

> $t_0$ (链上时间): 攻击者的第一笔恶意交易被区块链网络确认并记录在区块上的时间。在这一刻，攻击的事实已经成为链上公开可验证的数据，信息在技术上是“公开可得”的。$t_{\text{common}}$ (共识时间): 主流信息渠道，如项目的官方社交媒体账户、知名的区块链安全公司（如 PeckShield）或主流加密媒体，首次公开披露该攻击事件的时间。在这一刻，信息从原始的链上数据被“翻译”成了人类可读的语言，成为市场参与者的“共同知识”。

通过区分这两个时间点，研究者得以将价格发现的过程划分为两个阶段：从$t_0$到$t_{\text{common}}$的“信息不对称窗口”，以及$t_{\text{common}}$之后的“信息扩散窗口”。前一个窗口的长度和在该窗口内发生的价格变动，直接反映了信息处理成本所造成的市场效率滞后。

研究的量化结果令人瞩目。首先，从$t_0$到$t_{\text{common}}$的平均时间差长达数小时，这本身就说明了将原始链上数据转化为共同知识所需付出的高昂时间成本。更重要的是价格上的反应：研究发现，在信息成为共同知识之前，受害协议的代币价格平均已经下跌了其总跌幅的36%。这意味着超过三分之一的价格冲击，是发生在普通投资者甚至不知道有攻击发生的情况下，由一小部分具备高级链上监控和分析能力的“信息交易者”率先完成的。这些信息交易者通过专门的工具实时监控链上异动，在普通人还在阅读新闻的时候，他们早已完成了分析、决策和交易的全过程。

这一发现可以用一个“信息融入价格的漏斗模型”来进行概念化，如 图 15-8 所示。

![图 15-8](./images/fig-15-8.png)

**图 15-8.** 信息融入价格的漏斗模型

在漏斗顶端是原始、海量且充满噪音的链上数据，信息处理成本如同每一层筛网：第一层只放行极少数能直接解读原始交易的顶尖信息交易者，构成价格的第一波反应；当安全公司和媒体将事件“翻译”传播后，信息穿透第二层、触达更广泛的专业投资者，引发第二波更剧烈的下跌；最终经新闻与社交媒体渗透至整个市场。信息处理成本不仅造成时间延迟，更创造了利润的层级——越早穿透筛网，可获取的信息租金就越高。

对于在 CEX 同时挂牌的 DeFi 代币，永续合约因做空无需借币而更早反映攻击信息，其价格反应往往领先于现货（机制见§15.3.2、§15.4.4）。

因此，Azar, Olivas, and Sinha (2025) 的研究有力地表明，区块链的透明性是一种“原始的透明性”，它本身并不能保证市场的效率。恰恰相反，在缺乏相应解读工具和知识的情况下，这种透明性反而可能加剧信息不对称。在数字资产市场，真正的核心竞争优势不再是能否获取信息（因为信息在链上对所有人开放），而是处理和理解信息的速度与深度。这项研究的结论对于理解加密市场的微观结构、风险管理和监管政策都具有深远的影响，它告诉我们，任何对加密市场效率的评估，都必须将信息处理成本这一核心变量置于分析的中心。

![图 15-9](./images/fig-15-9.png)

**图 15-9.** DeFi 黑客攻击的价格反应时间线

图 15-9 以时间线展示了 DeFi 黑客攻击中价格反应的典型模式：在攻击链上发生（$t_0$）到信息成为共同知识（$t_{\text{common}}$）之间的“信息不对称窗口”内，约36%的价格调整已经完成，而大多数市场参与者此时尚不知情。这种阶梯式的价格发现模式与§15.3.2中提出的信息处理成本分层理论高度一致。

### 15.3.4 Bybit 攻击事件复盘

理论的价值最终体现在其对现实世界的解释力上。为了将前述关于信息处理成本和效率分层的抽象讨论具象化，本节将复盘2025年2月21日发生的 Bybit 交易所被盗事件。这起加密历史上规模最大的单一交易所被盗案，为我们提供了一个观察信息在真实危机中如何传播、被处理并最终影响价格的典型案例。它清晰地展示了从链上事实的诞生到市场共识的形成之间，存在着怎样的时差与认知梯度。

事件的起点可以追溯到 UTC 时间2025年2月21日下午2点13分（$t_0$）。此时，攻击者通过一次精心设计的多阶段攻击，成功突破了 Bybit 一个以太坊冷钱包的多重签名安全机制。攻击的第一步是针对多签授权者的社会工程攻击，诱导其在一个伪造的交易界面上签署了看似正常的交易请求；第二步则利用了 Safe 多签钱包采用的代理合约架构：攻击者通过获取的签名授权，将代理合约背后的实现合约替换为一个包含恶意转账逻辑的合约，从而绕过了多签机制的安全假设。这一案例表明，多签安全的薄弱环节往往不在密码学层面，而在于签名者的操作安全和智能合约架构的可升级性。在接下来的一个多小时里，攻击者在未被察觉的情况下将价值近15亿美元的数字资产转移至其控制的地址。在这一阶段，攻击的事实已经作为一系列交易被永久地记录在以太坊区块链上。对于具备高级链上监控能力的实体而言，这些异乎寻常的大额、非计划性转账已经构成了强烈的危险信号。这正是 Azar, Olivas, and Sinha (2025)所定义的“信息不对称窗口”的开启时刻。在这个窗口期内，少数顶尖的链上数据分析公司和可能监控着交易所钱包的量化基金，成为了第一批潜在的知情者。他们的行动（无论是出于避险目的抛售资产，还是进行更复杂的套利交易）构成了价格发现的第一推动力，尽管这种推动力在初期可能被市场的正常波动所掩盖。

信息的第一次扩散发生在 UTC 时间下午3点44分（$t_{\text{common}}$），即链上攻击开始后约91分钟。Bybit 的首席执行官 Ben Zhou 通过其个人社交媒体账户发布了一条简短的消息，首次向公众承认“正在调查一起潜在的安全事件”。这一刻，可以被视为信息成为“共同知识”的时刻。然而，这条信息本身是模糊和不完整的，它确认了问题的存在，但并未披露攻击的性质、规模和具体损失。因此，它开启了信息融入价格的第二阶段。市场从“一无所知”进入了“知道出事了，但不知道有多严重”的阶段。恐慌情绪开始蔓延，但由于缺乏具体信息，价格的反应仍然是有限的和试探性的。交易者面临着典型的奈特式不确定性，他们不知道风险的具体概率分布，只能依据过往经验和市场情绪进行交易。在这一91分钟的窗口期内，现货与永续合约的价格变动占比显著，初步印证了信息不对称窗口内的价格发现效应。

随着时间的推移，更多信息被逐步释放，信息处理的漏斗被进一步穿透。在 CEO 首次发声后的几个小时里，通过链上分析师的追踪、媒体的跟进报道以及 Bybit 官方的零星更新，被盗金额的估算规模（最初估计为数亿美元，最终确认为近15亿）和攻击的技术细节逐渐清晰。每当一条更具体、更确切的信息被披露时，都引发了市场价格的新一轮下跌。价格的变动不再是单一事件的瞬时反应，而是一个由信息流驱动的、持续数日的动态调整过程。比特币价格在事件后的四天内，从攻击前的9万多美元水平跌破了9万美元关口。这一过程完美地诠释了市场的半强式效率在面对复杂、动态事件时的真实表现：价格并非一步到位地反映所有信息，而是随着信息处理成本的逐步降低和共识的逐步凝聚，以一种迭代、递进的方式向新的均衡点收敛。

在 Bybit 事件中，永续合约市场的反应尤为引人注目，为我们提供了一个独特的分析维度。在链上攻击确认（$t_0$）到 CEO 公开声明（$t_{\text{common}}$）的91分钟内，尽管现货市场反应相对迟缓，但永续合约市场已经开始出现异动。首先，BTC 和 ETH 永续合约的资金费率在事件爆发初期迅速由正转负，表明空头力量在迅速积聚，杠杆交易者在预期到潜在的负面冲击后，愿意支付更高的成本来维持空头头寸。其次，永续合约与现货之间的基差出现了显著的负向偏离，永续合约价格的下跌速度明显快于现货价格，这进一步证实了永续合约在消化负面信息时的领导地位。此外，各主要交易所的未平仓量在事件确认后出现了剧烈波动，部分多头头寸因价格的快速下跌而被迫清算，这种清算级联效应进一步放大了价格的下行压力。这些永续合约维度的指标不仅印证了信息交易者对杠杆工具的偏好，也展示了永续合约市场在极端事件下如何通过其独特的微观结构加速信息的定价过程。需要指出的是，上述对永续合约市场异动的描述主要基于定性观察，受限于事件发生时高频数据的可得性，本章未能提供资金费率变动和基差偏离的精确基点数及其相对于同期正常波动范围的统计显著性检验。未来研究在获取更完整的高频数据后，可以对这些异动进行更严格的量化分析。

图 15-10 以时间线对比了 Bybit 攻击事件中关键信息节点与价格反应的关系，展示了从链上事实诞生到价格充分反映之间的显著延迟。

![图 15-10](./images/fig-15-10.png)

**图 15-10.** Bybit 黑客攻击事件的价格反应

图 15-10 以标注关键节点的时间线，展示了2025年2月21日 Bybit 被盗事件中比特币与以太坊的价格反应。从链上攻击（UTC 14:13）到 CEO 首次公开声明（UTC 15:44）的91分钟内价格已初步下行，而在被盗规模逐步确认为近15亿美元的随后数日，比特币跌破9万美元关口；永续合约的资金费率与基差在整个窗口持续恶化，佐证了衍生品市场消化负面信息的领先地位。图中事件节点（约15亿美元被盗规模、链上异常 t0 与 CEO 首次公开声明相隔约91分钟）已核验；以太坊逐分钟曲线为示意性走势（数据来源 Kaiko Research，未逐点独立核验），仅用于呈现价格反应的方向与时序。

Bybit 的案例最终告诉我们，在数字资产市场，半强式效率远非一个简单的“是”或“否”的问题。它是一个关于“谁、在何时、以何种成本、知道何种程度的信息”的复杂博弈。链上的透明性为所有人提供了原始素材，但将原始数据转化为可交易信号的能力，仅为少数具备专业工具和知识的参与者所拥有。这种由信息处理成本所塑造的结构性信息优势，是理解加密市场价格行为和风险来源的关键所在。

> **效率谱定位卡片 · §15.3**
>
> | 维度 | 定位 | 量化代理指标 |
> |------|------|--------------|
> | 时间 | 事件窗口期内（分钟至数小时）存在显著的信息不对称和价格滞后 | $t_0$至$t_{\text{common}}$窗口期内的 CAR 占比（如 DeFi 黑客事件中的36%） |
> | 资产 | 涉及特定事件的代币（如被黑客攻击的协议代币）效率较低 | 目标资产相对于市场基准的异常收益 |
> | 信息类型 | 宏观信息效率高，监管信息中等，加密原生信息（链上数据）效率最低 | 不同信息类型对应的事件反应完成时间（秒级 vs. 周级 vs. 小时级） |
> | 市场状态 | 突发负面事件下，信息不对称加剧，市场效率显著下降 | 危机期间买卖价差扩大，流动性收缩指标 |
> | 市场层级 | 永续合约在反映新信息时领先于现货，发挥信息放大作用 | 永续合约基差的负向偏离幅度及资金费率变动速度 |
>
> **一句话结论**：数字资产市场的半强式效率高度依赖于信息处理成本，永续合约凭借杠杆优势在消化复杂加密原生信息时发挥了领先的定价作用。

## 15.4 制度性效率

在检验了数字资产市场对历史价格（弱式效率）和外部公开信息（半强式效率）的反应之后，我们的分析进入一个更深、更具加密原生特征的层次。此前的讨论主要围绕市场如何处理外生的、随机到达的信息，但在数字资产领域，特别是永续合约市场中，市场效率还受到其内在制度设计的深刻影响。永续合约作为加密衍生品市场的基石（据估计其交易量占全部加密期货交易量的93%以上 [22]），围绕资金费率、标记价格和预言机构建了一整套复杂的价格锚定与风险管理机制。这些制度设计在将永续合约价格锚定于现货价格的同时，也各自以不同方式创造了可预测的价格行为模式。具体而言，资金费率机制的均值回归特性创造了结构性的套利窗口，标记价平滑机制和预言机离散更新导致了信息反映的系统性滞后，而高杠杆与清算机制则在极端市场下引发非线性的价格超调。这些由制度规则主动塑造的、可预测的效率波动，构成了效率谱中“制度性效率”维度的核心内容。

本节将通过四个递进的层次剖析这些制度性效率障碍。我们将首先考察资金费率的信息含量及其作为弱式效率结构性缺口的本质；随后分析资金费率结算周期如何在微观结构层面引发效率的“U形”波动，并比较跨交易所结算频率差异的影响；接着探讨标记价格与预言机机制造成的信息反映滞后；最后，通过分析现货与永续合约之间的领先-滞后关系，揭示价格发现领导权的状态依赖性。

### 15.4.1 资金费率的均值回归

永续合约最核心的制度创新是资金费率机制。传统期货合约通过设定到期日和交割机制来确保期货价格最终收敛于现货价格，但永续合约没有到期日，因此需要一种替代性的价格锚定手段。资金费率正是为此而设计的：它通过在多头和空头持仓者之间定期交换费用，持续地将永续合约价格拉向现货指数价格。当永续合约价格高于现货指数价格时，资金费率为正，多头方需向空头方支付费用，这激励交易者卖出永续合约或买入现货，从而拉低基差；反之，当永续合约价格低于现货时，资金费率为负，空头方需向多头方支付费用，激励相反的套利行为。在主流交易所中，这一结算通常每8小时进行一次，以 Binance 为例，资金费率由两部分构成：一是反映基准借贷成本的利率成分，通常固定为每8小时0.01%；二是基于永续合约价格与标记价格之间偏差的时间加权平均计算的溢价成分。两者之和即为当期资金费率，但受到上限和下限的约束；该上限并非固定的百分比，而是按合约的维持保证金率设定（普通合约通常约为每8小时±2%，高杠杆合约则按维持保证金率的0.75倍动态设定）。不同交易所在公式细节上存在差异（OKX 和 Bybit 的实现与 Binance 略有不同），但核心逻辑一致：通过经济激励将永续合约价格锚定于现货指数 [21]。

这种设计使得资金费率扮演了双重角色。从微观层面看，它是持有多头或空头杠杆头寸的直接融资成本，直接影响交易者的盈亏计算和持仓决策。从宏观层面看，它是衡量市场整体情绪和杠杆需求的敏感指标。高企的正资金费率通常意味着市场普遍看涨，多头杠杆需求旺盛，交易者愿意为维持多头头寸支付溢价；而持续为负的资金费率则反映了市场的悲观情绪或强大的套期保值需求。He, Manela, Ross 和 von Wachter（2024）的研究为理解资金费率的信息含量提供了重要的实证基础 [21]。他们发现，永续合约与现货之间的价格偏离在很大程度上可由过去的回报动量来解释：过去回报的动量因子能够解释超过50%的期货-现货价差变异。这意味着资金费率并非一个随机变量，而是一个编码了市场对近期价格趋势的反应和预期的信息载体。

正如我们在§15.2.3中讨论日历效应时所指出的，任何可预测的价格模式都构成了对弱式效率的挑战。资金费率的均值回归特性正是这样一个典型的“制度性的弱式效率缺口”。当资金费率偏离其长期均值过远时，经济激励机制会创造出强大的反向力量。以正向极端为例：当资金费率异常高企时，做空永续合约同时买入等量现货的“现货-永续套利”策略变得极具吸引力。执行这一策略的交易者不仅可以赚取未来基差收敛的利润，还能在持仓期间稳定地收取高昂的资金费用。这种低风险的套利机会吸引大量资本进入，增加空头头寸的供给，从而打压资金费率，使其回归均值。He 等人（2024）量化的这种套利规模（平均绝对偏差、散户与做市商可实现的夏普比率及其逐年衰减）已在§15.2.3给出详细数据 [21]，此处不再重复。

必须强调的是，这一弱式效率缺口并非源于市场参与者的非理性行为或认知偏差，而是资金费率制度设计的必然结果。为了实现价格锚定的核心目标，系统必须提供足够高的经济补偿来吸引套利者，而这种补偿本身就表现为价格的可预测性。然而，这些看似丰厚的套利利润并非无风险的“免费午餐”：如§15.2.3所述，Zhivkov（2026）发现高比例经济上显著的套利价差最终因保证金要求和被迫平仓而无法完整执行 [22]。这揭示了资金费率均值回归过程中的一个重要摩擦——套利力量虽然存在且强大，但受到资本约束、保证金制度和流动性风险的制约，其纠偏速度远慢于理论预期。

图 15-11 通过四个面板展示了资金费率的这些关键统计特性。

![图 15-11](./images/fig-15-11.png)

**图 15-11.** 资金费率的信息含量与均值回归特性

图15-11的四个面板共同刻画了资金费率的关键统计特征：自相关显著为正且缓慢衰减，表明短期持续性；当期费率对下期变动的回归斜率显著为负，印证均值回归；概率分布相比正态呈负偏与超额峰度，揭示极端负费率事件（市场恐慌）超出正态预测的厚尾。在 Ornstein-Uhlenbeck 过程框架下，该负斜率可直接估计半衰期——BTC 永续合约资金费率偏离均值后通常在一至两个结算周期内回归约一半的偏差。这一半衰期并非恒定：极端牛市中多头拥挤会延缓正费率回归，恐慌性抛售中负费率的持续也可能超出历史均值，这种不对称性对套利策略的持仓周期和资金规划具有直接影响。

综合来看，资金费率的统计特性（短期持续性、长期均值回归和厚尾分布）使其成为一个可预测的经济变量。这种可预测性直接违背了弱式市场效率的基本假设，构成了永续合约市场一个内在的、由制度设计所创造的效率缺口。然而，这个缺口并非“免费的利润”，而是被套利摩擦、资本约束和执行风险所保护的。效率的缺失与套利的不完美之间的张力，正是理解永续合约市场制度性效率的关键。

### 15.4.2 结算周期的效率波动

资金费率的均值回归特性描述的是跨越多个结算周期的宏观动态，而在每一个结算周期的内部，市场微观结构同样呈现出由制度安排驱动的、更为精细的效率波动模式。Ruan 和 Streltsov（2022）在一项基于2017年至2023年高频订单簿数据的研究中，发现了一个引人注目的现象：在每个8小时的资金费率结算周期内，现货市场的微观结构质量指标会呈现出显著的“U形”模式 [30]。这一发现揭示了一种以小时为单位的效率周期，我们称之为预结算效应。

理解这种U形模式的产生机制，需要从交易者围绕资金费率结算的策略性行为出发。在结算时刻，交易所会根据当时的资金费率对所有未平仓的多空头寸进行现金流交换。如果预期资金费率较高（例如0.1%），那么持有价值100万美元多头头寸的交易者将在结算时支付1000美元的费用。为了规避这笔成本，部分多头持仓者会选择在结算前平仓，并在结算后立即重新建仓。与此同时，套利者可能会在结算前建立空头头寸以收取资金费用，并在结算后平仓。这些策略性行为在结算时刻前后集中爆发，导致了订单流的急剧变化和知情交易比例的暂时性上升。

做市商对这种可预见的行为模式做出了理性的应对。面对结算前后知情交易比例的上升和逆向选择风险的加剧，做市商会策略性地扩大其买卖报价的价差，并降低报价深度，以保护自身免受信息劣势的损失。这种行为导致了一个清晰的周期性模式：在临近结算的时间窗口内，买卖价差扩大，价格冲击增大，市场流动性恶化，交易成本上升，市场效率相应下降。而在结算完成后，不确定性消除，策略性交易者离场，做市商恢复正常报价，市场流动性改善，效率回升。随着时间推移至下一个结算周期的中点，市场处于最平稳的状态，效率达到最高点。之后，随着下一个结算点的临近，整个循环再次上演。

图 15-12 展示了一个典型8小时结算周期内四项关键市场微观结构指标的效率波动模式。

![图 15-12](./images/fig-15-12.png)

**图 15-12.** 资金费率结算周期内的市场效率波动（U形模式）

如图所示，买卖价差、价格冲击系数与收益率波动率均在结算点（0和8小时）附近达到峰值、在周期中点（约4小时处）跌至谷底，呈清晰的U形；而交易量则呈互补的倒U形，在市场最平稳、交易成本最低的周期中段最为活跃。Ruan 和 Streltsov（2022）的量化分析显示，资金费率绝对值越高的周期，结算前后买卖价差与价格冲击的增幅越显著 [30]，表明预结算效应并非仅存于统计意义，而是具有切实的经济成本，实质性影响高频交易者的执行质量与策略设计。

Ruan 和 Streltsov（2022）的研究还揭示了一个重要的调节因素：资金费率的绝对值越大，这种U形模式就越显著 [30]。这一发现具有直觉上的合理性：更大的资金费率意味着更强的平仓或套利动机，从而导致更剧烈的结算前后交易活动和更大的微观结构扰动。该研究还利用了 Huobi 交易所终止永续合约交易这一自然实验，以及95个错开的合约上线事件作为识别策略，进一步证实了永续合约对现货市场质量的因果影响：永续合约的引入增加了现货交易量，但同时也扩大了报价价差，反映了知情交易的增加和做市商对逆向选择风险的补偿 [30]。

值得注意的是，这种微观结构层面的效率波动幅度，高度依赖于交易所设定的结算频率。如第10章在讨论加密衍生品市场演进时所述，主流中心化交易所（如 Binance、OKX）长期以来以8小时一次的离散结算作为最常见的默认设置，尽管近年来部分交易所已开始对特定合约引入更灵活的结算周期选项。这种较长的结算周期意味着单次结算累积的资金费用相对较高，从而为交易者提供了强烈的规避动机，导致了上述显著的U形波动。然而，随着市场竞争的加剧和技术的进步，许多新兴平台（如 dYdX、Hyperliquid 等 DEX）开始采用1小时甚至连续结算机制。

结算频率的提高从根本上改变了预结算效应的微观动力学。当结算周期从8小时缩短至1小时，单次结算的资金费用被大幅稀释，交易者为了规避微小的单次费用而进行频繁平仓和建仓的交易成本（手续费和滑点）将远远超过其节省的资金费用。因此，策略性平仓行为显著减少，做市商面临的逆向选择风险降低，买卖价差的周期性扩大现象也随之大幅减弱。这表明，通过制度参数的优化（如提高结算频率），市场平台能够有效地平滑这种由规则驱动的效率脉动，提升整体市场的微观结构质量。不过，上述关于高频结算平滑预结算效应的推论目前主要基于理论推演，尚缺乏对不同结算频率平台间微观结构指标的系统性实证比较，这构成了未来研究的一个重要方向。

### 15.4.3 标记价与预言机延迟

永续合约的第三个关键制度设计涉及其估值和清算机制。在中心化交易所和去中心化交易所中，这一机制采用了不同的实现方式，但都引入了特定形式的信息反映滞后。这构成了另一种制度性效率障碍，与第14章讨论的价格基准治理问题形成直接呼应。

在中心化交易所中，为了防止因单个交易所价格被恶意操纵或因闪崩而导致不必要的强制平仓，合约的估值和清算判断并不直接使用该交易所的最新成交价，而是采用一个经过计算的标记价格。以 Binance 为例，标记价格的计算公式为指数价格乘以一加资金费率基差的调整系数，其中资金费率基差通过上一结算周期的资金费率在当前结算周期内的线性衰减来估算。OKX 的实现则略有不同，其标记价格取“指数价格加基差的指数移动平均”与“当前最优买卖报价的中间价”两者的中值，以兼顾外部参考价格和本交易所的实时供需信息。尽管各交易所的具体公式存在差异，其共同的设计思想是通过多源数据聚合和基差调整，创造一个更稳健、更难被操纵的公允价值基准。值得澄清的是，指数移动平均平滑处理在多数交易所的实现中主要应用于资金费率中溢价成分的计算，而非直接应用于标记价格本身，这一区分对于理解标记价在极端行情下的响应速度至关重要。

然而，这种稳健性是以牺牲信息即时性为代价的。当市场价格发生剧烈、快速的跳跃时（例如在重大新闻发布或大额清算级联触发时），标记价格由于其内在的多源聚合和平滑机制，其变动会显著滞后于现货价格和最新成交价。这种滞后在正常市场条件下可能仅为数秒，但在极端波动时可能扩大到数十秒甚至更长。滞后的后果是双面的：一方面，它保护了交易者免受瞬时价格操纵导致的不当清算；另一方面，它也意味着在市场快速移动时，标记价格未能及时反映真实的市场状况，可能导致本应被清算的高风险头寸得以延续，或者使套利者无法及时利用真实的价格偏离。

在去中心化交易所的永续合约协议中，信息延迟的问题更为突出。由于链上协议无法直接访问链下的实时市场数据，它们依赖于预言机网络来获取外部价格信息。预言机网络（如 Chainlink、Pyth）通过聚合多个链下数据源的价格，并将更新后的价格提交到区块链上。这个过程引入了多层延迟。在物理层面，预言机节点从数据源获取价格、在节点间达成共识、将交易广播至区块链并等待其被打包确认，整个流程存在固有的网络和共识延迟。在经济层面，为了节约链上交易成本，预言机更新并非连续的，而是离散的，只在价格变动超过预设的偏差阈值（如0.5%）或时间间隔到达时才触发更新。这就导致在两次更新之间，链上协议使用的价格是“过时”的，与真实市场价格之间存在一个随时间累积的偏差。Zhivkov（2026）的研究量化了 CEX 与 DEX 之间的信息差距：中心化交易所在价格发现中的整合度比去中心化交易所高出61%，且所有统计显著的信息流都是从 CEX 流向 DEX，不存在反向因果关系 [22]。

表 15-4 对比了 CEX 标记价机制与 DEX 预言机机制在信息反映方面的关键差异。

| 维度 | CEX 标记价 | DEX 预言机价格 |
| :--- | :--- | :--- |
| 数据来源 | 多个现货交易所的加权平均 | 预言机网络聚合的链下数据 |
| 更新频率 | 近实时（毫秒级） | 因架构差异显著分化：push-based 预言机（如 Chainlink）为分钟级，pull-based 预言机（如 Pyth）为亚秒级，自有订单簿（如 Hyperliquid）为近实时 |
| 平滑机制 | EMA 平滑、基差移动平均 | 中位数聚合、偏差阈值触发 |
| 典型延迟 | 正常<1秒，极端时数秒至数十秒 | 正常3-15秒，极端时可达分钟级 |
| 操纵抵抗力 | 高（多源聚合，但取决于成分交易所数量、权重集中度及异常值检测机制，详见第14章） | 中至高（取决于预言机设计、数据源数量及共识机制） |
| 信息完整性 | 高（接近实时市场状态） | 中（离散快照，可能遗漏快速变动） |
| 成本结构 | 交易所内部计算，无额外成本 | 链上交易成本限制更新频率 |

**表 15-4.** CEX 标记价与 DEX 预言机的信息反映机制对比（数据来源：作者整理）

图 15-13 直观地对比了这两种机制在一次剧烈价格跳跃事件中的信息反映差异。

![图 15-13](./images/fig-15-13.png)

**图 15-13.** 标记价平滑机制与预言机离散更新对信息反映速度的影响

图(a)显示，当现货价格在第10秒瞬时跳跃时，CEX 标记价因 EMA 平滑以平缓S形缓慢跟上，形成“标记价滞后”，而 DEX 预言机价格则以离散阶梯更新、每次更新间存在数秒“信息真空期”。图(b)从累积信息融入量化这一差距：达到90%融入，现货仅需约5秒，极端闪崩下 CEX 标记价约需60秒、DEX 预言机可能超过100秒（日常波动环境中 CEX 标记价的典型跟踪延迟通常在5至15秒量级）。从现货到预言机价格之间的时间差，正是市场制度本身造成的“效率差距”。

这种制度性延迟的实际影响远非理论上的抽象讨论。在市场剧烈波动时，标记价的滞后可能导致清算机制的失灵：本应被及时清算的高杠杆头寸因标记价尚未跟上而得以幸存，积累更大的亏损，最终在标记价追上时触发更大规模的级联清算。对于 DEX 而言，预言机延迟还创造了一种被称为“预言机可提取价值”的套利机会，即知情交易者可以利用链上预言机价格与真实市场价格之间的已知偏差，在 DEX 上执行有利可图的交易，这本质上是对流动性提供者的一种系统性价值提取。预言机可提取价值的规模并非微不足道，行业估算表明其在链上永续合约中每年可达数亿美元的量级，直接侵蚀流动性提供者的收益并扭曲做市激励。当前多个协议正在开发拍卖机制来回收这部分价值，例如通过将预言机更新权的优先排序交由竞争性拍卖来决定，使得提取的价值可以部分回流至协议或流动性提供者。此外，与传统金融中的前端交易不同，预言机可提取价值的来源在于链上价格信息的离散性和可预测性，这意味着只要预言机更新机制保持离散特征，这种结构性的价值提取就难以完全消除。除了更新延迟外，预言机网络还面临准确性风险，包括通过在低流动性交易所进行闪电贷攻击以操纵预言机输入价格、预言机节点因使用相同基础设施而面临共同故障风险、以及区块链拥堵导致更新交易无法及时上链等。这些风险可能导致链上协议基于错误的价格信号执行清算或结算，其对市场效率的损害远比单纯的延迟更为严重。这些现象共同说明，永续合约的价格基准设计在追求稳健性和抗操纵性的同时，不可避免地引入了信息效率的损失。如何在这两个目标之间取得最优平衡，正是第14章所讨论的价格基准治理的核心议题。

### 15.4.4 价格发现领导权

在剖析了永续合约内部的制度性效率障碍后，一个自然延伸的问题是：这个庞大且活跃的衍生品市场，在整个加密生态的价格发现中究竟扮演了什么角色？它仅仅是现货市场的被动追随者，还是已经成为引领价格变动的主要力量？对这一领先-滞后关系的分析，是评估永续合约市场信息效率的最终环节。

在金融计量经济学中，量化不同市场在价格发现中的贡献度有一套成熟的方法论体系。Hasbrouck（1995）提出的信息份额模型是其中应用最广泛的工具之一 [31]。该模型基于向量误差修正模型，其核心逻辑是：如果两个市场交易同一标的资产（或经济等价物），它们的价格在长期内应当趋于一致（即存在协整关系），但在短期内可能出现偏离。信息份额衡量的是每个市场对这一共同有效价格的永久性变动的贡献比例。如果一个市场的信息份额为70%，意味着该市场贡献了有效价格永久性变动方差的70%，即它在价格发现中扮演了主导角色。与之互补的 Gonzalo-Granger 成分份额模型则从误差修正的角度衡量各市场对长期均衡价格的贡献。需要注意的是，Hasbrouck 信息份额对向量自回归模型中变量排序具有一定敏感性，通常报告的是上界和下界的平均值。在加密市场中，由于永续合约和现货之间的价格更新频率往往不对称，且不同研究采用的数据频率（从逐笔到分钟级不等）也会影响估计结果，因此不同文献报告的信息份额数值不宜进行简单的横向比较。

大量的学术研究已将这些方法应用于加密市场的现货-期货价格发现分析，并且得出了较为一致的结论：期货市场，特别是永续合约市场，在比特币和以太坊等主流资产的价格发现中占据主导地位。Kapar 和 Olmo（2019）的早期研究使用 Hasbrouck 信息份额方法，发现比特币期货市场的信息份额高达88.7%，而现货市场仅为11.3% [32]。Alexander, Choi, Park 和 Sohn（2020）对 BitMEX 永续合约的专门研究证实，BitMEX 的衍生品价格变动领先于主流现货交易所，且存在从衍生品到现货的正向净溢出效应 [33]。Robertson 和 Zhang（2025）的最新研究进一步确认了期货市场在比特币价格形成中的领导角色，并指出交易规模是决定价格发现贡献的关键因素 [34]。

永续合约在价格发现中的主导地位并非偶然，而是由其制度特征所决定的。与现货市场相比，永续合约市场提供了更低的交易成本（无需实际交割标的资产）、更高的杠杆倍数（通常可达20倍至125倍）和更便捷的做空机制（无需借入资产）。这些特征使得拥有信息的交易者能够以更低的资本成本、更快的速度将其观点注入市场。一个希望基于某条新闻做多比特币的交易者，在永续合约市场只需存入少量保证金即可建立大额头寸，而在现货市场则需要调动全额资金。这种杠杆效应使得永续合约成为信息交易者的首选场所，从而使其在价格发现中占据先机。

然而，这种领先地位并非一成不变，而是表现出强烈的状态依赖性：如适应性市场假说所述，市场的效率结构会随参与者、技术与外部环境的演化而动态变化。图 15-14 据多项研究，描绘了2019年至2025年永续合约与现货市场在价格发现中信息份额的演化路径。

![图 15-14](./images/fig-15-14.png)

**图 15-14.** 现货与永续合约的价格发现贡献：Hasbrouck 信息份额演化

图 15-14 综合多项研究（Kapar 和 Olmo (2019) [32]、Alexander 等人 (2020) [33]、Robertson 和 Zhang (2025) [34]）描绘了2019年至2025年永续合约与现货市场 Hasbrouck 信息份额的演化路径（移动平均线为示意性趋势，反映文献报告的方向而非单一连续数据源的精确计算）。永续合约的信息份额在多数时间处于50%均等线之上，并随时间从早期的约三分之一逐步上升至成熟期的多数份额（具体数值因交易场所、估计方法与样本时期而差异显著，文献结论并不一致），反映其流动性深化与机构参与的增加；但在重大市场冲击中，这一主导地位会发生短暂而显著的逆转。

在极端压力状态下，永续合约的制度优势往往会迅速转化为制度风险。正如第11章在讨论清算机制时所详细剖析的，当市场遭遇黑天鹅事件引发剧烈下跌时，永续合约的高杠杆特性会触发大规模的强制平仓。这种强制平仓本质上是不计成本的市价卖单，它会进一步压低价格，触发更多清算，形成破坏性的清算级联。在这种极端环境下，永续合约市场的流动性可能瞬间枯竭，交易对手方风险急剧上升，原本领先的价格发现机制几近瘫痪。此时，交易者更倾向于回归最基础的、不存在清算风险和杠杆崩塌风险的现货市场进行交易。因此，在危机期间，现货市场往往会暂时性地夺回价格发现的领导权。

在2020年3月的新冠崩盘中，永续合约的信息份额出现了急剧下降。这一时期极端的市场恐慌导致了大规模的级联清算，现货市场短暂主导了价格发现。类似的模式在2022年11月的 FTX 崩溃事件中再次上演。作为当时最大的永续合约交易平台之一，FTX 的崩溃直接削弱了永续合约市场的整体可信度和流动性。De Blasis 和 Webb（2022）的研究也观察到，在市场错位期间，不同类型的期货合约之间会出现显著的溢出效应和套利机会 [35]。2024年1月比特币现货 ETF 的获批则代表了另一种类型的冲击：这一事件直接利好现货市场，大量资金通过 ETF 渠道涌入现货市场，暂时性地提升了现货交易的信息贡献。

综合来看，永续合约市场在数字资产的价格发现中扮演了核心但非绝对的角色。尽管其内部存在由资金费率结算周期、标记价平滑和预言机延迟等制度设计所引发的、可预测的效率障碍，但其高效的交易机制和巨大的流动性，使其在绝大多数市场条件下成为信息融入价格的主要场所。这揭示了市场效率的一个深刻悖论：一个在微观层面存在多种制度性“非效率”的市场，却在宏观层面成为整个生态系统的主要价格发现引擎。对这种多层次、看似矛盾的效率结构的理解，是把握数字资产市场运行逻辑的关键，也为下一节对 FTX 崩溃事件的深度分析奠定了必要的分析基础，在那场危机中，永续合约市场的制度性效率经历了极端的压力测试。

> **效率谱定位卡片 · §15.4**
>
> | 维度 | 定位 | 量化代理指标 |
> |------|------|--------------|
> | 时间 | 资金费率结算前后存在可预测的微观结构波动 | 买卖价差和波动率的U形周期 |
> | 资产 | 主流资产（BTC/ETH）永续合约主导价格发现 | 永续合约的信息份额（通常70-80%） |
> | 信息类型 | 制度性信号（如资金费率极端值）具有弱式可预测性 | 资金费率自相关系数、套利夏普比率 |
> | 市场状态 | 极端压力下永续合约效率急剧下降，现货夺回主导权 | 危机期永续合约信息份额的急剧下降 |
> | 市场层级 | 正常状态下永续合约领先现货，但受制于标记价延迟 | 预言机/标记价与现货价格的反映时间差 |
>
> **一句话结论**：永续合约的制度设计（资金费率、标记价、清算机制）创造了可预测的弱式效率缺口，尽管其在常态下主导价格发现，但在极端市场状态下其制度优势会迅速翻转为流动性风险。

## 15.5 FTX 崩盘案例研究

前述章节为评估数字资产市场的信息效率提供了理论工具和实证检验，而2022年11月发生的 FTX 交易所崩溃事件，则为这些工具和理论提供了一次条件理想的终极压力测试。FTX 的迅速崩溃，不仅是加密货币历史上最重大的破产事件之一（其创始人 Sam Bankman-Fried 最终因欺诈罪被判处25年监禁），更是一次对市场效率多维性、复杂性和状态依赖性的全面检验。它清晰地揭示了市场在处理不同类型信息时截然不同的效率表现：在处理简单、可观测的链上信息时，市场展现出极高的半强式效率；在面对复杂、隐蔽的结构性欺诈时，市场又表现出长期的、显著的低效率；而在危机传导过程中，市场则体现出一种破坏性的“过度效率”，即非理性的传染效应。

本节将深入剖析这一事件，通过重建关键时间线，并从效率谱的三个核心维度（链上信息的高效率、复杂信息的低效率和传染效应的过度效率）进行系统性分析。前文已建立了效率谱的五维分析矩阵，并分别对弱式效率、半强式效率和永续合约的制度性效率进行了实证检验。FTX 事件恰好横跨了这些维度的多个象限，为我们提供了一个将所有分析工具综合运用的理想机会。正如适应性市场假说所预测的那样，市场效率在极端压力下会出现非线性的急剧崩溃，而 FTX 事件正是这一预测最具代表性的验证。通过对这一案例的深度解剖，我们将最终证明，信息效率并非一个非黑即白的二元状态，而是一个依赖于信息类型、市场状态、资产特征和时间尺度的连续谱。值得强调的是，FTX 事件发生在2022年加密市场已经经历了 Terra/LUNA 崩溃和三箭资本破产等一系列重大冲击之后，市场本应从此前的经验教训中吸取教训，对类似的结构性风险保持更高的警惕。然而，FTX 的崩溃表明，市场的学习和适应过程远比理论预期的更为缓慢和不均匀，这一观察本身就是对 AMH 中“适应性”概念的一次重要检验。

### 15.5.1 事件时间线重建

FTX 的崩溃并非瞬间发生，而是信息逐步发酵、市场情绪急剧转变、最终流动性枯竭与信任崩盘的连续过程。理解这一时间线对分析市场效率至关重要，因为它揭示了不同类型的信息在各阶段如何被市场消化（或忽视）。我们将这一过程划分为四个关键阶段：潜伏期、信息扩散期、急速崩溃期和破产后阶段。图 15-15 以 FTT 的价格与交易量变化，直观呈现了这一过程中市场反应的节奏与烈度。

![图 15-15](./images/fig-15-15.png)

**图 15-15.** FTX 崩盘事件时间线与 FTT 价格

图 15-15 展示了2022年11月1日至14日 FTT 的每日价格（上方面板）与交易量（下方面板），以垂直虚线标注引发剧烈反应的四个关键事件，并用背景着色划分危机的四个阶段：危机前（绿）、信息扩散期（黄）、急速崩溃期（红）、破产后（灰）。价格面板的箭头标示了 FTT 在11月8日单日超过80%的跌幅，交易量面板则显示危机最激烈时交易活动的异常放大。

第一阶段，即危机前的潜伏期（11月2日之前），市场表面保持平稳。FTT 的价格稳定在25美元左右，日均交易量处于正常水平，隐含波动率也未显示出异常。然而，在表面数据背后，FTX 与其关联交易公司 Alameda Research 之间早已存在的、以 FTT 为核心的循环杠杆和资产负债表问题，为后续的崩溃埋下了伏笔。这一阶段的市场表现，从效率谱的角度看，恰恰是复杂信息低效率的典型体现：结构性风险已经客观存在，链上数据中也不乏潜在警示信号，但市场未能将这些分散的信号整合为一个连贯的风险判断。从强式效率的视角看，FTX 和 Alameda 的内部人无疑掌握着关于资产负债表真实状况的私有信息，而这些信息在长达数年的时间里未被外部市场定价，构成了强式效率失灵的极端案例。正如 Vidal-Tomás等人（2023）的研究所概括的，FTX 和 Alameda 利用其控制的巨量 FTT 代币作为杠杆工具，创造了一个看似庞大但极其脆弱的金融集团，而这一脆弱性在崩溃前几乎未被市场定价 [36]。值得注意的是，这种长期的集体失察并非因为信息完全不可得（区块链的公开性确保了资金流动的可追溯性），而是因为将这些原始数据转化为风险判断所需的认知成本和分析能力远超大多数市场参与者的能力边界。

在这一潜伏期内，如果我们引入永续合约的视角，会发现衍生品市场同样未能提前定价这种结构性风险。FTT 永续合约的资金费率在11月2日之前基本保持在零轴附近的正常波动区间，并未出现系统性的做空倾斜；永续合约与现货的基差也维持在合理的套利区间内，未平仓量保持稳定。这表明，即使是通常被认为更具信息优势、更擅长价格发现的永续合约市场参与者，也未能穿透 FTT 的“市值幻觉”。

第二阶段，信息扩散期（11月2日-11月6日），始于一篇关键的媒体报道。2022年11月2日，加密媒体 CoinDesk 发布了一份调查报告，披露了 Alameda Research 的资产负债表细节，指出其146亿美元的资产中，约58亿美元为 FTT 代币（其中未锁定 FTT 约36.6亿美元、FTT 抵押品约21.6亿美元）[37]。这一报道首次将两家公司之间模糊的界限和对自身发行代币的过度依赖暴露在公众视野之下。从信息效率的角度看，CoinDesk 的报告扮演了一个关键的角色，它充当了信息中介，将高处理成本的链上原始数据和财务文件转化为一个简单、易于传播的叙事信号。这正是前文关于半强式效率检验中所讨论的信息处理成本理论的直接体现。信息的“公开可得”与信息被市场“广泛理解”之间存在一道由处理成本构成的鸿沟，而媒体报道正是跨越这道鸿沟的桥梁。

市场对 CoinDesk 报道的初始反应相对温和，FTT 价格仅小幅下跌约3%至24美元附近。这种迟缓的反应本身就值得深思：它表明，即使在信息被媒体加工和传播之后，市场仍需要时间来消化其含义，并评估其对 FTX 偿付能力的实际影响。在信息扩散期的这几天里，社交媒体上的讨论逐渐升温，加密社区中的意见领袖和分析师开始对 Alameda 的资产负债表进行更深入的解读。然而，市场的整体反应仍然是渐进式的，而非爆发式的，这与前文关于半强式效率检验中观察到的市场对复杂加密原生信息的反应模式一致：信息需要经过多轮传播和解读，才能逐步形成市场共识。

关键转折点出现在11月6日。全球最大的加密货币交易所 Binance 的首席执行官赵长鹏在社交媒体平台上公开宣布，出于风险管理的考虑，Binance 将清算其账面上所有剩余的 FTT 代币（约2,300万枚，按当时价格约5.3亿美元）[38]。这一来自市场核心参与者的公开表态，其信息含量远超任何媒体报道，因为它不仅确认了风险的存在，更直接预示了一笔巨额的卖压即将到来。赵长鹏的声明将一个关于资产负债表结构的抽象讨论，转化为一个关于即时市场供需的具体威胁，极大地降低了信息处理成本，使得即使是最不专业的市场参与者也能理解其含义。从半强式效率的角度看，这一声明的效果类似于前文关于半强式效率中讨论的标准化二元信号（如监管批准/拒绝），其信息含量明确、解读成本低，因此市场反应迅速而剧烈。

伴随赵长鹏的声明，永续合约市场率先发出了明确的预警信号。11月6日晚间，各大交易所的 FTT 永续合约资金费率开始急剧转负，反映出空头力量的迅速集结；同时，永续合约价格开始显著低于现货价格，基差出现深度倒挂。在接下来的48小时内，随着恐慌情绪的蔓延，FTT 永续合约的未平仓量开始出现急剧下降，这标志着大量杠杆头寸正在被恐慌性平仓或强制清算。永续合约市场的这些同步甚至略微领先的剧烈反应，为我们理解这场危机提供了现货市场无法展现的微观结构视角。

第三阶段，急速崩溃期（11月6日-11月11日），市场效率进入了效率谱框架所定义的“衰变态”，即一种由负反馈循环驱动的非线性效率崩溃。赵长鹏的声明引发了 FTT 的抛售潮，其价格在11月7日开始显著下跌，从约23美元跌至约21美元。然而，真正的灾难发生在11月8日。当天，FTT 价格在24小时内从约22美元暴跌至不足5美元，跌幅超过80%，交易量飙升至平时的数十倍。这种价格崩溃的速度和幅度，远远超出了任何基于基本面分析的合理调整范围，它反映的是一种流动性驱动的负反馈螺旋：价格下跌导致以 FTT 为抵押品的贷款触发追加保证金要求，被迫清算进一步压低价格，而价格的进一步下跌又触发更多的清算，这一过程在缺乏外部流动性注入的情况下自我强化，直至价格趋近于零。这一机制与前文讨论的永续合约市场中的强制平仓级联效应有着相似的动力学特征，只不过在 FTT 的案例中，触发机制不是保证金不足，而是抵押品价值的崩溃。

与此同时，大量用户涌向 FTX 交易所提取资金，引发了经典的银行挤兑。据事后披露的破产文件，FTX 在11月6日至8日期间面临了约60亿美元的提款请求，远超其可用的流动资产 [39]。与传统银行挤兑不同，加密交易所的提款面临独特的运营瓶颈：区块链网络的拥堵和飙升的 Gas 费用延缓了提款的链上确认，而交易所的冷钱包-热钱包架构意味着大规模提款需要从冷存储中调取资产，这一过程存在固有的操作延迟。更为关键的是，提款延迟本身被市场参与者解读为偿付能力不足的信号，从而进一步加速了提款请求的涌入，形成了操作层面的正反馈循环。面对枯竭的流动性，FTX 于11月8日暂停了用户提款，这一决定虽然在技术上是为了保护剩余资产，但在信息层面上却释放了最为关键的负面信号，它向市场确认了 FTX 已经事实上资不抵债。在传统银行业中，暂停提款通常是银行倒闭的前兆；在加密交易所的语境下，这一信号同样具有同等严重的效果。值得注意的是，Binance 在当天曾宣布已签署一份不具约束力的意向书，计划收购 FTX 以解决其流动性危机。这一消息短暂地稳定了市场情绪，FTT 价格在消息传出后小幅反弹。但仅在一天之后（11月9日），Binance 便宣布放弃收购，理由是在初步尽职调查后发现 FTX 的问题“超出了我们的控制或帮助能力” [40]。这一收购可能性的消失，标志着 FTX 丧失了最后的外部救助途径，也标志着市场效率从“衰变态”进入了完全的信任崩塌。

第四阶段，即破产后阶段（11月11日之后），事态基本明朗。2022年11月11日，FTX、Alameda Research 及其约130家关联公司正式在美国申请第11章破产保护。新任首席执行官 John J. Ray III 在其宣誓声明中写道，这是他职业生涯中见过的“最严重的公司治理失败”，其混乱程度甚至超过了他曾处理的安然破产案 [39]。FTT 代币的价格也随即跌至1-2美元的区间并在此后长期徘徊，其市值（按流通供应量计）从崩溃前的约30亿美元缩水逾90%至约2亿美元。这场加密历史上规模空前的崩溃，从关键信息公开到最终破产，仅仅用了不到10天的时间，这一速度本身就是数字资产市场在危机状态下信息传导之快的有力证明，同时也揭示了在缺乏传统金融体系中的安全网（如中央银行的最后贷款人功能和存款保险制度）的情况下，加密市场的脆弱性极为严重。

从效率谱的时间维度回顾这一完整的时间线，一个引人深思的模式浮现出来：市场对 FTX 风险的反应呈现出一种极端的非线性特征。在长达数年的潜伏期中，尽管链上数据持续发出警告信号，市场的反应几乎为零；在短短几天的信息扩散期中，市场的反应从温和逐步升温；而在最终的崩溃期中，市场的反应则是爆发式的、不可逆的。这种从“零反应”到“过度反应”的急剧跃迁，呈现出典型的非线性转变特征：系统在长期积累的压力下维持表面稳定，一旦突破临界阈值便发生急剧状态转换。在金融市场中，这种非线性转变的触发因素往往不是信息本身的变化，而是信息从“私人知识”转化为“共同知识”的那个临界时刻。赵长鹏的推文正是扮演了这个触发共识转变的角色。

### 15.5.2 链上信息的高效率

从信息效率的视角复盘 FTX 事件，首先浮现的是一个看似矛盾但实则深刻的结论：市场在处理简单、可直接观测的链上信息时，表现出了极高的半强式效率。这里的“高效率”需要精确界定，它并不意味着市场在第一时间就对所有链上信号做出了反应，而是指一旦关于 Alameda 和 FTX 之间资金流动的链上证据被专业的信息中介转化为易于理解的信号，市场便能迅速且剧烈地将其计入价格。这一区分至关重要，因为它精确地对应了前文所建立的信息处理成本框架：效率的瓶颈不在于信息的可得性，而在于信息的可理解性。

区块链的透明性意味着 Alameda Research 的资金动向在很大程度上是一个“公开的秘密”。专业的链上分析师和数据平台，如 Nansen 和 Arkham Intelligence，能够通过标记和追踪已知的 Alameda 和 FTX 钱包地址，实时监控它们之间的资金流动。事实上，早在 CoinDesk 的报告发布之前数月甚至数年，链上数据就已清晰地揭示了几个关键事实。Nansen 的事后分析报告详细记录了这些链上痕迹 [41]。在 FTT 总计约3.28亿枚的代币供应中，FTX 和 Alameda 自身控制的比例高达约80%，这意味着其真实的外部流通量极低。更为关键的是，在2022年中的 Terra/LUNA 和三箭资本崩溃期间，链上数据显示了 Alameda 与 FTX 之间大规模的资金往来：Alameda 向 FTX 转移了价值约40亿美元的 FTT 代币，而 FTX 则向 Alameda 提供了以用户资产为来源的贷款。这些交易在区块链上是完全公开的，任何具备基本链上分析工具的观察者都可以追踪到。此外，在危机爆发前的数周内，链上数据还显示了 Alameda 钱包中异常的资金流出模式，包括向多个交易所转移大量稳定币和 ETH，这些行为后来被解读为 Alameda 试图在危机全面爆发前进行资产转移和风险对冲的尝试。

然而，这些链上信息虽然公开可得，但它们是原始的、未经加工的，并且混杂在以太坊和 Solana 等区块链上每天数百万笔交易的海量数据流中。正如前文关于半强式效率所讨论的，高昂的信息处理成本构成了市场参与者之间的结构性信息不对称。只有少数具备专业工具和深厚领域知识的“信息交易者”（包括链上分析公司的研究员、专业的量化基金以及深度参与加密生态的资深投资者）能够将这些原始数据转化为可交易的洞见。对于绝大多数市场参与者而言，解读这些链上数据需要理解以太坊的地址标签系统、代币转账的语义含义、智能合约交互的逻辑、以及 FTT 代币经济模型的细节，这些知识构成了一道极高的信息壁垒。因此，在11月2日 CoinDesk 的报告发布之前，尽管链上警报频发，但市场并未形成经济学意义上的共同知识，即所有参与者都知道、并且所有参与者都知道其他参与者也知道的信息状态。价格也因此未对这些分散的信号做出充分反应。

如§15.5.1所述，CoinDesk 报道与赵长鹏的清仓声明先后将高处理成本的链上信息转译为低成本的共同知识，这一过程本质上是信息处理成本的社会化分摊：媒体和分析师承担了从原始数据到可理解信号的转化成本，使普通投资者无需自行进行链上分析即可获得关键信息。而赵长鹏作为掌握巨量 FTT 头寸的市场巨头公开清仓，从博弈论的角度看，则将关于 FTX 风险的“私人信息”转化为“共同知识”——每一个参与者都知道其他人也看到了这条消息，并会据此采取行动。

从这个角度看，FTX 事件有力印证了 Azar 等人（2025）关于信息处理成本导致效率损失的发现 [5]。该研究通过分析 DeFi 协议遭受黑客攻击的案例，发现约36%的价格下跌发生在链上攻击记录和社交媒体广泛传播之间的时间窗口内，这意味着能够直接解读链上数据的“信息交易者”在信息成为共同知识之前便已率先行动。FTX 事件呈现了类似但更为极端的模式：链上异常信号存在了数月之久，但直到媒体报道将其转化为低成本信号后，市场才做出剧烈反应。一旦信息跨越了处理成本的障碍，市场的反应速度是极快的：从赵长鹏11月6日的推文到 FTT 价格崩溃80%，仅用了不到48小时。这表明，在信息对称性较高的维度上，加密市场确实能够高效地进行价格发现。问题不在于市场缺乏反应能力，而在于从原始数据到可交易信号之间的转化过程存在结构性的瓶颈。

这一发现对于理解加密市场的半强式效率具有重要的理论意义。传统的 EMH 框架假设信息一旦“公开”便会立即融入价格，但 FTX 事件表明，在加密市场中，“公开”存在多个层次：链上数据的“技术性公开”、媒体报道的“叙事性公开”、以及核心参与者公开表态所形成的“共识性公开”。市场效率的高低，在很大程度上取决于信息处于哪个“公开”层次。这一洞见不仅丰富了我们对半强式效率的理解，也为后文关于效率演化的讨论提供了重要的分析视角：随着链上分析工具的普及和 AI 技术的应用，信息处理成本正在持续下降，这是否意味着市场效率将随之提升？

### 15.5.3 FTT 的市值幻觉

然而，FTX 事件的另一面则揭示了市场在处理复杂、系统性欺诈信息时的极端低效率。如果说市场对链上资金流动的反应是“高效”的，那么它对 FTT 代币内在价值的长期错误定价，则是一次长达数年的、巨大的效率失败。这种低效率的核心，源于一个精心构建的市值幻觉。

市值幻觉指的是，一个资产的报告市值（通常由最后成交价乘以总供应量或报告流通量得出）与其真实的、可实现的流动性价值之间存在巨大差异。在传统金融市场中，类似的问题也存在（例如，控股股东持有的大量限售股会使得基于总股本计算的市值高估公司的真实流通价值），但传统市场通过强制性的持仓披露制度、独立审计和流通量认证等机制，在很大程度上缓解了这一问题。在加密市场中，由于缺乏这些制度性保障，市值幻觉被放大到了极致。在 FTT 的案例中，这种幻觉达到了极端的程度。如图 15-16 所示，FTT 的总供应量约为3.28亿枚，但在崩溃前，由 FTX 和 Alameda 直接或间接控制的代币数量占到了总量的近80%，另有约10%处于锁定或归属期。这意味着，市场上真正可供外部投资者自由交易的代币可能仅占总量的10%甚至更少。

![图 15-16](./images/fig-15-16.png)

**图 15-16.** FTT 的“市值幻觉”：流通量与锁仓量的结构性失衡

图 15-16 以两个面板揭示 FTT 的市值幻觉：左侧环形图显示崩溃前 FTX 与 Alameda 合计控制约80%的供应、约10%处于锁定或归属期、外部自由流通量仅约10%；右侧条形图量化由此产生的市值差异——在 FTT 价格25美元时，基于总供应量的理论市值约82亿美元，而基于真实自由流通量的“真实流动市值”不足8.2亿美元，两者相差近10倍。

在这种极度中心化的供应结构下，FTT 的价格发现机制被严重扭曲。由于绝大部分代币被内部人锁定，外部交易市场的流动性极低，订单簿的深度极浅。这意味着，FTX 和 Alameda 可以用相对较小的资金成本，在市场上维持甚至推高 FTT 的价格，从而创造出一个虚高的“市值”。在崩溃前，FTT 的报告市值高达数十亿美元，但这并非一个由充分竞争市场决定的公允价值，而是一个由内部人在低流动性市场中轻易操控的数字。这种操控之所以能够持续，部分原因在于 FTX 作为一家主要交易所的声誉为 FTT 提供了一种隐性的信用背书，投资者倾向于相信，一个由“行业领袖”发行的代币不会是一个空壳。FTX 的创始人在崩溃前被广泛视为加密行业的标杆人物，频繁出现在国会听证会和主流媒体上，这种公众形象进一步强化了投资者的信任，使得他们对潜在的风险信号视而不见。

更为关键的是，这个被高度夸大的资产被用作循环杠杆的核心抵押品。FTX 和 Alameda 将持有的 FTT 作为抵押品，向其他贷款方（包括 Genesis、BlockFi 等机构，甚至包括 FTX 自身的用户资金）获取了数十亿美元的真实资产贷款，主要是美元稳定币和其他主流加密货币。这是一个经典的金融工程：用一种几乎零成本创造、价值被高度操纵的代币，换取了具有真实价值的资产。这种循环抵押的结构可以被概括为一个自我参照的价值闭环：FTT 的价格支撑着 Alameda 的资产负债表，Alameda 的“偿付能力”又支撑着市场对 FTX 的信心，而 FTX 的信誉又反过来支撑着 FTT 的价格。只要这个闭环中的任何一个环节被打破，整个体系就会引发连锁反应而迅速崩溃。Vidal-Tomás等人（2023）将此概括为一个脆弱的、依赖于外部冲击的恶性循环 [36]。事后的破产调查揭示，FTX 挪用了至少80亿美元的客户资金，其中大部分被转移至 Alameda 用于高风险投资和偿还贷款 [39]。

市场为何对这样一个巨大的结构性风险长期视而不见？这正体现了其在处理复杂信息时的低效率，其根源可以从多个层面加以分析。

在信息处理成本层面，与追踪单笔链上转账不同，理解市值幻觉需要更深层次的综合分析能力。投资者不仅要分析持仓集中度和代币分布，还要理解代币的归属时间表、交易所的订单簿深度、以及内部人之间潜在的协同行为。更为困难的是，他们需要将这些分散的数据点整合为一个关于“FTT 的真实流动性价值远低于其报告市值”的连贯判断。这种综合分析的认知成本极高，且往往涉及法律和财务结构的细节，远非普通投资者所能企及。

在认知偏差层面，投资者受到了多种行为偏差的影响，这些偏差在加密市场的特殊环境中被进一步放大。权威偏差使得他们过度信任 FTX 创始人的公众形象和行业地位，将其个人声誉等同于公司的财务健康。确认偏差使得他们倾向于关注支持其看涨预期的正面信息（如 FTX 的用户增长和市场份额扩大），而忽视与其预期相矛盾的负面信号（如链上数据显示的异常资金流动）。锚定效应使得他们将 FTT 的历史高价（2021年牛市期间曾达到约80美元）作为价值参考，而忽视了其基本面的脆弱性。叙事偏差则使得他们被“加密行业领军者”这一具有吸引力的叙事所吸引，而未能对这一叙事背后的财务现实进行冷静的审视。这些偏差的叠加效应，使得市场对 FTT 的定价长期偏离其真实价值，形成了一个持续数年的效率失灵。

这些认知偏差并非彼此孤立地发挥作用，而是通过社交媒体生态系统形成了一个自我强化的信息闭环。FTX 通过赞助体育场馆、参与政治捐款和频繁出现在主流媒体上，构建了一个远超普通企业声誉的“社会证明”网络，使得对 FTX 持怀疑态度的声音在传播上处于结构性劣势。加密社区中存在一种“沉默螺旋”效应：当社区内的多数共识倾向于信任某一叙事时，持有异见的个体倾向于沉默，因为公开质疑一个被广泛尊崇的行业领袖可能招致社区的排斥。这种社交传播机制将个体层面的认知偏差系统性地放大为市场层面的集体失察。

在市场结构层面，加密市场缺乏传统金融市场中的多重制度性保障。没有强制性的独立审计制度来验证交易所的资产负债表；没有统一的流通量定义和认证标准来防止市值操纵；没有严格的关联交易披露要求来揭示 FTX 与 Alameda 之间的利益冲突；也没有有效的做空机制来允许怀疑者通过市场行为表达其观点并纠正价格偏差。在传统股票市场中，做空者和卖方分析师扮演着重要的“价格纠错”角色，他们通过深入的基本面研究来发现被高估的股票，并通过做空获利。但在 FTT 的市场中，做空的成本极高（借币利率高昂、流动性不足），且面临着被内部人操纵价格而被强制平仓的风险，这使得潜在的做空者难以参与。

从更根本的制度层面看，加密市场中交易对手风险的不可观测性构成了效率评估的一个独立维度。当交易者无法确信其交易对手（无论是交易所还是关联交易方）是否存在偿付风险时，这种不确定性本身就对价格发现的质量构成结构性损害。在 FTX 案例中，客户资金被挪用的事实在传统金融市场中将触发严格的资金隔离和独立审计机制，但加密市场在 FTX 事件前几乎不存在此类制度性保障。此外，加密市场中“内幕交易”的法律边界本身就模糊不清，多数代币的法律性质在各主要司法管辖区仍存在争议，这意味着传统的反内幕交易法规可能并不适用，法律威慑的缺位进一步加剧了信息不对称的持续性。

从效率谱的信息类型维度来看，FTT 的案例清晰地展示了一个效率梯度：市场对“FTX 向 Alameda 转移了X亿美元”这类简单、可观测的链上事实反应迅速（高效率），但对“FTT 的真实流通价值远低于其报告市值”这类需要综合分析才能得出的结论反应极为迟缓（低效率）。前者的信息处理成本低，后者的信息处理成本高，而正是这种成本差异决定了市场效率的高低。

这种集体性的失察，是比任何一次价格暴跌都更为深刻的市场效率失灵，它揭示了加密市场在制度建设和信息基础设施方面仍然存在的巨大缺陷。值得注意的是，市值幻觉并非 FTT 的独有现象。在更广泛的加密市场中，许多代币的报告市值与其真实的可实现流动性价值之间存在显著差异，尤其是那些由项目方、风险投资机构或基金会持有大量代币的项目。FTT 的极端案例只是将这一普遍问题推向了其逻辑的极端。它提出了一个对整个加密市场都具有重要意义的问题：当我们谈论一个代币的“市值”时，我们实际上在谈论什么？如果市值这一核心指标本身就可以被轻易操纵，那么建立在市值基础上的所有价值判断和风险评估都将失去其可靠性。这一教训对于加密市场的信息基础设施建设（包括更严格的流通量定义标准、更透明的持仓披露要求、以及更可靠的价格发现机制）具有深远的启示意义。

### 15.5.4 传染效应与过度反应

当危机爆发时，市场效率呈现出其第三种面貌：本章所称的“过度效率”，即市场对负面信号的反应速度和幅度超出基本面所能合理解释的范围，在金融学中表现为传染效应。传染效应指的是，一个机构或资产的危机，通过直接的财务联系、共同的投资者基础、或纯粹的心理恐慌等渠道，蔓延至其他看似无直接关联或关联程度有限的机构或资产，导致后者也出现价格暴跌或流动性危机。在传统金融学中，传染效应是系统性风险研究的核心议题之一，而 FTX 事件为我们在加密市场中观察这一现象提供了一个典型的案例。

在 FTX 事件中，Solana 的遭遇是传染效应最典型、也最有代表性的案例。FTX 和 Alameda 曾是 Solana 生态系统的早期投资者和重要支持者，Alameda 的资产负债表上持有大量的 SOL 代币和基于 Solana 的 DeFi 项目代币。当 FTX 崩溃时，市场形成了一个强烈的预期：破产清算人将不得不在市场上抛售这些 SOL 代币以偿还债务。这种抛售预期本身就足以压低价格，但更为深远的影响来自于劣迹关联所引发的恐慌情绪。市场参与者开始将“与 FTX 有关联”等同于“存在类似的风险”，这种简单化的启发式判断导致了对 Solana 生态系统的全面抛售，而不仅仅是对可能被清算的代币的抛售。Solana 上的 DeFi 协议总锁仓量在 FTX 崩溃后的两周内下降了超过70%，用户和开发者纷纷撤离，形成了一个自我强化的负面循环。

如图 15-17 所示，从11月2日危机开始到11月底，不同资产的价格反应呈现出显著的分化。比特币和以太坊作为加密市场的基准资产，虽然也受到了 FTX 崩溃的冲击，但其跌幅相对可控，自11月2日基线至11月下旬低点分别约为22%和29%。这一跌幅部分反映了市场对整体加密行业信心的下降和风险偏好的降低，但正如后文§15.5.5将详细讨论的，其中也包含了统一保证金制度引发的跨资产机械性清算成分，两种来源在 BTC 和 ETH 的总跌幅中难以精确解耦，因此将其全部定性为“对系统性风险的合理重新定价”可能失之简化。然而，SOL 的价格则从约32美元暴跌至13美元附近，跌幅接近60%，远远超出了市场基准的调整幅度。

![图 15-17](./images/fig-15-17.png)

**图 15-17.** 传染效应：SOL、BTC 及 ETH 在 FTX 事件期间的相对价格反应

图 15-17 将 FTT、SOL、BTC、ETH 四种资产价格标准化（以2022年11月1日为100），对比 FTX 危机期间的相对表现：与 BTC、ETH 的温和下跌相比，SOL 出现了与 FTT 类似的急剧下跌、远超市场基准，图中特别标注的 SOL 相对 BTC“超额跌幅”区域直观体现了市场对“关联方”的过度惩罚。

SOL 相对于 BTC 和 ETH 的超额跌幅（约36个百分点，约为 BTC 跌幅的2.6倍）典型地诠释了传染效应的“过度效率”。这里所谓的“过度效率”，是指市场在极度恐慌的状态下，其价格发现机制从基于基本面的理性分析转向了基于简单启发式的“一刀切”抛售。交易者并没有仔细评估 FTX 的破产将对 Solana 网络的长期基本面（如其技术架构的独立性、开发者社区的活跃度、去中心化应用的增长潜力、以及其共识机制和网络安全性）产生多大的实际影响，而是简单地将“与 FTX 相关”等同于“高风险”，并因此过度抛售。这种行为在短期内看似“有效”，因为它迅速将负面信息（关联风险）计入了价格，但从长期来看，它导致了严重的价格超调和价值毁灭。

从 AMH 的视角来看，这种过度反应并非简单的“非理性”，而是一种在极端不确定性下的适应性行为。当市场参与者面临信息严重不完整、交易对手风险急剧上升的环境时，优先减仓以降低最大损失是一种合理的生存策略。正如 Lo（2004）所指出的，在危机时期，恐惧和生存本能会压倒理性分析，导致市场效率急剧下降 [9]。在 FTX 崩溃期间，没有人能够确切地知道 FTX 的破产会引发多大范围的连锁反应，哪些机构会成为下一个倒下的环节，以及 Solana 生态系统是否会因为失去其最大的支持者而陷入永久性的衰退。在这种深度不确定性下，过度反应在个体层面是一种合理的风险规避策略。然而，当所有市场参与者同时采取这种策略时，它在市场层面却产生了集体性的非理性结果，即价格严重偏离了基本面价值。

更值得关注的是事后的市场表现所揭示的信息。在经历了 FTX 崩溃的重创后，SOL 的价格并未迅速修正，而是在13至25美元的低位区间徘徊了超过一年。直到2023年下半年，随着 Solana 社区通过一系列技术升级（包括 Firedancer 验证器客户端的开发和网络稳定性的显著改善）和新的生态叙事（包括 Meme 币文化的兴起带来的用户回流），SOL 价格才开始逐步回升，并于2024年11月一度突破260美元、小幅超越2021年的前高，2025年初进一步升至约290美元的历史新高。然而，以这一事后恢复来论证2022年11月的定价为“过度反应”需要审慎处理。一方面，SOL 的恢复在很大程度上得益于崩溃时完全不可预见的新驱动因素，以不同因果链下的价格恢复来推断原始定价错误，在方法论上面临后见之明偏差的风险。另一方面，在2022年11月的信息集合下，市场参与者无法确知 Alameda 持有的大量 SOL 是否会被有序清算还是恐慌性抛售，也无法确知 Solana 网络是否会因失去最大支持者而陷入永久性衰退。因此，更审慎的结论是：SOL 的超额跌幅中可能同时包含了合理的风险折价（对预期清算冲击的定价）和恐慌驱动的过度折价（超出基本面合理范围的抛售），但精确区分两者的边界需要对 Alameda 持仓规模和预期清算冲击进行更严格的量化估算，这超出了本章的分析范围。

传染效应并不仅限于 SOL。FTX 的崩溃还直接导致了多家与其存在借贷关系或投资关系的机构陷入困境，形成了一个波及整个行业的连锁反应。加密借贷平台 BlockFi 因对 FTX 的大额敞口而在11月底申请破产；加密经纪商 Genesis 的借贷部门暂停了提款，最终也走向了破产重组；数字资产管理公司 Galois Capital 约半数资产（约4,000万美元）被困于 FTX，并于2023年初被迫关闭其旗舰基金。这些连锁反应进一步加剧了市场的恐慌，形成了一个自我强化的负反馈循环：一家机构的倒闭引发对其交易对手的担忧，导致更多的提款和抛售，进而威胁到更多机构的偿付能力。这一过程与传统金融危机中的系统性风险传导机制高度相似（2008年雷曼兄弟破产后引发的全球金融危机就遵循了类似的传染路径），但在加密市场中，由于缺乏中央银行的最后贷款人功能、存款保险制度和有序清算机制，传染效应的破坏力被进一步放大，其传导速度也更快。

从效率谱的市场状态维度来看，传染效应的出现标志着市场从“常态”急速跃迁至“衰变态”。在常态下，市场的套利机制能够有效地纠正价格偏差，将不同资产的价格维持在与其基本面大致一致的水平。但在衰变态下，套利机制本身也陷入了瘫痪：做市商撤回报价以规避风险，跨交易所套利因提款限制而无法执行，杠杆交易者因保证金不足而被强制平仓。市场失去了自我纠错的能力，价格偏差不仅不会被修正，反而会在恐慌情绪的驱动下不断扩大。这种效率的非线性崩溃，正是效率谱框架所预测的极端情形，也是 AMH 关于市场效率在危机时期急剧下降的核心预测的有力验证。

### 15.5.5 清算级联

前述分析分别考察了 FTX 崩溃的宏观时间线、链上信息效率和传染效应，而本节将聚焦于这场危机中扮演了关键但常被忽视的角色的市场层级：永续合约市场。作为全书的核心研究对象，永续合约在常态下以其高流动性和杠杆优势主导着价格发现（见§15.4）；但在 FTX 崩溃这种极端压力测试下，永续合约的制度设计（特别是其保证金机制和强制清算逻辑）暴露出了巨大的脆弱性，成为加速市场崩溃的放大机制。通过永续合约的专属面板，我们能够观察到危机期间制度优势向制度风险的非线性翻转。

在 FTT 永续合约的价格发现领导权与基差倒挂方面，危机的信息扩散期（11月2日-11月6日）尽管现货市场反应迟缓，但永续合约市场已经开始展现出其在信息整合方面的敏锐性。理论上，掌握内幕信息或具备高级链上分析能力的交易者更倾向于利用永续合约建立空头头寸，因为这不需要实际借入 FTT 现货，且能获得杠杆放大收益。在11月6日赵长鹏宣布清仓 FTT 之前，FTT 永续合约的价格已经开始微妙地偏离现货价格，基差（永续价格减去现货价格）从常态下的微正转为负值。这种基差的倒挂，实际上是永续合约市场正在定价即将到来的抛售压力的早期信号。

当11月6日抛售真正开启后，永续合约的价格发现领导权得到了充分的展现。由于现货市场流动性迅速枯竭，做市商拓宽价差甚至撤回报价，大量的恐慌性抛售和投机性做空指令涌入永续合约市场。这导致 FTT 永续合约价格在暴跌过程中始终领先于现货价格，基差倒挂幅度在11月8日最恐慌的时刻达到了数百个基点。这种深度的基差倒挂表明，在极端危机下，永续合约不仅是价格发现的领导者，更是市场恐慌情绪的集中反映渠道。

在清算级联的放大效应与流动性黑洞方面，随着 FTT 价格的急剧下跌，永续合约市场的另一项核心机制，即强制清算，被大规模触发。FTX 崩溃期间的清算数据展示了极为严重的情况：大量以 FTT 为抵押品或持有 FTT 多头头寸的杠杆账户，因保证金率跌破维持保证金要求而被强平。在11月7日至8日的48小时内，各大交易所（包括 Binance、OKX 和 Bybit）上的 FTT 永续合约多头清算量呈指数级飙升。

这种清算并非孤立事件，而是形成了典型的清算级联。当一个多头仓位被强平，清算引擎会向市场发送市价卖单，这进一步压低了标记价格；更低的标记价格又触发了下一批杠杆账户的强平条件，产生新的卖单。在缺乏足够多头流动性承接的情况下，这种机械性的卖盘持续压低价格。更严重的是，中心化交易所标记价采用的 EMA 平滑机制（机制见§15.4.3）在极端行情下滞后于最新成交价，使本应及早清算的头寸延存、积累更大亏损，最终在标记价追上时集中爆发，进一步放大了 FTT 的清算级联。各大交易所 FTT 永续合约的未平仓量在数日内出现了急剧下降，这正是流动性蒸发和杠杆出清的直接证据。遗憾的是，FTT 永续合约在 FTX 事件期间的精确清算数据（包括强制清算与主动平仓的比例、各交易所保险基金的消耗情况、以及自动减仓机制的触发频率）在公开数据源中记录不完整，这限制了对清算级联严重程度的精确量化分析。不过，主流交易所在此期间并非完全被动应对：Binance 和 OKX 等平台在极端行情下通常会启动动态保证金率调整、降低最大可用杠杆倍数、以及在清算引擎压力过大时触发自动减仓机制以替代传统的市价清算。这些应急措施在一定程度上缓解了清算级联的最坏后果，但其触发条件和执行细节的不透明性本身也构成了一种制度性风险，交易者无法事前准确预期在极端情况下规则将如何被执行。

在跨市场传染与统一保证金账户的系统性关联方面，永续合约的崩溃并未局限于 FTT 单一资产。FTX 等现代衍生品交易所普遍采用统一保证金制度，允许用户使用多种资产（如 BTC、ETH、SOL 等）作为共享抵押品来支持所有合约仓位。这种在常态下能提高资金利用率的制度创新，在危机中却成为了跨市场传染的完美导体。

当 FTT 价格暴跌导致用户的统一保证金账户整体权益缩水时，即使他们持有的 BTC 或 ETH 永续合约头寸本身并未亏损，也可能因为账户整体保证金不足而被强制平仓。这种机制导致了“无差别抛售”：为了挽救濒临清算的账户，交易者被迫平仓流动性最好的资产（通常是 BTC 和 ETH 多头）；而当强平真正发生时，清算引擎同样会无差别地卖出账户内的所有资产。这解释了为什么在 FTX 崩溃期间，尽管 BTC 和 ETH 的现货基本面并未发生根本性改变，其永续合约市场依然遭遇了巨大的抛压和清算潮。统一保证金制度将一个特定代币的危机，通过账户层面的关联，传染给了整个加密衍生品市场。

在资金费率的极端失真与机制失灵方面，这一系列冲击下旨在锚定永续价格与现货价格的资金费率机制经历了历史性的极端偏离。在11月7日至9日期间，各大交易所的 FTT 永续合约资金费率触及了交易所设定的资金费率下限（其绝对值按合约维持保证金率设定，普通合约约为每8小时-2%）。这种极端的负资金费率意味着空头需要向多头支付高昂的费用，理论上这应该吸引套利者买入永续合约、卖出现货，从而缩小基差。

然而，在 FTX 危机的“衰变态”下，这种套利机制完全失灵。一方面，由于 FTT 现货借贷市场冻结，套利者无法借入现货进行做空对冲；另一方面，面对极端的单边下跌行情和交易对手风险（尤其是对 FTX 平台本身的担忧），没有任何理性的套利者愿意为了赚取资金费率而承担在价格急剧下跌中建仓的风险。资金费率的均值回归特性在此刻失效，它不再是促进市场效率的调节器，反而成为了对残存多头头寸的持续消耗机制。这种机制层面的瘫痪，标志着永续合约市场在极端压力下丧失了自我纠错能力，制度优势彻底翻转为系统性风险。从风险管理的视角看，这种机制失灵的持续时长同样值得关注。FTX 事件后，主要资产的资金费率从极端负值恢复到正常水平经历了约一至两周的过程，恢复的催化因素包括新的做市商逐步进场和市场流动性的重建。Shleifer 和 Vishny (1997) [42] 关于“套利的极限”的经典理论在此高度适用：套利者在最需要他们纠正价格偏差的时刻，恰恰是他们最缺乏资本和最面临挤兑的时刻。FTX 事件中大量套利者的资金被困在破产交易所中，这一事实使得套利机制的瘫痪远比纯粹的市场恐慌更为持久。

### 15.5.6 FTX 事件总结

FTX 的崩溃为本章建立的效率谱分析框架提供了一个内容丰富、层次分明的综合性案例。它有力地表明，任何试图用单一标签（“有效”或“无效”）来描述数字资产市场的尝试都注定是不完整的。只有在多维度的效率谱中，我们才能准确地定位和理解市场的复杂行为。图 15-18 将 FTX 事件置于效率谱分析框架中进行了系统性解构。

![图 15-18](./images/fig-15-18.png)

**图 15-18.** FTX 事件的效率谱分析框架

图 15-18 沿弱式效率、半强式效率与制度性效率三个层次、辅以高低效率的对照，系统解构了 FTX 事件截然不同的效率特征：从简单链上数据的高效率到复杂结构性信息的极低效率，从常态到衰变态的非线性跃迁，以及永续合约从价格发现领导者到崩溃加速器的角色翻转。表 15-5 则进一步从效率谱的五个维度对这些表现作系统汇总。

| 效率谱维度 | 具体表现 | 效率评估 | 关键证据 |
| :--- | :--- | :--- | :--- |
| 信息类型：简单链上数据 | 一旦媒体转化信号，市场在48小时内完成80%的价格调整 | 高效率 | FTT 价格在 CZ 推文后48小时暴跌80% |
| 信息类型：复杂结构性信息 | 市值幻觉和循环抵押持续数年未被市场定价 | 极低效率 | FTT 约80%供应由内部人控制，市值被高估近10倍 |
| 市场状态：从常态到衰变态 | 流动性在数小时内蒸发，价格发现机制瘫痪 | 非线性崩溃 | FTX 面临60亿美元提款请求，被迫暂停提款 |
| 资产维度：传染效应 | SOL 跌幅（约58%）远超 BTC（约22%），事后部分被证明为过度反应 | 过度效率 | SOL 于2024年11月小幅刷新2021年高点、2025年初进一步升至约290美元 |
| 市场层级：永续合约 | 常态下主导价格发现的制度优势，在危机中翻转为“级联清算+流动性蒸发”的制度风险 | 非线性翻转 | OI 断崖下降，资金费率极端化，基差深度倒挂，统一保证金引发跨资产清算 |

**表 15-5.** FTX 事件中效率谱多维度的表现汇总（数据来源：作者基于 FTX 事件公开数据整理）

从表中可以清晰地看出，FTX 事件在效率谱的不同维度上呈现出截然不同的效率特征，这些特征共同构成了对市场效率多维特征的完整刻画。

在信息类型维度上，市场对简单链上数据（资金流动、代币转账）反应迅速，对复杂结构性欺诈（市值幻觉、循环抵押）却迟滞数年，将§15.3揭示的信息处理成本分层推向极端——最简单的信息在小时级被定价，最复杂的信息则以崩溃而非渐进调整的形式被“发现”。在市场状态维度上，信任崩塌触发的流动性蒸发与负反馈螺旋使套利和价格发现机制在数小时内瘫痪，印证了效率谱所预测的非线性崩溃，也验证了 AMH 关于效率在危机期急剧下降的核心预测；而这一崩溃并不均匀——流动性更深、参与者更多元的 BTC、ETH 保持了相对韧性，FTT 与 SOL 则经历更严重的失灵，再次凸显资产维度的重要性。在时间维度上，市场对 FTT 结构性风险的长期迟缓、对 CoinDesk 报道与赵长鹏推文的中期适度反应、以及崩溃期的短期过度反应，构成了与§15.2弱式效率发现相呼应、却被极端条件放大的效率梯度。

在资产维度上，FTT、SOL 与 BTC/ETH 的迥异反应恰好对应从低效率（欺诈信息的迟来修正）、过度效率（关联方的传染惩罚）到合理重新定价（基准资产）的完整光谱。区分“基本面传染”（通过可量化的财务联系与持仓敞口传导的合理风险重新定价）与“纯粹传染”（超出基本面解释范围的恐慌性溢出）是评估传染效应性质的核心分析框架，FTX 事件中 SOL 的超额跌幅可能同时包含这两种成分，但文献尚未给出定量分解。在市场层级维度上，永续合约在信息扩散期比现货更早反映抛售压力、展现价格发现领导权，又在危机全面爆发时因杠杆属性、清算机制与统一保证金制度成为放大下行、加速价格调整的核心机制——这种制度优势向制度风险的翻转，深刻揭示了衍生品市场效率的脆弱边界。

最终，FTX 的案例不仅是对市场参与者的警示，更是对市场效率研究者的重要研究素材。它以一种极端的方式，迫使我们放弃对市场的简单化、理想化认知，转而拥抱一个更现实、更动态、更多维度的分析范式。信息效率不是一个固定的属性，而是一个随信息类型、市场状态、资产特征和时间尺度而持续变化的连续谱。理解这一点，不仅有助于我们更准确地解释过去的市场行为，更能为未来的风险管理和投资决策提供更为稳健的分析基础。正如 AMH 所预测的那样，市场将从 FTX 的危机中学习和适应：更严格的交易所审计要求、更透明的储备金证明机制、以及更审慎的交易对手风险管理实践，都是这一适应过程的具体体现。FTX 事件之后，主要交易所纷纷推出了基于默克尔树的储备金证明系统。然而，储备金证明系统在当前形态下存在显著的局限性：它通常只能证明特定时点上资产端的存在，而无法验证负债端的完整性，交易所可能存在未被纳入证明范围的链下借贷和负债。此外，多数储备金证明采用月度或季度快照的形式，这种低频审计在快照间隔内留下了大量的操纵窗口。这些局限性意味着，储备金证明可能在一定程度上给市场参与者提供了虚假的安全感，而非真正弥合信息不对称的鸿沟。与此同时，监管机构也加速了对加密行业的立法进程，这些制度层面的变革正在从根本上重塑加密市场的信息环境和效率特征。从 AMH 的种群-环境框架看，这些事后的制度变革可以被理解为一种典型的“环境变化后的种群适应”：FTX 的崩溃作为一次强烈的环境冲击，淘汰了依赖中心化信任假设的脆弱策略，并催生了以更高透明度和更严格风控为特征的新一代市场参与者和基础设施。而这种适应性演化的长期趋势，正是我们将在后文中系统性讨论的主题。

> **效率谱定位卡片 · §15.5**
>
> | 维度 | 定位 | 量化代理指标 |
> |------|------|--------------|
> | 时间 | 从长期迟缓到短期瞬时爆发的非线性跃迁 | FTT 价格在关键信息发布后48小时内完成80%的调整 |
> | 资产 | 直接标的（FTT）崩盘与关联方（SOL）的传染超调 | SOL 超额跌幅约36个百分点，事后反弹部分证明过度反应 |
> | 信息类型 | 简单链上数据高效率，复杂结构信息极低效率 | 媒体转化信号后迅速反应，但“市值幻觉”潜伏数年未被定价 |
> | 市场状态 | 从常态急速跃迁至套利瘫痪的“衰变态” | FTX 面临60亿美元提款，流动性蒸发触发负反馈螺旋 |
> | 市场层级 | 永续合约从价格发现领导者翻转为崩溃加速机制 | OI 急剧下降，资金费率极端化，跨资产清算级联爆发 |
>
> **一句话结论**：在极端压力下，数字资产市场效率呈现非线性崩溃，永续合约的制度设计从常态下的效率加速器转化为危机中的风险放大器。

## 15.6 效率的演化

经过前述章节对数字资产市场信息效率在不同维度下的深入剖析，我们已经清晰地看到，效率并非一个静止不变的属性，而是一个动态的、多层次的复杂系统。从弱式效率的时变特征，到半强式效率对不同信息类型的差异化反应，再到永续合约独特的制度性效率周期，所有证据都指向了 Lo (2004) 的适应性市场假说是理解这一新兴市场的恰当透镜 [9]。本节旨在将这些碎片化的证据整合到一个统一的历史演化框架中，通过构建一个三阶段模型，系统性地阐述加密市场信息效率从诞生至今所经历的演进历程。这一历程不仅是技术和资本的演进史，更是一部市场参与者、基础设施与监管环境三者之间不断博弈、适应与共同进化的历史。

我们的核心论点是，数字资产市场的信息效率经历了三个界限分明但又环环相扣的阶段：蛮荒时代（2009–2017）、机构化时代（2018–2023）与制度化时代（2024–）。图 15-19 展示了这一演化的全景图，并在其中标注了永续合约的制度化进程。

![图 15-19](./images/fig-15-19.png)

**图 15-19.** 加密市场效率的三阶段演化

图 15-19 以两个面板呈现效率演化的示意性趋势（方向与幅度基于文献综合，而非单一连续数据源的逐点实测）：面板 (a) 为2010年至2025年跨交易所 BTC 价差的收敛，价差越低代表套利效率越高；面板 (b) 为方差比偏离度 $\lvert \operatorname{VR}-1 \rvert$ 的下降，偏离度越低代表价格越接近随机游走。时间线按蛮荒、机构化、制度化三阶段着色，并标注 Mt. Gox 崩溃、CME 期货上线、COVID-19、FTX 崩溃、BTC ETF 获批等关键事件与永续合约里程碑（如2016年 BitMEX 首个永续合约、2021年 DEX 永续规模化），直观展示两项指标在危机期的短暂回升与长期收敛。

如图所示，每个阶段都由其独特的参与者构成、基础设施水平和监管环境所定义，这些因素共同塑造了该阶段的效率特征。总体而言，市场效率呈现出螺旋式上升的长期趋势，但这一过程并非线性，而是伴随着由技术缺陷、投机狂热和欺诈行为引发的周期性危机与重置。这些危机既是对当时市场结构的压力测试，也往往成为催生下一阶段演化的关键催化剂。表 15-6 概括了三个阶段在关键维度上的核心差异。

| 维度 | 蛮荒时代（2009–2017） | 机构化时代（2018–2023） | 制度化时代（2024–） |
| :--- | :--- | :--- | :--- |
| 主要参与者 | 密码朋克、早期散户、技术爱好者 | 专业做市商、量化基金、加密原生机构 | 传统金融巨头、ETF 发行商、主权基金 |
| 基础设施 | 原始交易所、无衍生品 | 合规期货、专业 API、机构托管 | 现货 ETF、全球合规托管、高速L2 |
| 永续合约 | 尚未诞生/极早期（BitMEX 独占） | 成为交易量最大的衍生品；制度设计快速迭代 | CEX 永续高度成熟；DEX 永续快速追赶；监管框架介入 |
| 监管环境 | 几乎空白 | 框架初建、执法行动增多 | 全面制度化 |
| 跨所 BTC 价差 | 5–30%（常态） | 1–5%（正常）；危机时飙升 | <0.5%（主流交易所） |
| 弱式效率水平 | 显著偏离随机游走 | 日内趋近随机游走，跨日仍有模式 | 多时间尺度接近随机游走 |
| 标志性危机 | Mt. Gox 崩溃（2014） | 3.12 黑色星期四、FTX 崩溃 | 待观察 |
| 阶段转折催化剂 | — | CME 期货上线（2017.12） | 现货 BTC ETF 获批（2024.1） |

**表 15-6.** 加密市场效率三阶段演化的核心特征对比（数据来源：作者整理）

本节将依次深入探讨这三个阶段的效率特征、驱动因素和关键转折点，并通过量化证据展示效率演化的具体轨迹，最后对塑造下一阶段效率范式的新兴力量进行展望。这一历史视角不仅是对本章所有发现的综合性总结，也为理解数字资产市场未来的发展路径提供了关键线索。

### 15.6.1 蛮荒时代（2009–2017）

数字资产市场的第一个十年，属于高度不确定的早期市场阶段。从比特币创世区块诞生到2017年底 CME 比特币期货上线前夕，这个阶段的市场效率由极高的信息与交易摩擦所定义，为少数具备特定技能的早期参与者提供了巨大的套利空间。此时的市场参与者主要是密码朋克、软件开发者、早期技术爱好者以及少数对市场机会敏感的散户投机者。他们的动机多元，既有对去中心化理念的技术信仰，也有对高额回报的投机渴望。这种参与者结构的同质性意味着市场缺乏成熟金融市场中那种由异质性信念和多元化策略所驱动的持续性价格发现过程。

这一时期的基础设施极为原始且脆弱。交易主要集中在少数中心化交易所，其中交易量最大的是总部位于东京的 Mt. Gox。在2013年至2014年初的巅峰时期，Mt. Gox 处理了全球约70%的比特币交易量，形成了事实上的价格垄断。然而，这些早期交易所普遍缺乏健全的内部控制、安全措施和客户资产保护机制。交易引擎频繁宕机，提款延迟是常态，而最终导致 Mt. Gox 在2014年2月申请破产的灾难性黑客攻击更是将这一时期基础设施的脆弱性充分暴露。在这样的环境下，即便是简单的跨交易所套利都面临多重障碍，因为交易者必须在多个交易所预先存放资金，承担极高的对手方风险和操作风险，同时还要忍受比特币网络确认时间带来的执行延迟。

监管的几乎完全缺位是蛮荒时代的另一个核心特征。各国政府和金融监管机构对比特币及其衍生品的法律性质、会计准则和监管框架均处于探索阶段，市场在一种近乎无政府的状态下无序扩张。这种监管真空一方面为创新提供了土壤，但另一方面也纵容了市场操纵、欺诈和洗钱等行为的泛滥。2017年 ICO 的大规模扩张是这一时期监管缺失后果的集中体现。

这些因素共同导致了蛮荒时代极低的整体市场效率。如§15.2.5所详述，跨交易所价差长期维持在5%以上，“泡菜溢价”等区域性价差更是高达两位数 [25]；弱式效率检验也显示出显著的可预测性（见§15.2.2），收益率序列显著偏离随机游走 [2]。

在永续合约的诞生与早期效率方面，蛮荒时代的尾声见证了一项将深刻改变加密市场效率格局的创新的出现。2016年，BitMEX 推出了首个比特币永续合约（XBTUSD）。作为一种没有到期日且通过资金费率机制锚定现货价格的衍生品，它最初只是为了解决早期加密市场流动性割裂和法币出入金困难的问题。然而，在推出初期，永续合约市场的效率极低。由于缺乏成熟的做市商和套利者，资金费率的波动极大，经常出现极端正值或负值，且基差偏离现货价格的幅度也十分显著。这一时期的资金费率套利活动非常有限，主要由少数技术极客和早期量化团队参与。这种早期的低效率状态，恰恰为后来的套利资本提供了丰厚的利润空间，也预示着永续合约在未来将成为驱动市场效率演化的核心力量。

### 15.6.2 机构化时代（2018–2023）

2017年12月，芝加哥商业交易所和芝加哥期权交易所几乎同时上线了现金结算的比特币期货合约。这一事件被广泛视为数字资产市场演化的一个关键分水岭，标志着机构化时代的开启。在这一阶段，市场的核心驱动力从早期的技术爱好者和散户，转变为专业的金融机构、量化基金和做市商。它们的进入，极大地改变了市场的参与者结构、基础设施水平和效率范式。

专业参与者的涌入带来了资本、技术和经验。诸如 Jump Trading、Wintermute、GSR 等顶级做市商的深度参与，显著提升了主流交易所的流动性深度和订单簿质量，极大地压缩了跨交易所价差，如§15.2.5所示，主流交易所间价差从2018年后迅速收敛至1%以下。合规衍生品的出现为专业机构提供了有效的对冲工具和价格基准，显著促进了现货市场的价格发现效率 [43]。

基础设施在这一时期也经历了根本性提升。以 Binance、Coinbase Pro 和 FTX 为代表的新一代交易所，提供了功能更强大、响应更迅速的交易 API，为程序化交易提供了便利。合规的托管解决方案的出现，解决了机构投资者在资产安全方面的核心顾虑。与此同时，稳定币（特别是 USDT 和 USDC）的广泛采用，为跨交易所资金转移提供了一种高效的链上通道，大大降低了套利的资金摩擦。图 15-20 展示了这一阶段的核心驱动因素，即专业参与者、升级的基础设施和初步建立的监管框架共同推动了效率的提升。

![图 15-20](./images/fig-15-20.png)

**图 15-20.** 三阶段演化的驱动因素与效率特征

图 15-20 以结构化视图展示三阶段驱动效率演化的核心因素：蛮荒时代的瓶颈在于低参与度与原始基础设施；机构化时代由专业做市商、合规衍生品与稳定币基础设施协同推动效率跃升；制度化时代则由 ETF 通道、全球监管框架与传统金融巨头入场将效率推向新高，每一阶段转折都伴随标志性事件的催化。

在永续合约的效率跃升方面，机构化时代见证了永续合约的爆发式增长和效率的全面提升。2019年至2020年间，Binance、OKX、Bybit 等主流交易所全面引入永续合约，其交易量迅速超越了传统的交割期货，成为加密市场最核心的流动性池。随着专业做市商和量化基金的深度参与，永续合约市场的效率得到了显著改善。跨交易所的永续合约基差套利变得异常活跃，使得不同平台间的价格差异被迅速抹平。资金费率的波动也逐渐收敛，极端费率出现的频率大幅降低，均值回归的速度明显加快 [21]。这一时期，永续合约逐渐夺取了加密市场的价格发现领导权，成为信息交易者表达观点的首选工具。然而，这种效率的提升并非没有代价。2022年 FTX 的崩溃暴露了中心化永续合约市场的系统性脆弱性：当信任崩塌导致流动性瞬间蒸发时，高杠杆和复杂的清算机制引发了级联效应，使得永续合约市场在极端压力下出现了严重的效率倒退。这一事件也促使市场开始反思中心化架构的风险，并为去中心化永续合约的崛起奠定了基础。

然而，效率的提升并非没有代价。专业做市商的深度参与虽然在常态下显著改善了流动性和价格发现质量，但其同质化的策略和风险模型也可能在极端条件下构成新的脆弱性来源。当多数做市商使用相似的波动率模型和库存管理算法时，市场压力可能触发同步的流动性撤出，导致常态下看似充沛的订单簿深度在数分钟内蒸发殆尽，2020年3月的“黑色星期四”就是这种“虚假深度”风险的典型案例。效率提升与脆弱性积累之间的这种张力，是理解加密市场演化的一个关键维度。

在弱式效率层面，如§15.2.2中方差比分析所示，比特币和以太坊的市场效率在2018年后呈现出显著且持续的提升趋势 [7]，日度方差比向1.0收敛，日内尺度已高度接近随机游走 [6]。然而，这一改善是分层的：核心市场的效率提升速度远快于边缘市场 [44]。

### 15.6.3 制度化时代（2024–）

2024年1月10日，美国证券交易委员会正式批准首批现货比特币 ETF，这一里程碑事件宣告了数字资产市场进入了全新的制度化时代。如果说机构化时代的主角是加密原生的专业基金和做市商，那么制度化时代的主角则是华尔街的传统金融巨头，如 BlackRock、Fidelity、Invesco 等全球最大的资产管理公司。它们的入场，不仅带来了前所未有的资金规模，更重要的是，它们将数字资产整合进了传统金融的合规框架和基础设施之中，从根本上改变了市场的运行逻辑。

现货 ETF 的推出，为海量受监管的资本提供了一个低门槛、合规的比特币投资渠道。ETF 的授权参与人（通常是 Jane Street、Virtu Financial 等大型交易公司）承担了在 ETF 份额市场和比特币现货市场之间进行套利的角色。这一机制确保了 ETF 的市场价格紧密跟踪其净资产价值，同时也使得比特币的价格发现机制与传统金融市场实现了前所未有的紧密耦合。可以说，ETF 的授权参与人充当了传统金融世界与加密原生世界之间的“效率桥梁”。不过，在评估制度化时代效率改善的归因时，也需要考虑同期全球宏观流动性环境的潜在贡献。2024年的效率指标改善恰逢市场对美联储降息的预期升温和全球风险偏好的回暖，这些宏观因素可能独立于 ETF 通道对加密市场效率产生了正向影响，未来的研究需要控制宏观流动性周期以更精确地分离制度化因素的独立贡献。

与此同时，全球范围内的监管框架日趋成熟。欧盟的《加密资产市场法规》于2024年开始分阶段实施，在香港、新加坡和迪拜等地，类似的清晰监管指引也陆续出台。这种监管的确定性，极大地降低了机构投资者面临的合规风险和法律不确定性，为更大规模的采用奠定了基础。

在制度化时代，市场的效率范式呈现出与前两个阶段截然不同的特征。核心资产的无风险套利机会几乎被完全消除。主流合规交易所之间的价差被压缩至几个基点以内。在弱式效率层面，市场在所有时间尺度上都达到了非常高的水平。如图 15-21 (b) 所示，比特币的日度和周度方差比均已非常接近1.0，表明可利用的价格模式已极为稀少。

![图 15-21](./images/fig-15-21.png)

**图 15-21.** 效率演化的量化证据（示意图）

图 15-21 以示意性数据展示效率演化的定性趋势，方向与幅度综合自相关文献：价差收敛参考 Makarov 和 Schoar (2020) [25]、John 等人 (2024) [44]，方差比演化参考 Urquhart (2016) [2]、Noda (2021) [7]、Yi 等人 (2023) [6]。面板 (a) 显示三类跨交易所比特币价差（主流交易所间、跨地区如 Kimchi Premium、中小交易所间）自2013年起持续下降，并在2018年和2024年两个节点后加速收敛；面板 (b) 显示日内、日度、周度方差比自2011年起均向1.0（随机游走基准）收敛，表明价格可预测性逐渐降低、弱式效率持续增强。

在永续合约的制度化挑战方面，进入制度化时代后永续合约市场面临着全新的挑战与重塑。首先，随着现货 ETF 的获批，传统金融资本的套利活动（如 ETF 授权参与人的跨市场套利）对永续合约的资金费率结构产生了深远影响，使得基差和资金费率的动态变得更加复杂。其次，全球监管机构对高杠杆衍生品的限制日益严格，部分司法管辖区甚至禁止向散户提供永续合约交易。这种监管压力迫使流动性在不同平台间重新分配。更为显著的变化是 DEX 永续合约的快速崛起。以 dYdX v4、Hyperliquid 为代表的高性能去中心化交易所，在日常交易的延迟和执行成本上已显著缩小与中心化交易所的差距，吸引了大量规避交易对手风险的机构资金。不过，这些平台在极端行情下的执行质量和抗操纵能力仍面临考验：2025年3月 Hyperliquid 发生的巨鲸操纵事件中，验证者投票强制清算了一个异常头寸并回滚了相关价格，这一干预虽然保护了系统免受更大损失，但也暴露了其治理的中心化本质。事实上，当前多数链上永续合约平台的排序器仍由项目团队控制的有限验证者集合运营，这种“技术去中心化但治理中心化”的架构意味着审查交易和优先排序等风险仍然存在。然而，链上永续合约在预言机更新频率和清算效率上仍与链下存在差异，这种 CEX 与 DEX 之间的结构性差异创造了新的套利空间，也构成了制度化时代永续合约市场效率研究的前沿课题 [22]。需要指出的是，关于 CEX 主导价格发现的实证结论（如 Zhivkov（2026）[22]的研究）主要基于 DEX 永续合约尚未规模化的时期，随着2024年下半年以来链上永续合约交易量的爆发式增长，CEX 与 DEX 之间的信息流方向可能正在发生变化。

然而，这并不意味着市场已完全有效。正如前文关于半强式效率所讨论的，信息处理成本依然是获取超额收益的关键。在制度化时代，竞争的焦点从消除简单的价格差异，转向了对复杂信息的深度挖掘和快速反应。这包括对链上数据的微观结构分析、对衍生品市场隐含信息的解读、以及对宏观经济与地缘政治因素如何影响加密资产的量化建模。市场的“信息优势”从发现公开但未被定价的简单信号，转向了通过更优的模型、更快的执行速度和更低的运营成本来获取竞争优势。

### 15.6.4 未来驱动力

展望未来，数字资产市场效率的演化远未终结。新的技术、市场结构和监管范式将继续重塑其面貌，而其中几个关键驱动力尤其值得我们密切关注。

人工智能，特别是大型语言模型驱动的自主交易代理，有望成为信息处理领域的重要推动因素。AI 代理有潜力极大地降低信息处理成本，使得市场对公开信息的反应速度从分钟级提升至秒级甚至毫秒级。然而，这也可能带来新的风险：AI 代理之间的“算法共振”可能在特定情况下放大市场波动，形成新的系统性风险源。更深层的风险在于，当大量 AI 代理使用相似的大语言模型架构、相似的训练数据和相似的决策框架时，可能产生一种超越传统从众行为的“算法羊群效应”，其传导速度和策略一致性远高于人类交易者，有可能在基本面模糊的情况下产生集体性的方向偏差。

底层基础设施的持续迭代同样将深刻影响市场的执行效率。更快的区块链、更高效的跨链通信协议、以及更先进的交易所撮合引擎，将进一步降低交易延迟和执行成本。

监管的全球协同与深化将是塑造未来效率格局的另一个关键变量。随着主要经济体完成对加密资产的监管定性与框架搭建，跨国监管套利的空间将被压缩。然而，监管的影响并非单向的效率提升。严格的合规要求可能提高套利活动的摩擦成本，例如 MiCA 对稳定币发行商的资本要求可能影响 USDT 等跨交易所套利媒介的可得性；不同司法管辖区的差异化监管可能驱使流动性从合规平台向监管宽松的离岸平台迁移，创造新的市场碎片化；而对永续合约杠杆的限制则可能导致信息交易者在不同平台间的再分配。此外，即使是已获批的现货 ETF，SEC 仍保留持续的监管权力和在发现市场操纵证据时暂停或撤销批准的可能性，这种政策不确定性本身也构成了效率演化的风险因子。

在永续合约的未来演化方面，永续合约市场将在未来的效率演化中继续扮演关键角色。随着底层基础设施的升级，我们可以预见永续合约将朝着更高频的结算周期和更透明的清算机制演进。链上永续合约的成熟将进一步缩小其与中心化交易所的效率差距，甚至可能通过创新的去中心化预言机和全链订单簿设计，在某些维度上实现超越。此外，随着不同加密资产间相关性的变化，跨资产的资金费率套利和复杂的统计套利策略将更加普遍。永续合约不仅将继续作为加密市场价格发现的引擎，其自身的制度设计演进也将成为推动整个市场迈向更高效率形态的核心动力。

综上所述，加密市场效率的演化是一个持续进行的适应性过程。从蛮荒时代的混乱无序，到机构化时代的专业竞争，再到制度化时代的合规整合，市场的游戏规则在不断改变，而效率的提升始终伴随着新型脆弱性的涌现。未来的市场将是一个由 AI 代理、高速基础设施和全球监管框架共同塑造的、更高效但也可能更复杂的生态系统。对于所有市场参与者而言，理解并适应这一演化趋势（正如适应性市场假说所揭示的那样）将是持续生存和发展的关键。这也正是本章从理论工具箱到实证检验，再到案例分析和历史演化框架，所试图为读者提供的核心洞察。

## 15.7 本章小结

本章围绕数字资产市场的信息效率，构建了“效率谱”多维分析框架，并将其系统性地应用于弱式效率、半强式效率、制度性效率和极端压力情景的实证检验。这一框架的核心主张是：任何脱离具体维度限定的关于市场效率的陈述都可能产生误导。一个市场可以在高频交易的毫秒尺度上呈现随机游走特征，却在日线或周线级别上暴露出可预测的动量或反转模式；比特币市场的效率与小市值代币的效率存在显著差距；而在常态市场与流动性枯竭的危机状态下，效率的表现差异极大。效率谱框架将效率解构为时间、资产、信息类型、市场状态和市场层级五个维度，为精确定位任何市场现象的效率特征提供了操作性工具。

在这一框架下，永续合约的效率特征贯穿了本章各层次的分析。在弱式效率检验中，主流资产的永续合约在高频日内尺度上比现货更接近随机游走，但资金费率和基差的均值回归特性构成了制度性的弱式效率缺口 [21]。在半强式效率检验中，永续合约因其杠杆和做空便利性而表现出信息放大效应，对突发事件的反应速度领先于现货。在制度性效率层面，8小时一次的资金费率结算内生地创造了可预测的效率周期（U形模式），标记价平滑机制和预言机离散更新引入了信息反映的系统性滞后。在 FTX 崩溃的极端压力测试中，永续合约常态下的效率优势迅速逆转为系统性风险源，高杠杆和清算机制引发级联效应，导致流动性蒸发。与永续合约的制度性分析互补，信息处理成本被证明是决定半强式效率的关键变量。区块链的透明性使得海量数据公开可得，但从原始链上交易记录到可交易信号之间存在巨大的处理鸿沟：市场对标准化宏观信息的反应几乎瞬时完成，对复杂链上信息的反应则存在显著滞后，这种由处理成本差异所创造的结构性优势是当前市场获取超额收益的核心来源之一。

从动态演化的视角看，借鉴 Lo（2004）的适应性市场假说 [9]，加密市场的效率随参与者结构、基础设施和监管环境的变迁而持续调整：从早期的混乱无序，到机构化时代的专业竞争，再到制度化时代的合规整合。弱式效率检验中异象的逐步减弱和跨交易所价差的长期收敛趋势，为这一演化过程提供了充分的实证支持。这些发现对实践具有直接的指导意义：交易策略的成败取决于其所依赖的非效率性是否真实存在、是否可持续，以及在不同市场状态下是否稳健。表 15-7将效率谱框架转化为一份面向交易者和风险管理者的决策检查清单。

| 效率维度 | 关键评估问题 | 交易者应用 | 风险管理者应用 | 警示信号 |
| :--- | :--- | :--- | :--- | :--- |
| 时间维度 | 策略依赖的时间尺度是什么？该尺度上的效率水平如何？ | 高频策略需验证分钟级别是否仍存在可预测模式；日线策略需检验动量或反转效应的当前强度。 | 评估风险模型使用的时间频率与实际交易频率是否匹配；避免用日线数据推断高频风险。 | 历史回测在某一时间尺度上表现优异，但在其他尺度上失效；策略收益随时间尺度变化而大幅波动。 |
| 资产维度 | 目标资产的流动性、市值和分析师覆盖如何？ | 对小市值币的策略需更高的风险溢价补偿；避免将主流币的效率假设套用到长尾资产。 | 对长尾资产敞口需设置更严格的仓位限制和止损；流动性压力测试应考虑资产层级差异。 | 策略在 BTC/ETH 上有效但在小市值币上失败；或相反，在长尾资产上的“超额收益”可能是流动性溢价而非 alpha。 |
| 信息类型维度 | 策略依赖的信息需要多高的处理成本？市场对该类信息的反应速度如何？ | 利用复杂链上信号的策略需投资分析工具和专业知识；标准化信息的套利窗口极短，需高频基础设施。 | 评估团队是否具备解读关键信息类型的能力；对高处理成本信息的敞口需更长的风险窗口。 | 策略依赖的信息优势正在被工具普及侵蚀；或高估了自身解读复杂信息的速度优势。 |
| 市场状态维度 | 策略在不同市场状态下的表现如何？当前处于哪种状态？ | 在常态下有效的策略可能在危机中失效甚至反转；需为状态切换设置动态仓位调整机制。 | 压力测试必须模拟效率崩溃情景，而非仅考虑价格波动；流动性风险在危机中呈非线性放大。 | 策略在回测中表现稳健，但在2020年3月或 FTX 事件期间出现异常巨亏；风险指标在危机前夕未发出预警。 |
| 制度性效率 | 是否存在可预测的制度性效率周期（如资金费率结算）？ | 永续合约策略需考虑资金费率结算前后的价格行为；标记价滞后可能影响止损执行。 | 评估衍生品敞口在资金费率极端情况下的成本；标记价与指数价的偏离可能触发意外强平。 | 策略收益高度集中在资金费率结算前后的特定时段；资金费率绝对值超过年化30%时构成显著尾部风险信号；跨交易所价差持续超过20个基点时需警惕套利限制。 |
| 跨维度综合 | 策略是否在效率谱的多个维度上同时暴露风险？ | 避免在低效率资产上使用高频策略（时间×资产维度错配）；避免在危机状态下依赖复杂信息优势（状态×信息维度错配）。 | 识别多维度风险共振的可能性：小市值币+危机状态+复杂信息=极高风险；构建多维度风险矩阵。 | 策略在单一维度上看似稳健，但在多维度压力叠加时崩溃；风险敞口在效率谱的多个低效率象限重叠。 |

**表 15-7.** 实践指南——基于效率谱的决策检查清单（数据来源：作者整理）

注：本检查清单旨在将本章的效率谱框架转化为可操作的决策工具。使用时应根据具体策略和市场环境，逐项评估并记录答案，以识别潜在的效率假设风险。

> **效率谱定位卡片 · 第15章总结**
>
> | 维度 | 核心发现 | 关键证据 |
> |------|----------|----------|
> | 时间 | 主流资产日内趋近弱式有效，跨日存在可预测性；资金费率结算创造周期性效率波动 | 高频方差比趋近1.0；8小时结算前后的U形波动率模式 |
> | 资产 | 核心资产（BTC/ETH）效率远高于长尾资产；流动性分层决定了效率分层 | 主流交易所间价差<0.5%；小市值代币存在显著动量/反转效应 |
> | 信息类型 | 市场对标准化信息反应瞬时，对复杂链上信息反应迟缓；信息处理成本是核心摩擦 | ETF 获批分钟级定价；DeFi 被黑客攻击后约36%价格变动先于公告 |
> | 市场状态 | 常态下效率持续提升，极端压力下呈现非线性崩溃；效率具有高度状态依赖性 | 跨所价差长期收敛；FTX 崩溃期间流动性蒸发与基差断裂 |
> | 市场层级 | 永续合约常态下主导价格发现，危机时可能放大系统性风险；资金费率具有内生可预测性 | 永续合约占据绝大部分信息份额；危机期清算级联导致价格超调 |
>
> **全章一句话结论**：数字资产市场的信息效率是一个多维、动态且具有状态依赖性的复杂系统，永续合约作为其核心枢纽，在常态下通过集聚信息交易者提升了市场效率，但在制度设计上留下了可预测的周期性缺口，并在极端压力下面临非线性崩溃的风险。

本章对信息效率时变性的探讨，也自然地将我们的视线引向了后续章节的核心主题。市场效率的动态演化，特别是其在极端压力下的急剧崩溃，是理解数字资产市场微观结构和价格基准治理的关键。当信息处理成本高企，市场参与者难以就资产基本价值达成共识时，价格波动便会加剧；当流动性枯竭，价格发现机制失灵时，微小的订单都可能引发巨大的价格冲击。在接下来的章节中，我们将进一步深入探讨杠杆、清算机制以及价格基准治理等主题，而本章建立的效率分析框架，将为我们理解这些机制提供坚实的理论基础。

## 参考文献

[1] Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. *The Journal of Finance*, *25*(2), 383–417. https://doi.org/10.2307/2325486

[2] Urquhart, A. (2016). The inefficiency of Bitcoin. *Economics Letters*, *148*, 80–82. https://doi.org/10.1016/j.econlet.2016.09.019

[3] Tran, V. L., & Leirvik, T. (2020). Efficiency in the markets of crypto-currencies. *Finance Research Letters*, *35*, Article 101382. https://doi.org/10.1016/j.frl.2019.101382

[4] Kang, H. J., Lee, S. G., & Park, S. Y. (2022). Information efficiency in the cryptocurrency market: The efficient-market hypothesis. *Journal of Computer Information Systems*, *62*(3), 622–631. https://doi.org/10.1080/08874417.2021.1872046

[5] Azar, P. D., Olivas, S., & Sinha, N. D. (2025). The price of processing: Information frictions and market efficiency in DeFi (Staff Report No. 1153). Federal Reserve Bank of New York. https://doi.org/10.59576/sr.1153

[6] Yi, E., Yang, B., Jeong, M., Sohn, S., & Ahn, K. (2023). Market efficiency of cryptocurrency: Evidence from the bitcoin market. *Scientific Reports*, *13*, Article 4789. https://doi.org/10.1038/s41598-023-31618-4

[7] Noda, A. (2021). On the evolution of cryptocurrency market efficiency. *Applied Economics Letters*, *28*(6), 433–439. https://doi.org/10.1080/13504851.2020.1758617

[8] Vidal-Tomás, D., Ibáñez, A. M., & Farinós, J. E. (2019). Weak efficiency of the cryptocurrency market: A market portfolio approach. *Applied Economics Letters*, *26*(19), 1627–1633. https://doi.org/10.1080/13504851.2019.1591583

[9] Lo, A. W. (2004). The adaptive markets hypothesis: Market efficiency from an evolutionary perspective. *The Journal of Portfolio Management*, *30*(5), 15–29. https://doi.org/10.3905/jpm.2004.442611

[10] Lo, A. W., & MacKinlay, A. C. (1988). Stock market prices do not follow random walks: Evidence from a simple specification test. *The Review of Financial Studies*, *1*(1), 41–66. https://doi.org/10.1093/rfs/1.1.41

[11] Chow, K. V., & Denning, K. C. (1993). A simple multiple variance ratio test. *Journal of Econometrics*, *58*(3), 385–401. https://doi.org/10.1016/0304-4076(93)90051-6

[12] Wright, J. H. (2000). Alternative variance-ratio tests using ranks and signs. *Journal of Business & Economic Statistics*, *18*(1), 1–9. https://doi.org/10.1080/07350015.2000.10524842

[13] Box, G. E. P., & Pierce, D. A. (1970). Distribution of residual autocorrelations in autoregressive-integrated moving average time series models. *Journal of the American Statistical Association*, 65(332), 1509–1526. https://doi.org/10.1080/01621459.1970.10481180

[14] Brock, W. A., Dechert, W. D., Scheinkman, J. A., & LeBaron, B. (1996). A test for independence based on the correlation dimension. *Econometric Reviews*, 15(3), 197–235. https://doi.org/10.1080/07474939608800353

[15] Apopo, N., & Phiri, A. (2021). On the (in)efficiency of cryptocurrencies: Have they taken daily or weekly random walks? *Heliyon*, *7*(4), Article e06685. https://doi.org/10.1016/j.heliyon.2021.e06685

[16] Aslan, A., & Sensoy, A. (2020). Intraday efficiency-frequency nexus in the cryptocurrency markets. *Finance Research Letters*, *35*, Article 101298. https://doi.org/10.1016/j.frl.2019.09.013

[17] Zhang, Y., Chan, S., Chu, J., & Sulieman, H. (2020). On the market efficiency and liquidity of high-frequency cryptocurrencies in a bull and bear market. *Journal of Risk and Financial Management*, *13*(1), Article 8. https://doi.org/10.3390/jrfm13010008

[18] Zaremba, A., Bilgin, M. H., Long, H., Mercik, J., & Szczygielski, J. J. (2021). Up or down? Short-term reversal, momentum, and liquidity effects in cryptocurrency markets. *International Review of Financial Analysis*, *78*, Article 101908. https://doi.org/10.1016/j.irfa.2021.101908

[19] Caporale, G. M., & Plastun, A. (2020). Momentum effects in the cryptocurrency market after one-day abnormal returns. *Financial Markets and Portfolio Management*, *34*, 251–266. https://doi.org/10.1007/s11408-020-00357-1

[20] Bianchi, D., Guidolin, M., & Pedio, M. (2023). The dynamics of returns predictability in cryptocurrency markets. *The European Journal of Finance*, *29*(6), 583–611. https://doi.org/10.1080/1351847X.2022.2084343

[21] He, S., Manela, A., Ross, O., & von Wachter, V. (2024). Fundamentals of perpetual futures (Working Paper). https://doi.org/10.48550/arXiv.2212.06888

[22] Zhivkov, P. (2026). The two-tiered structure of cryptocurrency funding rate markets. *Mathematics*, *14*(2), Article 346. https://doi.org/10.3390/math14020346

[23] Caporale, G. M., & Plastun, A. (2019). The day of the week effect in the cryptocurrency market. *Finance Research Letters*, *31*, 258–269. https://doi.org/10.1016/j.frl.2018.11.012

[24] Aharon, D. Y., & Qadan, M. (2019). Bitcoin and the day-of-the-week effect. *Finance Research Letters*, *31*, 415–424. https://doi.org/10.1016/j.frl.2018.12.004

[25] Makarov, I., & Schoar, A. (2020). Trading and arbitrage in cryptocurrency markets. *Journal of Financial Economics*, *135*(2), 293–319. https://doi.org/10.1016/j.jfineco.2019.07.001

[26] Giudici, P., & Pagnottoni, P. (2019). High frequency price change spillovers in bitcoin markets. *Risks*, *7*(4), Article 111. https://doi.org/10.3390/risks7040111

[27] Fama, E. F., Fisher, L., Jensen, M. C., & Roll, R. (1969). The adjustment of stock prices to new information. *International Economic Review*, *10*(1), 1–21. https://doi.org/10.2307/2525569

[28] Saggu, A., Ante, L., & Kopiec, K. (2025). Uncertain regulations, definite impacts: The U.S. SEC's regulatory interventions and their effects on crypto assets. *Finance Research Letters*, *72*, Article 106413. https://doi.org/10.1016/j.frl.2024.106413

[29] LMAX Group & Macro Hive. (2025, April). *Millisecond reactions to market shocks: From order flow to cross-asset opportunity*. https://www.lmax.com/documents/LMAXGroup-Macro-Hive-report-2nd-Edition.pdf

[30] Ruan, Q., & Streltsov, A. (2022). Perpetual futures contracts and cryptocurrency market quality (Working Paper). https://doi.org/10.2139/ssrn.4218907

[31] Hasbrouck, J. (1995). One security, many markets: Determining the contributions to price discovery. *The Journal of Finance*, *50*(4), 1175–1199. https://doi.org/10.1111/j.1540-6261.1995.tb04054.x

[32] Kapar, B., & Olmo, J. (2019). An analysis of price discovery between bitcoin futures and spot markets. *Economics Letters*, *174*, 62–64. https://doi.org/10.1016/j.econlet.2018.10.031

[33] Alexander, C., Choi, J., Park, H., & Sohn, S. (2020). BitMEX bitcoin derivatives: Price discovery, informational efficiency, and hedging effectiveness. *Journal of Futures Markets*, *40*(1), 23–43. https://doi.org/10.1002/fut.22050

[34] Robertson, K., & Zhang, R. (2025). Price discovery in bitcoin spot and futures markets. *Journal of International Money and Finance*, *159*, Article 103415. https://doi.org/10.1016/j.jimonfin.2025.103415

[35] De Blasis, R., & Webb, A. (2022). Arbitrage, contract design, and market structure in bitcoin futures markets. *Journal of Futures Markets*, *42*(3), 492–524. https://doi.org/10.1002/fut.22305

[36] Vidal-Tomás, D., Briola, A., & Aste, T. (2023). FTX's downfall and Binance's consolidation: The fragility of centralized digital finance. *Physica A: Statistical Mechanics and Its Applications*, *625*, Article 129044. https://doi.org/10.1016/j.physa.2023.129044

[37] Allison, I. (2022, November 2). Divisions in Sam Bankman-Fried's crypto empire blur on his trading titan Alameda's balance sheet. *CoinDesk*. https://www.coindesk.com/business/2022/11/02/divisions-in-sam-bankman-frieds-crypto-empire-blur-on-his-trading-titan-alamedas-balance-sheet/

[38] Bloomberg. (2022, November 6). *Binance to liquidate its FTX token (FTT) holdings amid Alameda balance-sheet revelations*. Bloomberg News.

[39] Ray, J. J., III. (2022, November 17). *Declaration of John J. Ray III in support of Chapter 11 petitions and first day pleadings*. United States Bankruptcy Court for the District of Delaware.

[40] Yang, Y., & Ghosh, S. (2022, November 9). Binance backs out of FTX rescue, citing finances, investigations. *Bloomberg*. https://www.bloomberg.com/news/articles/2022-11-09/binance-is-said-to-be-very-unlikely-to-go-ahead-with-ftx-deal

[41] Khoo, Y. L., Leow, S., Polk, N., & Chia, D. (2022, November 17). Blockchain analysis: The collapse of Alameda and FTX. *Nansen*. https://www.nansen.ai/research/blockchain-analysis-the-collapse-of-alameda-and-ftx

[42] Shleifer, A., & Vishny, R. W. (1997). The limits of arbitrage. *The Journal of Finance*, 52(1), 35–55. https://doi.org/10.1111/j.1540-6261.1997.tb03807.x

[43] Augustin, P., Rubtsov, A., & Shin, D. (2023). The impact of derivatives on spot markets: Evidence from the introduction of bitcoin futures contracts. *Management Science*, *69*(11), 6752–6776. https://doi.org/10.1287/mnsc.2023.4900

[44] John, K., Li, J., & Liu, R. (2024). Pricing and arbitrage across 80 cryptocurrency exchanges (Working Paper). New York University. https://doi.org/10.2139/ssrn.4816710