实证方式研究数字货币：数据怎么拿、模型怎么建、结果怎么看

实证方式研究数字货币：数据怎么拿、模型怎么建、结果怎么看

用实证方式研究数字货币，本质是把"感觉币要涨"变成"在5%显著性水平下拒绝零假设"。带学生做这个方向好几年，我越来越觉得最大障碍不是模型不够新，而是数据不干净、不连续、不标准。做股票那套直接套在链上资产上实证方式研究数字货币：数据怎么拿、模型怎么建、结果怎么看，基本要重想一遍。

数据是地基。主流做法从Binance、Coinbase的API拉日频价格，叠加Glassnode的链上指标——活跃地址、转账量、矿工收入。坑不少：交易所间价差能到2%-3%，僵尸币序列全是零，幸存者偏差会把截面回归带偏。我一般要求学生至少三个交易所取中位数，再手动剔掉流通量低于阈值的项目。

模型这块，波动率用GARCH族基本够用，测BTC和ETH的动态相关性得上DCC-MGARCH。关心货币政策对加密市场的溢出效应实证方式研究数字货币，VAR或局部投影是更干净的识别策略。做几百个山寨币的面板固定效应回归，异方差稳健标准误必须加上，不然t统计量全废，回归结论根本站不住脚。

让研究真正落地靠的是案例。2023年3月硅谷银行倒闭那周，我用事件研究法测USDT、USDC的累计异常收益，发现脱钩预期在公告前12小时就已price in。DeFi方向，把Aave的TVL和Gas费放一起做门槛回归，高Gas区间借贷效率断崖式下降，跟纯理论推出来的结论差了一截。你手上如果有原始链上数据，最该先跑哪类模型？