《Decision Analytics Journal》：A review of mathematical models for pricing, risk, and optimization in cryptocurrency analytics
编辑推荐：
本文系统性地综述了加密货币与去中心化金融（DeFi）领域的数学模型应用（2019-2024），揭示了经济计量学模型（如GARCH、随机波动率）与数据驱动方法（如机器学习/深度学习、强化学习）的融合趋势。研究发现，这些混合框架提升了高频、非线性区块链市场的预测准确性。文章同时指出，可解释性、治理和环境可持续性仍是待深入探索的维度。
引言：变革中的金融市场
过去十年，以加密货币和去中心化金融（DeFi）为代表的创新彻底重塑了全球金融体系。这些由区块链技术和密码学协议支撑的数字资产，已演变为一个行为独特、波动性显著且充满投机性的复杂资产类别。同时，DeFi通过无需许可的智能合约，创新性地复刻并发展了借贷、交易等传统金融服务，形成了一个在传统监管框架外快速增长的生态系统。理解这一复杂生态系统，需要严谨而灵活的分析工具。本综述所探讨的“数学模型”广泛涵盖了经典分析框架、统计、计量经济学以及机器学习方法，旨在应对加密与DeFi系统固有的非线性互动、内生反馈循环、非平稳性及涌现的网络效应等挑战。面对相关知识体系的高度碎片化，本研究通过系统回顾93篇（2019-2024年）同行评审文献，整合文献计量与定性分析，致力于梳理该领域的方法论进展与研究趋势，并回答以下核心问题：该领域研究数量、焦点及主题趋势如何演变？应用了哪些数学模型？主导的知识集群与概念关系是什么？以及未来的研究方向何在？
概念基础：为何传统模型需要革新？
将传统金融模型直接套用于加密货币与DeFi市场存在根本性挑战。首先，经典定价框架（如无套利定价、风险中性估值）假设市场整合、交易成本低且纠错迅速。然而，加密市场高度碎片化，跨交易所、流动性池和特定链生态系统的交易存在异质性流动性、执行风险和持续的套利窗口，这违背了无摩擦交易的基本假设。其次，加密货币缺乏股票或债券那样的传统现金流结构，其估值高度依赖网络效应、协议激励和投机需求，这种“价值”概念的根本性差异导致了由市场情绪和社交传染驱动的反身性价格动态。再者，DeFi协议引入了传统金融所不具备的算法治理和内生系统性风险，例如无常损失、最大可提取价值（MEV）提取和流动性瀑布。最后，加密货币市场表现出显著的非平稳性，受技术升级、监管冲击和快速创新周期驱动，这削弱了依赖平稳或线性关系的计量经济学方法的假设基础。这些结构性挑战共同说明了为何需要发展混合预测模型、稳健的风险估计器及面向网络的优化策略。
方法与数据：如何系统梳理文献？
本研究的数据来源于Web of Science数据库，时间跨度为2019至2024年。为确保透明性与可重复性，严格遵循了系统综述与荟萃分析优先报告条目框架进行文献筛选与纳入。通过设计的搜索方程，最终有93篇文章被纳入分析。数据分析结合了文献计量图谱与定性内容综述：首先进行绩效分析，量化出版物趋势；其次运用科学图谱技术（如共现分析）揭示领域内的关系结构；最后通过定性综述，将文献归纳为三个分析类别：定价与预测模型、风险与波动率模型，以及优化与网络动态模型。所有分析均在RStudio和Microsoft Excel中完成。
研究发现：趋势、模型与主题演变
研究演变
自2019年以来，该领域的研究数量显著增长，并在2020至2022年间出现跃升，随后进入成熟阶段。文章数量保持高位，而期刊和作者数量趋于稳定，这表明该领域正从探索阶段转向主题与方法论的专业化阶段。这一繁荣期与细粒度数据（订单簿、链上数据、DeFi协议日志）的可获得性提升，以及开放计算基础设施的普及密切相关。研究显示，机器学习在短期预测和微观结构任务中逐渐取代纯统计方法，因其能更好地捕捉非线性、机制转换和厚尾特征。然而，在需要可解释性、简约性和稳定性的风险度量等领域，计量经济学方法仍占据核心地位，甚至常作为混合建模流程的结构性基础组件。
主要数学模型
分析揭示了2021年后的结构性转变：机器与深度学习预测模型成为主流，反映了领域向非线性、数据驱动管道的迁移。与此同时，波动率与风险计量经济学始终是支柱，在2021年和2023年达到高峰，表明简约的GARCH/随机波动率模型家族在风险度量中仍具锚定作用。投资组合构建与优化研究在整个时期内保持稳定，表明预测收益正向配置决策转化。与DeFi操作相关的领域，如区块链系统与运筹学研究，在样本后期加速发展，于2024年达到顶峰，这与协议数据的成熟以及对MEV、流动性路由等问题的兴趣增长一致。一个关键观察是，在加密货币数据中，支持向量回归（SVR）或浅层循环神经网络等简单的机器学习模型通常优于更深层的架构，这凸显了数据历史短、存在结构断裂和高噪声水平等结构性限制。在风险管理领域，透明度和统计严谨性往往比预测精度的微小提升更重要，这解释了GARCH类模型持续相关的原因。
作者关键词年度趋势
高频关键词的累积轨迹证实了三个动态趋势：第一，“加密货币”在整个时期占据主导地位，作为该领域的语义核心持续扩张。第二，“机器学习”从2022年起强势加速，在方法论术语中增长斜率最陡，与向非线性模型的转变一致；“预测”一词的并行增长表明机器学习的采用更倾向于操作性预测。第三，风险相关的支柱词汇保持其相关性：“波动率”呈稳定上升，“风险价值”稳步积累，而“GARCH”则缓慢推进并在后期反弹，支持其作为基准和混合管道输入的角色。预测任务（“预测”、“机器学习”）与风险控制及投资组合理论（“波动率”、“风险价值”、“优化”）在术语上的分异，反映了研究重点的分化：预测任务因数据复杂性而趋向机器学习，而规范性任务则继续依赖可解释的计量经济学方法。
定价、风险与网络动态的整合视角
综合表（表1）揭示了该领域从传统计量经济学向混合及学习型框架的方法论过渡，每个主题都以不同方式应对去中心化市场的波动性、信息不对称和系统复杂性等结构性挑战。
- •
定价维度：证据表明，该领域明确但 nuanced 地转向机器学习。简约模型（如SVR或RNN）相对于深度架构的持续优势表明，在加密市场中的预测能力更依赖于数据表示和特征优化，而非模型深度。同时，随机过程和 Lévy 类模型的持续存在证明，理论结构对于理解厚尾和期权一致性动态仍有价值。
- •
风险维度：在延续金融计量学传统的同时，拓展了方法学前沿。基于极差、厚尾和机制转换的方法，响应了加密资产典型的极端波动和结构断裂。这些方法的整合反映了从单变量波动率估计向能够适应异方差、非正态性和高频不确定性的灵活框架的转变。回测和稳健评估实践的纳入强化了实用导向。
- •
优化维度：反映了方法论进展向决策分析的转化。条件风险价值（CVaR）和基于Copula的投资组合通过显式建模非对称依赖和尾部风险，扩展了传统的均值-方差范式。集成学习和强化学习方法则引入了自适应、反馈驱动的机制。操作优化（如Gas费管理、MEV/BEV提取和能源效率）的出现，标志着该领域在金融建模与算法工程之间的融合，其中执行成本和基础设施约束已成为策略设计的内生部分。
讨论与未来方向
2019至2024年间，加密货币与DeFi研究的数学模型领域已从探索性碎片化走向方法论整合。研究发现，最具意义的贡献在于传统金融理论与数据驱动的人工智能的融合。计量经济学模型（如GARCH、随机波动率）继续提供可解释性、结构严谨性和理论基础，而人工智能和机器学习框架则提供了管理实时、高频区块链数据所需的适应性和非线性预测能力。这种融合催生了数字时代的双轨工具箱：一个侧重分析与理论一致性，另一个侧重经验与适应性，共同标志着“去中心化的计算计量经济学”这一新领域的出现。
然而，该领域仍存在一些持续性的权衡与方法论空白。一个核心矛盾在于预测准确性与可解释性之间的平衡。机器学习模型在短期预测上通常优于统计基准，但其不透明性限制了其在监管应用和机构风险管理中的效用。反之，计量经济学模型在需要透明度和结构一致性的场景中不可或缺，但难以捕捉由社会情绪、网络拥堵等引发的非线性动态。数据质量是另一项未解决的挑战，加密数据集丰富但不稳定，存在频繁的结构断裂和市场操纵可能性。此外，现有文献大多聚焦于价格和收益率动态，对DeFi协议操作变量（如Gas成本、预言机质量）和跨协议系统性风险的综合性模型仍显不足，环境与能源考量也较少被整合到风险度量或优化流程中。
基于此，未来研究应优先关注以下方向：
- 1.
用于金融预测和风险的可解释人工智能：探索整合SHAP、LIME等可解释性AI工具，以量化特征重要性并诊断模型不稳定性。
- 2.
将环境与能源指标整合到风险与优化模型中：将生命周期评估数据纳入投资组合优化和系统性风险评估，构建可持续性感知的加密投资组合。
- 3.
捕捉跨协议和跨链传染的多层网络模型：采用时态图建模、多层网络等方法，揭示冲击在异构区块链生态系统中的传播路径。
- 4.
实时风险分析与流式模型：开发能够摄取高频链上数据并动态更新预测的在线学习算法和流式GARCH/随机波动率模型。
- 5.
行为、情绪与反身性感知建模：整合行为计量经济学、基于主体的模拟和大型语言模型，捕捉传统金融中通常缺失的反身性和内生反馈循环。
- 6.
面向DeFi微观结构的机制感知建模：结合控制理论、排队模型和博弈论机制设计，评估不同智能合约参数和流动性条件下的稳定性。
- 7.
评估指标与基准数据集的标准化：建立共享的开源基准数据集和可复现的流程，以促进方法学的可比性与稳健验证。
结论
本系统综述表明，加密货币与DeFi研究中数学模型的演进，不仅仅是方法论的多样化，更标志着金融分析本身的重塑。通过桥接计量经济学的严谨性与人工智能的适应性，学者们正在为智能、透明和可持续的数字金融新范式奠定基础。这些进展不仅丰富了学术探究，也为在快速扩张的去中心化经济中进行负责任的创新、制定有韧性的监管措施以及做出明智决策提供了必要的量化基础。
