比特幣波動率的秘密：清算瀑布如何翻轉槓桿效應

摘要

比特幣的波動率行為與傳統股票截然不同。股票市場普遍存在「槓桿效應」，股價下跌時波動率上升，這是 Black (1976) 以來半世紀的金融學共識。但比特幣打破了這個規律：在牛市中，它展現出 反向槓桿效應  (anti-leverage)，價格下跌反而讓波動率降低。為什麼？

本文基於 K136 實證分析與 K139 Agent-Based Model (ABM) 模擬，提出一個統一解釋： 加密貨幣市場特有的清算瀑布機制 是驅動 BTC 波動率異常行為的核心引擎。這個機制不僅解釋了 gamma 的 regime 翻轉，還同時解釋了週末波動率下降、極端肥尾、以及為什麼 GJR-GARCH 對比特幣完全無用。

為什麼比特幣不是股票

傳統股票的槓桿效應有清晰的經濟解釋：股價下跌 → 公司的債務/權益比上升 → 財務槓桿增加 → 未來現金流不確定性上升 → 波動率上升。這個機制在所有主要股票市場都穩定存在，GJR-GARCH 模型中的不對稱參數 gamma 長期為正值（典型 0.10-0.20），是金融計量學的基石之一。

比特幣沒有資產負債表、沒有公司治理、沒有盈餘報告。它的價格動態由完全不同的市場微結構驅動，一個 24/7 運轉、充斥高倍槓桿衍生品、存在自動清算機制的去中心化交易所生態系統。用股票市場的模型硬套在比特幣上，就像用牛頓力學描述量子現象，框架本身就不適用。

實證發現：K136 的四個異常

我們對 2014-2025 年 BTC 日頻數據進行 GJR-GARCH 估計，發現四個顯著偏離股票常態的現象：

1. Regime-Dependent Gamma 翻轉

這是最核心的發現。將樣本按牛市/熊市分割後：

•  牛市 gamma = -0.093 ：負值！意味著下跌衝擊反而 降低 波動率。這在股票市場從未出現
•  熊市 gamma = +0.127 ：恢復正常的槓桿效應

全樣本 GJR-GARCH 估計出的固定 gamma 是兩個 regime 的加權平均，結果既不能正確描述牛市，也不能正確描述熊市。 GJR 對 BTC 不僅無用，還會產生反效果 。

2. Volume-Conditioned Gamma 分化

按交易量四分位數分組：

•  高 volume（Q4）gamma = +0.274 ：遠高於股票典型值。高量日的不對稱性極端
•  低 volume（Q1）gamma = -0.059 ：負值。安靜的日子裡，BTC 的波動率對下跌衝擊反向響應

交易量不只是放大波動率的倍數，它根本改變了波動率的 方向性響應 。

3. 週末波動率驟降

BTC 號稱 24/7 交易，但週末波動率僅為工作日的  69% （t = -5.82，高度顯著）。這不是因為「市場休息」——BTC 沒有休市。那為什麼？

4. 極端肥尾

BTC 的標準化殘差服從 Student-t 分佈，自由度  df = 3.25 。相比之下，主要股票的典型 df 在 5-7 之間。df = 3.25 意味著四階矩（峰度）不存在，尾部事件的頻率遠超正態假設。

機制解釋：K139 清算瀑布 ABM

實證發現描述了「是什麼」，但沒有回答「為什麼」。為了從微觀機制理解這些現象，我們建立了一個 Agent-Based Model，模擬加密市場的清算動態。

模型設定

三類投資者，反映真實的加密市場結構：

 關鍵機制是自動清算 ：當價格觸及槓桿交易者的清算線時，倉位被強制平倉，產生額外的賣壓（或買壓），進一步推動價格移動，觸發更多清算，形成 清算瀑布  (liquidation cascade)。

清算瀑布如何產生 Anti-Leverage

 牛市情境 ：

1. 價格持續上漲 → 做多倉位大量累積（30% 的槓桿做多者全部入場）
2. 突然回調 → 觸發多頭清算 → 強制賣出 → 進一步壓低價格
3. 但做空倉位很少（熊市才會大量累積），所以上漲時沒有對稱的清算壓力
4.  結果 ：下跌衝擊產生清算賣壓 → 價格快速下跌後反彈（波動率先升後降）→ 淨效應是 gamma < 0

 熊市情境 ：

1. 價格持續下跌 → 做空倉位大量累積（20% 的槓桿做空者入場）
2. 突然反彈 → 觸發空頭清算（軋空）→ 強制買入 → 進一步推高價格
3. 同時，下跌衝擊與股票的槓桿效應方向一致
4.  結果 ：gamma > 0，回到傳統模式

ABM 重現了 6/7 個 Stylized Facts

6/7 的匹配率相當優秀。唯一失敗的是 volume-conditioned gamma 分化，這暗示真實市場中可能還有 ABM 未捕捉的做市商行為或訂單簿動態。

週末效應的清算解釋

ABM 同時解釋了週末波動率下降：週末時機構交易者和套利者活動減少 → 觸發清算的大額訂單減少 → 清算瀑布發生的機率降低 → 波動率下降。這不是「市場休息」，而是 清算引擎的燃料不足 。

實務意義

1. 放棄 GJR-GARCH

對 BTC 使用固定 gamma 的 GJR-GARCH 是錯誤的。gamma 的符號隨市場 regime 翻轉，一個固定的正值或負值都會在半數時間產生反效果。建議使用：

•  Regime-switching GARCH （Markov-switching 狀態變數控制 gamma）
•  標準 GARCH (gamma=0) （反而比 GJR 更穩健，因為避免了錯誤方向的不對稱調整）

2. 風險管理必須用厚尾分佈

df = 3.25 意味著正態 VaR 會嚴重低估尾部風險。 必須使用 Student-t 或更厚尾的分佈 進行 VaR/ES 計算。用正態假設管理 BTC 風險，等於在暴風雨中用晴天的傘。

3. 監控清算數據

如果清算瀑布是波動率異常的根源，那麼 鏈上清算數據 （如 Coinglass、Bybit 清算紀錄）就不只是事後統計，而是 前瞻性波動率指標 。大量做多倉位累積 = 下跌時清算瀑布的燃料 = 潛在的 anti-leverage 放大效應。

4. 加密 VT 策略需要不同參數

我們先前的研究（BTC RV VT 策略）已經發現，BTC 的 VT 目標波動率應設為 15%（vs 股票的 12%）。清算瀑布機制進一步解釋了為什麼：BTC 的波動率不是平滑變化的，它在清算事件中跳躍式飆升，然後快速回落。這要求更寬的目標區間和更低的調倉頻率。

結論

比特幣的波動率不是「更大的股票波動率」，它是 質性不同的現象 。清算瀑布機制驅動的 regime-dependent gamma 翻轉、極端肥尾、和週末效應，形成了一套完全不同於股票市場的波動率動態。

K139 ABM 證明，只需要三類投資者和一個自動清算規則，就能從微觀機制重現 6/7 個 BTC 波動率 stylized facts。這不是巧合，這是清算瀑布作為 BTC 波動率核心引擎的有力證據。

對研究者而言，這意味著需要重新思考所有移植自股票市場的波動率模型。對投資者而言，這意味著管理加密資產風險時，清算數據比任何 GARCH 模型的預測都更有資訊含量。

本研究為 VolPred 波動率預測系統的 Phase K 成果，基於 K136 實證分析與 K139 ABM 模擬。