数字货币市场为何快速更迭？生态系统理论争相解答

导语

自2008年第一种数字加密货币比特币推出以来，加密货币市场在市值和货币数量方面都出现惊人增长，这一成功引起了经济学家的强烈兴趣。研究者们提出一种视角，将加密货币市场视为一个生态系统。2022年4月发表于 Royal Society Open Science 的最新研究进一步在加密货币市场和生态系统之间建立类比，利用宏观生态理论以更好地阐明加密货币市场的群落结构，考察加密货币之间的相互依赖性和相关性。这些分析将为理解加密货币市场带来新见解。

集智俱乐部正在组织复杂经济学读书会第二季，由北京师范大学李红刚、王有贵、张江、陈清华老师以及中山大学袁先智老师联合发起。从7月11日起，每周一晚举办研讨分享，预计持续 10-12 周。我们将围绕复杂经济学的内涵、基本方法、普适规律、应用场景四个方面进行探讨，并计划组织三次圆桌讨论，与国内外学者进行深入探讨。欢迎感兴趣的朋友报名参与，详情见文末。

研究领域：加密货币市场，宏观生态理论，市场生态学

Edgardo Brigatti, Estevan Augusto Amazonas Mendes | 作者

夏鑫雨 | 译者

梁金 | 审校

邓一雪 | 编辑

论文题目：

Testing macroecological theories in cryptocurrency market: neutral models cannot describe diversity patterns and their variation

论文链接：

https://royalsocietypublishing.org/doi/10.1098/rsos.212005

摘要：我们借用生态学的方法和概念对加密货币市场进行了分析。这种方法使我们有可能借助与生态系统的类比确定具体的多样性模式及其变化，并以有效的方式描述加密货币市场的特征。同时，它显示了非生物系统如何在对比不同的生态学理论和测试中性模型的使用方面具有重要作用。对加密货币丰度分布和群落结构演变的研究强烈表明，这些统计学模式与中性模型不一致。特别是，当加密货币的数量增长时，必须增加群落构成的时间变化，这表明它们的相互作用不一定很弱。对种内和种间相互依赖性的分析支持了这一事实，并表明存在一个受互利共生关系影响的市场部门。这些最新的发现挑战了弱相互作用的对称物种假说，这是中性模型的核心假设。

1. 引言

自2008年以中本聪（Satoshi Nakamoto）的笔名撰写的一篇论文推出第一种点对点数字货币比特币[1]以来，加密货币市场在市值和不同加密货币的数量出现了惊人增长。这一成功引起了经济学家的兴趣，他们致力于探索这些数字货币是否可以执行货币的所有三个功能（交易媒介、记账单位和价值贮藏）[2]，并担心这种趋势可能对传统货币或政府当局产生的影响。

由于大多数加密货币更像是一种投资组合投机资产而不是一种货币，它们引起了交易者和机构投资者的注意。这一趋势已经反映在学术研究中，这些研究通常集中在比特币及其价格动态上[3-5]。最近，一些研究试图描述整体市场[6]，着眼于所有活跃交易的加密货币的动态[7，8]。在这些最新的文献中，ElBahrawy 等人 [7]引入了一个有趣的视角，将加密货币市场视为一个生态系统。基于这种框架，他们描述了几种典型的分布。这种相似性的使用并不新鲜，并且沿袭了一系列工作，其中非生物[9，10]、合成系统[11-13]或人工生命类型模拟[14]已经从生态系统的角度进行了描述，并用于检验生态和演化理论。在这项工作中，我们将专注于这些方面，对加密货币市场进行深入分析，以描述其一些基本方面或进行比较和评估生态模型。

在过去二十年中，两种截然不同的生态理论围绕塑造生态群落的主要机制引发了一场重要的辩论。生态位理论（Niche theory）[15，16]指出，决定群落的最相关因素是由个体、物种和环境之间的相互作用产生的选择来定义的。相比之下，中性理论（neutral theory）[17，18]认为主导因素是种群动力学中存在的随机过程，这决定了它们的随机漂移。

在其更成功的运用中，生物多样性的中性理论建模了人均（per capita）出生率、死亡率、迁移率和物种形成率相同的群落有机体[17]。物种之间没有差异，这些物种被认为在种群统计学和生态学上是相同的。从理论的角度来看，这些假设意味着功能等效假设：在相同营养级上，物种由相同速率的维持生命所必需事件刻画。从模型的角度来看，它们导致了对称假设：群落动力学不受个体物种标签互换的影响[19]。

在这项工作中，我们将只考虑非空间中性模型（non-spatial neutral model），模型在个体而不是物种水平上描述种群，从而可以直接估计物种丰度。在这些模型中，我们考虑非常一般的Markovian模型，通常通过主方程[18]或Langevin方程[20]来描述。这些方法在稳态下生成预测。因此，我们将集中关注可以被认为是接近稳态的变量。

这些生态中性模型生成不同宏观生态模式的统计中性分布。一般来说，为了用经验数据检验这些理论，使用统计选择来确定这些分布是否与经验分布相容。严格地说，这种统计中性（neutrality，模型和数据分布之间的依从性）是声称中性的必要但不充分条件[21]。即使这是检验中性的最实用的方法，对相互作用形式的分析以及物种是否满足功能等效的假设，也可以产生更具启发性和决定性的结果。

基于这些考虑，我们研究的主要目的将是分析和描述转换为加密货币市场特定情况的不同宏观生态模式。此外，我们将把注意力集中在检查加密货币之间存在的相互依赖性和相关性上。在方法部分，我们将详细介绍哪些模式以及如何进行这些分析。

简而言之，在加密货币市场和生态系统之间建立类比将更好地阐明加密货币市场的群落结构，阐明加密货币之间的现有关系。尽管它很重要，但对市场结构和相互作用的理论描述是有限的，需要新的概念和方法。生态学能够引入新的和强有力的思想，它们经受过讨论和检验。在这项工作中，我们将描述特定的动力学，确定新的典型事实和模式，并将它们与待检验的理论进行比较。该分析将带来对所考虑的市场的新见解和理解，突出可能有助于对冲风险的重要因素。基于类比的方法的自然局限性可以在将来通过引入用于纠正不准确和构建新模型的特定功能来克服。

2. 数据

我们从网站 Coin Market Cap [22]收集了加密货币数据，该网站从交易市场平台中提取了以美元表示的价格，前24小时的交易量以及不同加密货币的市值。市值（Market capitalization）是流通中供给量与价格的乘积，不能解释休眠或销毁的货币。交易的加密货币可以从网站列表中消失，稍后重新出现。事实上，在每周报告之前6小时内未交易的加密货币的市值不包括在数据集中，并且7天内不活跃的加密货币不包括在列表中。出于这个原因，我们通过引入每个缺口两端可用值之间的平均值来填补这些空白。最后，我们通过纠正加密货币名称或符号中存在的一些不匹配或拼写错误来清除数据集。

我们考虑了2013年4月28日至2020年2月2日的每周数据，这些数据对应于一系列 354 个时间步长。该数据集总共包含3588种加密货币。

3. 方法

为了构建生态系统和加密货币市场之间的相似性，我们认为每种加密货币都代表一个物种，其市值是物种丰度。通过这种方式，投资于加密货币的财富取代了物种的种群规模。

我们分析的第一个宏观生态模式是物种丰度分布（species abundance distribution，SAD），这是一个经典的生物多样性指标，表征生态系统多样性的静态特征。此分布表示物种呈现给定种群规模的概率。Volkov等人通过使用中性生态群落的非常一般的随机马尔可夫模型，表明在稳态下，SAD遵循局部群落的解析零和多项式分布（zero-sum multinomial distribution），对于元群落，遵循著名的Fisher分布[18，23]，正如Hubbell的中性模型已经预测的那样[17]。请注意，由于该模型是非空间的，因此术语元群落表示一个没有迁移的单个永久性大群落。相比之下，局部群落呈现出由永久物种来源（元群落）迁移所定义的动力学。从这个意义上说，我们的数据必须被认为是从元群落收集的，并且基于 Volkov 等人的结果，它们应该用Fisher分布来描述：p(x) ∝e^-cx/x [24]。中性理论产生的分布的经典替代方案是对数正态分布：，如果选择变量log(x)，则等效于正态分布。这种分布在生态学文献中有着悠久的使用传统[25]，它是SAD的合理和简洁的零假设[26]，可以从基于中心极限定理[27]的纯统计非生物学论证中获得，也可以由种群模型中物种之间的生态位或种群统计差异产生[28]。总而言之，用Fisher分布来描述SAD将支持中性动力学的想法。相比之下，对数正态分布表明存在其他类型的种群动力学或纯统计机制。

第二种宏观生态模式是物种种群关系（species population relation，SPR）。它描述了物种数量N与个体总数x的缩放关系（scaling）。当总种群x的不同物种遵循Fisher分布时，给定种群x的预期物种数由下式给出：N(x)=αlog(1+(x/α)) [24]。生态学研究通常测量物种数量与采样区域之间的关系，假设x与区域之间存在线性关系，可以很容易地获得。文献中常见的这种关系的另一种表征是基于显示幂律行为的经验曲线，指数表示0和1之间的典型值[29]。

到目前为止，我们关注的是静态的宏观生态模式，这些模式可以与中性理论在稳定状态下产生的结果相关。然而，对于以物种、丰度和组成的流动状态为特征的系统来说，稳态只是一个近似值，而且不一定是一个好的近似值。出于这个原因，我们研究了系统的时序行为，并描述了与时间有关的模式。

不同物种在演化过程中相互作用的历史产生了复杂的群落，其特征是非平凡（non-trivial）的结构。新物种不断取代旧物种，产生错综复杂的重叠，这种轮换可以采用物种更替分布（species turnover distribution，STD）来表征。这种分布的定义是：由一个时间间隔t分开的物种种群比例的概率，x(t)/x(0)，等于λ。在稳态条件下，Azaele等人[20]引入了一种可以预测STD的中性模型。在此框架内，获得此分布的解析表达式

其中A和B是参数，C是重整化常数，等于

。

加密货币的群落构成呈现出一个随时间推移而演变的连贯结构。这种结构可以通过分析每个货币的市值如何变化来量化。生态学中已使用各种不同的指标，通过相似性测量来追踪群落构成的修饰[30，31]。在这里，我们采用一个简单而众所周知的指标，它对其值进行了直接的解释[32]。给定物种i的市值C_i(t) ，我们考虑（为了避免0对数而添加1），其中t是给定的月份。请注意，对于可以用对数正态分布粗略描述的量，对数变换是一种自然方法。下一步是估计对数变换数据的皮尔逊相关性：，其中相关性是在指标i上计算的。这种方法是众所周知的[32，33]，并且很容易支持显著性检验：0表示完全随机性，并且是显著性检验的零假设。总而言之，我们通过观察r_S的时间衰减的功能形式来表征群落相似性演化模式，它描述了从完全相关结构到完全不相关结构的转变。

我们将这种对群落构成的实证分析获得的结果与[20，34]中引入的中性模型生成的结果进行比较，该模型由随机离散微分方程组构成。该模型描述了一个物种数量固定的生态群落，其中群落中的个体总数设置为N。在大总体数极限下，可以放宽这些约束并获得类似的结果[34]。如果表示时间t时第i个物种的数量，则其演化遵循此等式

参数b控制灭绝阈值附近的种群规模，同时考虑到迁徙、灭绝和物种形成的总体影响。ρ和σ是描述人均出生率分布的平均值和标准差。基于中性原则，我们假设ρ和σ对所有个体都是相同的。最后，η是一个不相关的高斯噪声项，均值和单位方差为零。通过取连续极限，这个随机离散模型可以通过 Langevin 和相关的 Fokker-Plank 方程来近似。其解析解表明，在大N极限下，伽玛分布描述了该模型的物种丰度分布。这种分布可以很好地描述各种实验物种丰度分布数据，并接近 2b/σ²<<1 情况下的 Fisher 分布 [20，34]。这些结果可以与Volkov等人为出生和死亡系数的特定选择而提出的中性理论的经典结果联系起来[18]。

我们最后的分析着眼于加密货币之间相互依赖关系的特征。这种检查将有助于探索在加密货币群落中对称物种假设是否得到很好的支持，以及物种之间的相互作用是否可被视为相对于随机效应较弱，正如中性动力学所预期的那样。由于市值呈现出不断增长的趋势，我们不直接研究它们的相关性。相比之下，我们考虑给定物种i的市值的对数变化：V_i(t)=ln[C_i(t)]−ln[C_i(t−1)]。作为依赖性度量，我们考虑了一对加密货币i和j的同步时间演变 V(t) 之间的皮尔逊相关性：Corr(V_i(t),V_j(t))。通过查看相应的相关矩阵，解决了市值的对数变化之间的相互依赖关系。

4. 结果

4.1. 一般动力学

我们考虑在给定时间收集活跃加密货币数量（N(t)）的时间序列，我们评估相应的物种形成和灭绝率（图1），衡量为给定一周内进入（以及相应的，离开）市场的加密货币数量，对当时活跃加密货币的数量进行归一化。通过观察活跃加密货币的数量以及物种形成和灭绝率，可以定性地区分三个不同阶段：

在2014年6月1日之前，数量辐射（mass radiation）阶段，其特征在于由非常多的物种形成事件引起的加密货币数量的惊人增加。这一阶段的特点是波动很大。
在2014年11月2日至2017年4月30日之间，我们可以突出显示一个平稳阶段（stationary），具有可比的物种形成和灭绝率。
从2017年5月7日开始，正向趋势（positive trend）是新阶段的特征，加密货币的数量以渐进和规律的方式略有增长。此外，这一阶段呈现出物种形成率相对于灭绝率更高。

一般来说，灭绝率在典型值附近波动，除了一些稀有和突然的灭绝爆发。与之相对，物种形成率呈现出不同的行为，这些行为决定了所考虑的三种阶段的模式。

图1.（a）活跃加密货币交易量（i），给定一周内的物种形成和灭绝率，使用四周的滚动平均值（ii）。虚线垂直线表示静止阶段的开始（2014年11月2日）及其结束（2017年4月30日）。（b）市值的四周滚动平均值。

总市值 C(t) 总体上呈现出重要的正向趋势。在活跃加密货币数量不变的阶段，可以检测到指数增长的区间；在新货币受到重要辐射的区域，可以确定具有超指数行为的阶段。

4.2. 物种丰度分布

图2显示了考虑不同时间段和时间尺度的物种丰度分布（SAD）。我们提供了一年或更长时间的汇总数据，考虑了所有平稳和非平稳周期。对于每种加密货币，我们测量相应的市场份额（market share，MS），以克服市值非平稳性的问题。在较短的时间尺度上可以获得可比较的结果，相当于一个月甚至一周。为了测试中性理论，我们必须关注平稳期，可以将活跃加密货币数量的动力学视为平稳的，我们可以将经验数据与理论预测进行比较，这些预测是在平稳性下获得的。值得注意的是，在生态学中，未完全审查地区的情况经常发生，这种情况通常会导致稀有物种的采样不足。在这种情况下，通常考虑仅拟合包含最常见物种的分布部分。相比之下，在我们的例子中，可以考虑获取一个完全采样的群落，这一假设得到了分布左尾形状规律性的支持，这不会受到强烈的统计波动的影响。只要看看我们分布的完整形状，它总是呈现出一个明显的内部模式，我们就可以坚定地抛弃Fisher分布可以很好地描述我们的数据集的假设。事实上，Fisher分布是单调的，并不呈现内部模式。相比之下，我们可以使用对数正态分布执行高质量的拟合。特别是，通过使用Kolmogorov-Smirnov检验我们对拟合对数正态分布的观测，我们不能拒绝数据来自拟合分布的假设，因为p值在所有考虑的情况下都非常高（图2）。

图2. 物种丰度分布对不同时期的经验数据进行采样。上图：在数量辐射期、平稳期和正趋势期采样的数据。对于表示652、1291和2825个元素的数据集，Kolmogorov–Smirnov 检验的 p 值为 0.584、0.626、0.245。下图：从2011年11月开始的平稳期收集的数据，以及1年采样的数据。对于呈现840、866和1170个元素的数据集，Kolmogorov-Smirnov 检验的 p 值为 0.996、0.715、0.253。

4.3. 物种种群关系

为了研究物种种群关系（SPR），我们分析了平稳期，并扫描了具有不同时间间隔的相应数据集。我们考虑1到10周之间的间隔，对于每个样本，测量市值和物种数量。我们在图3中绘制了每一对这些数据值，其中我们表示了通过使用关系 αlog(1+(x/α)) 获得的拟合与幂律关系的对比。N 对 C 的依赖性非常弱，对数或幂律函数是否更好地描述数据点，则无法肯定。

图3. 市值与物种数量的对数线性图。红线是根据关系式 αlog(1 + (x/α)) 获得的最优拟合，蓝线是根据幂律获得的最优拟合。

4.4. 群落结构的演化

我们使用加密货币市场份额来估计物种更替分布（STD）。我们考虑 x(0）位于平稳期的货币。STD与方程（3.1）的解析表达式的拟合给出了对比结果，如图4所示。对于t的某些值，拟合令人满意，对于其他值，拟合分布和经验分布之间存在微小但系统的差异。经验数据呈现左尾和右尾之间的不对称性，具有更大的发展负λ值的倾向，这与减少的种群相对应。从STD拟合获得的参数可用于产生由中性模型[20，34]生成的物种丰度分布（SAD）。B的拟合值（0.48 ≤ B ≤0.71）导致SAD呈现的形状与描述没有迁移的单个群落的中性模型的预期形状相去甚远。

图4. 考虑到加密货币的市场份额，评估了物种更替分布。我们固定 t=1，2，4，8，16，32 周。我们考虑变量 r=log(λ) 并绘制分布 P′(r) =P_STD(e^r, t)，其中 P_STD(e^r, t) 由等式（3.1）给出。最优拟合由虚线表示。

图5显示了初始群落中对数丰度与以下指定时间丰度的散点图示例。对于这些不同的图，我们评估了相关性，并检查了它们在1年内的演变。我们对所有数据执行此分析。在数量辐射阶段，可以观察到指数型行为。相反，当群落进入平稳期时，r_S 随着时间遵循明显的线性行为而减少，并且此模式一直保持到时间序列结束。线性拟合的斜率值（a）沿考虑的年数减小。这些斜率值是量化生态学家所谓的时间β多样性[31]的有趣参数，它表征了单个群落组成随时间的变化。a 值越负表示群落结构中变化越强烈，对应于更强的时间β多样性。在此框架下，单一群落物种时间变化特征的时间α多样性与时间β多样性之间的关系特别有意思。在图6中，我们可以看到随着α多样性的增加而增加的时间β多样性的总趋势。α多样性是使用所考虑区间内物种数量（物种丰度）的简单计数来估计的。

图5. （a）初始群落中对数丰度与以下特定时间丰度（以月为单位）的散点图。显示从 2015 年 4 月 28 日到 2016 年 4 月 28 日期间的数据。结果，最初稀有或不存在的物种出现在x轴附近，稀有或灭绝的物种出现在y轴附近。请注意，许多加密货币是如何消失的。不同的颜色对应不同的货币。（b）群落结构指数 r_S 在1年内的演化。数据从2013年4月28日开始。连续黑线是最佳拟合的线性函数；红线表示指数拟合。请注意，通常，相关性表示正值。无论如何，可以达到负值，作为物种围绕x轴和y轴的最终积累的产物。

图6. （a） 2015 年至 2019 年图 5 中考虑的五个时间区间内，最优拟合线性函数（a）与活跃加密货币数量（物种丰度）的回归斜率。第一个量是时间β多样性（物种更替，即物种构成的时间变化）的度量，第二个量是α多样性的度量。（b）特定加密货币的发生与平均市值的散点图。评估数据时考虑了从静止周期开始到数据集结束的间隔。

此外，我们分析了给定物种种群的丰度与其寿命之间是否存在明确的关系。我们估计了丰度，考虑了在其时间序列中估计的市值的平均值。寿命是通过测量加密货币在所有考虑的几周内活跃的周数的发生率来获得的。通过查看这些数量的散点图（图6），我们可以看到市值小于10⁴的加密货币寿命缩短，发生率几乎达不到 0.5。然而，我们可以感知到这些量显示出意想不到的相当弱的依赖性。

我们通过比较静止期显示的r_S行为和等式（3.2）中提出的中性模型的结果来总结这一分析。模拟运行了几代，允许达到r_S值接近真实数据显示的最小值。我们根据所选时间段内数据集中出现的平均物种数来固定物种数量s，并选择比率 2b/σ² 在足够小的值中，可以生成准Fisher分布。通过固定b=1和改变σ来实现此目的。

我们收集物种丰度并考虑灭绝/物种形成事件。当项取零值时，将计入这些事件。从这些人工数据中，我们可以得到 r_S 值。我们对 N, ρ 的不同值和进行了大量模拟。对于此范围的参数值，模型仅生成指数衰减。图7显示了特定参数的典型示例。

图7. 典型的 r_S 从中性方程模型（3.2）生成的人工数据中获得的衰减。在这种情况下，模型参数为：N = 10⁷， ρ = 3.5 ，，b = 1， s = 1500；τ 以模拟时间表示。连续黑线是线性拟合，红线是指数拟合。

4.5. 相关性

我们研究了在整个静止期内活跃的225种加密货币的子集。图 8 报告了加密货币对的相关矩阵。对相关值的定性观察显示与随机样本值的明显偏差，矩阵呈现出清晰的结构。对于具有较高市值的加密货币，相关性具有较大的值，这些值在统计上显著且为正。通过查看最大的25种加密货币的行为，可以清楚地看到这一结果。

图8. 上图：所有考虑的加密货币（左图）和前25种（右图）的相关矩阵图。加密货币从最小到最大市值填充矩阵（考虑的市值是平稳期的总市值）。请注意，高市值的加密货币对（由红色方块突出显示）通常如何呈现更高的相关性。下图：左侧的蓝色是所有考虑的加密货币（a）和前25种（b）货币对的相关性分布。红色表示从随机序列获得的相同分布。在右边，τ = 1的时间自相关是加密货币平稳期内聚合市值的函数。虚线表示在 10 个不同实现中估计的随机化数据自相关分布的 1/99 百分位。

最后，我们来看看单个加密货币的时间自相关：r_A(τ）=Corr(V(t)，V(t+τ))。我们关注r_A(1)，因为τ>1时的自相关值通常与随机序列的值难以区分。如图 8 所示，r_A(1) 与所考虑的加密货币市值有明显的依赖关系。对于较小的市值，一些加密货币呈现出显著的反相关性，对于较大的市值，只有少数加密货币显示出显著但很小的正相关关系。特别是，在市值最大的25种货币中，只有两种货币具有显著的相关值。

5. 讨论

物种丰度分布（SAD）的形状为中性理论的替代方案提供了强有力的支持。事实上，无迁徙的中性模型（描述元群落尺度上的分布）预测了Fisher分布。相比之下，拟合优度检验表明，对数正态与观测到的物种丰度数据非常接近。这意味着从对数尺度来看，SAD显示出强烈的中心趋势，稀有或丰富的物种相对较少。相比之下，中性动力学会产生更多稀有物种，而真正的占优物种则不太可能产生。

对物种种群关系（SPR）的分析没有给出明确的答案，允许选择两种替代模型中的一种。事实上，物种和种群之间存在依赖性，但它非常弱，不可能区分对数依赖性或幂律依赖性。

物种更替分布（STD）拟合与中性模型生成的分布不允许直接解释。即使对于t的某些值的拟合是有希望的，我们也必须强调，相同的分布同样适合由非常不同的种群生成的更替数据，对应于不同的物种丰度分布，可以描述有或没有中心模式的情况。因此，重要的是要看看给定的STD拟合会产生什么SAD。在我们的例子中，STD拟合生成的SAD呈现的形状与描述无迁移单一群落的中性模型的预期形状相去甚远。出于这个原因，我们认为这个结果不支持中性理论。这个具体的例子说明了曲线拟合是测试模型的一种有价值的方法，但它不一定是决定性的。特别是，当拟合分布足够灵活可以描述非常不同的情况时，就是这种情况。

群落结构相关性的演变显示出一种非常有趣的模式。事实上，在辐射阶段之后，它显示出一个特征性的线性衰减。描述无迁移单一群落的中性模型不能产生这种线性行为。指数行为的缺乏表明群落结构变化的动力学远非随机的，中等丰度物种的相对丰度漂移相当缓慢。该系统显然被赋予了一种中性模型中不存在的机制，它允许相对稀有和中等丰度的硬币随着时间推移而持续存在。这种猜想得到了加密货币持久性与其丰度相关的性能的支持：事实上只有非常稀有的货币才能系统地灭绝。持久性和丰度显示出较弱的依赖性，与中性模型的结果（见[20]）相反，不太丰富的物种并没有明显地更容易灭绝。

群落结构变化速度与其物种丰富度的关系表明，随着时间推移，更多加密货币的存在往往会加速群落组成的重组。如果大量新物种进入系统，市场必须通过更快的时间重组来适应，这可以对市场注入的财富产生更精细的时间细分。α多样性的增加对时间β多样性有直接影响，这一事实可能表明加密货币之间的种间竞争并不那么弱。

这些原始结果证明了使用非生物数据来测试和改进生态理论和方法在量化时间行为方面的特殊优势，其中生态数据集通常稀缺或必须依赖于碎片化的古生物学数据。

对加密货币对的相关矩阵的分析量化了物种i的增加/减少对物种j的增加/减少的依赖性。结果清楚地表明存在一组货币，包括市值较高的加密货币，其市值变化中呈现出一种一致的反应。这一重要结果表明，市场某一部门的行为是一致的。正向和统计相关的相关性表明存在互惠主义：属于该部门的加密货币受益于属于同一部门的其他加密货币的市值增加。这种效应可以通过内源性因素或外源性共同原因驱动因素的最终贡献来确定。我们可以区分两类加密货币：较小的一类，其市值变化呈现出明显的正相关关系，另一类较大的一类，其市值变化是不相关的。在考虑的时间尺度上，这些类别之间没有互换，我们可以将物种标记为属于或不属于给定的类别。加密货币在这种行为上不是对称的，对称物种假设似乎没有得到满足，这意味着该系统不是中性的。在中性模型中，普通物种被简单地视为稀有物种，但在这里，相关性的行为表明，不同的机制正在塑造这两类加密货币，应该被考虑在内。市值较大的货币不能简单地被视为稀有货币[35]。我们记得，在生态中性模型中，一对物种丰度的相关性与任何其他对物种丰度的相关性相同[21]。因此，具有相等相关系数的分布可以作为测量统计中性程度的指标。成对Vi(t) 的相关性应该具有类似的作用。

最后，通过将加密货币对之间的相关性值与每种加密货币的自相关进行对比，我们可以阐明物种之间相互作用的相关性，以及它们与动力学的随机驱动因素相比实际上是否更弱。成对相关性可以被视为物种间相互依赖性（种间）的指标变量，而自相关则被视为物种内时间相互依赖性（种内）的指标变量。我们可以注意到，对于最大的市值，当种间相关性相关且为正时，种内相关性通常要小得多，且在统计上不显著。在这种情况下，种间相关性与种内相关性相比并不弱，并且可能由并非由中性动力学产生的群落动力学的一些约束产生。

总而言之，我们用从生态学那里借来的方法和概念分析了加密货币市场。这种方法可以识别物种多样性模式及其变化，与生态系统非常相似，并有效地描述它们。同时，我们可以对比不同的生态理论，测试使用中性模型的有效性。SAD的行为和群落结构的演化强烈表明，这些统计模式与中性情况不一致。特别是，当物种丰度增加时增加群落组成变化的必要性表明，加密货币之间的相互作用不一定很弱。这一事实得到了种内和种间相互依存关系分析的支持，这也表明可以概述受互惠关系影响的市场部门。所有这些结果都挑战了弱相互作用对称物种假说。

我们的结果表明，使用生态学视角可以有效地描述加密货币市场的群落结构。除了静态分布之外，我们的分析还突出了丰富时间动力学的物种模式。这些数据直接与中性模型进行了比较。即使被证伪，这些模型也为简洁描述提供了一个参考点，充当了一个有用的零模型。我们的研究引入了有趣的新策略来描述动态模式，这些策略即使在生态学研究中也是新颖的。对加密货币市场整个数据集的可访问性，没有来自采样的限制，使得探索这些工具成为可能。由于这些原因，这些结果会产生有趣的影响，无论是对加密货币市场的刻画，或是非生物系统在测试生态理论方面的相关性。最后，加密货币市场所表现出的一系列新的经验规律和总体趋势，可以为探索市场生态学这一令人兴奋的新兴领域引入有趣的元素[36，37]。

数据获取路径

本文中使用的所有数据都可以从Coin Market Cap下载。下载过程可从以下位置访问：

https://coinmarketcap.com/all/views/all/

参考文献

1. Nakamoto S. 2009 Bitcoin: a peer-to-peer electronic cash system. See https://bitcoin.org/ bitcoin.pdf.

2. Ammous S. 2018 Can cryptocurrencies fulfill the functions of money? Q. Rev. Econ.
3. Finance 70, 38–51. (doi:10.1016/j.qref.2018.05. 010)

Urquhart A. 2016 The inefficiency of Bitcoin. Econ. Lett. 148, 80–82. (doi:10.1016/j.econlet. 2016.09.019)

4. Dimitrova V, Fernández-Martínez M, Sánchez- Granero MA, Trinidad Segovia JE. 2019 Some comments on Bitcoin market (in)efficiency. PLoS ONE 14, e0219243. (doi:10.1371/journal.pone. 0219243)

5. De Sousa Filho FNM, Silva JN, Bertella MA, Brigatti E. 2021 The leverage effect and other stylized facts displayed by Bitcoin returns. Braz. J. Phys. 51, 576–586. (doi:10.1007/ s13538-020-00846-8)

6. Drożdż S, Minati L, Oświe ̧cimka P, Stanuszek M, Watorek M. 2020 Competition of noise and collectivity in global cryptocurrency trading: route to a self-contained market. Chaos 30, 023122. (doi:10.1063/1.5139634)

7. ElBahrawy A, Alessandretti L, Kandler A, Pastor-Satorras R, Baronchelli A. 2017 Evolutionary dynamics of the cryptocurrency market. R. Soc. Open Sci. 4, 170623. (doi:10. 1098/rsos.170623)

8. Wu K, Wheatley S, Sornette D. 2018 Classification of cryptocurrency coins and tokens by the dynamics of their market capitalizations. R. Soc. Open Sci. 5, 180381. (doi:10.1098/rsos. 180381)

9. Gaston KJ, Blackburn TM, Lawton JH. 1993 Comparing animals and automobiles: a vehicle for understanding body size and abundance relationships in species assemblages? Oikos 66, 172–179. (doi:10.2307/3545211)

10. Blonder B, Sloat L, Enquist BJ, McGill B. 2014 Separating macroecological pattern and process: comparing ecological, economic, and geological systems. PLoS ONE 9, e112850. (doi:10.1371/ journal.pone.0112850)

11. Keil P, MacDonald AAM, Ramirez KS, Bennett JM, García-Peña GE, Yguel B, Bourgeois B, Meyer C. 2018 Macroecological and macroevolutionary patterns emerge in the universe of GNU/Linux operating systems. Ecography 41, 1788–1800. (doi:10.1111/ecog.03424)

12. Valverde S, Sole RV. 2015 Punctuated equilibrium in the large-scale evolution of programming languages. J. R. Soc. Interface 12, 20150249. (doi:10.1098/rsif.2015.0249)

13. Buchanan A, Packard NH, Bedau MA. 2011 Measuring the drivers of technological innovation in the patent record. Artif. Life 17, 109. (doi:10.1162/artl_a_00022)

14. Chow SS, Wilke CO, Ofria C, Lenski RE, Adami C. 2004 Adaptive radiation from resource competition in digital organisms. Science 305, 84. (doi:10.1126/science.1096307)

15. Grinnell J. 1917 The niche-relationships of the California thrasher. The Auk 34, 427–433. (doi:10.2307/4072271)

16. MacArthur RH. 1957 On the relative abundance of bird species. Proc. Natl Acad. Sci. USA 43, 293–295. (doi:10.1073/pnas.43.3.293)

17. Hubbell SP. 2001 The unified neutral theory of biodiversity and biogeography (MPB-32). Princeton, NJ: Princeton Univ. Press.

18. Volkov I, Banavar JR, Hubbell SP, Maritan A. 2003 Neutral theory and relative species abundance in ecology. Nature 424, 1035–1037. (doi:10.1038/nature01883)

19. Borile C, Muñoz MA, Azaele S, Banavar JR, Maritan A. 2012 Spontaneously broken neutral symmetry in an ecological system. Phys. Rev. Lett. 109, 038102. (doi:10.1103/PhysRevLett. 109.038102)

20. Azaele S, Pigolotti S, Banavar J, Maritan A. 2006 Dynamical evolution of ecosystems. Nature 444, 926–928. (doi:10.1038/nature05320)

21. Fisher CK, Mehta P. 2014 Niche-to-neutral transition in ecology. Proc. Natl Acad. Sci. USA 111, 13 111–13 116. (doi:10.1073/pnas. 1405637111)

22. Total Market Capitalization. See https:// coinmarketcap.com/all/views/all/.

23. McGill BJ, Maurer BA, Weiser MD. 2006 Empirical evaluation of neutral theory. Ecology 87, 1411–1423. (doi:10.1890/0012- 9658(2006)87[1411:EEONT]2.0.CO;2)

24. Fisher RA, Corbet AS, Williams CB. 1943 The relation between the number of species and the number of individuals in a random sample of an animal population. J. Anim. Ecol. 12, 42–58. (doi:10.2307/1411)

25. Preston FW. 1948 The commonness, and rarity, of species. Ecology 29, 254–283. (doi:10.2307/ 1930989)

26. McGill BJ. 2003 A test of the unified neutral theory of biodiversity. Nature 422, 881–885. (doi:10.1038/nature01583)

27. May RM.1975 Patterns of species abundance and diversity. In Ecology and Evolution of Communities (eds ML Cody, JM Diamond), pp. 81–120. Belknap, Cambridge: Harvard Univ. Press.

28. Connolly SR et al. 2014 Commonness and rarity in the marine biosphere. Proc. Natl Acad. Sci. USA 111, 8524–8529. (doi:10.1073/pnas. 1406664111)

29. Azaele S, Suweis S, Grilli J, Volkov I, Banavar JR, Maritan A. 2016 Statistical mechanics of ecological systems: neutral theory and beyond. Rev. Mod. Phys. 88, 035003. (doi:10.1103/ RevModPhys.88.035003)

30. Dornelas M, Gotelli NJ, McGill B, Shimadzu H, Moyes F, Sievers C, Magurran AE. 2014 Assemblage time series reveal biodiversity change but not systematic loss. Science 344, 296–299. (doi:10.1126/science. 1248484)

31. Magurran AE, Dornelas M, Moyes F, Henderson PA. 2019 Temporal β diversity – a macroecological perspective. Global Ecol. Biogeogr. 28, 1949–1960. (doi:10.1111/geb. 13026)

32. McGill BJ, Hadly EA, Maurer BA. 2005 Community inertia of quaternary small mammal assemblages in North America. Proc. Natl Acad. Sci. USA 102, 16 701–16 706. (doi:10.1073/ pnas.0504225102)

33. Engen S, Lande R, Walla T, DeVries PJ. 2002 Analyzing spatial structure of communities using the two-dimensional poisson lognormal species abundance model. Am. Nat. 160, 60–73. (doi:10.1086/340612)

34. Pigolotti S, Flammini A, Maritan A. 2004 Stochastic model for the species abundance problem in an ecological community. Phys. Rev. E 70, 011916. (doi:10.1103/PhysRevE.70. 011916)

35. Gaston KJ. 2011 Common ecology. BioScience 61, 354. (doi:10.1525/bio.2011.61.5.4)

36. Farmer JD. 2002 Market force, ecology and evolution. Ind. Corp. Change 11, 895–953. (doi:10.1093/icc/11.5.895)

37. Scholl MP, Calinescu A, Farmer JD. 2021 How market ecology explains market malfunction. Proc. Natl Acad. Sci. USA 118, e2015574118. (doi:10.1073/pnas.2015574118)

（参考文献可上下滑动查看）

复杂经济学读书会第二季招募中

经济学理论的发展与社会环境变化密切相关。一方面，伴随计算机的发展，相应的研究技术日渐成熟，例如非线性动力学、复杂网络、ABM等，为研究者提供了更强大的分析工具；另一个方面，对“均衡”的经济学的研究，不能够解释实际的经济现象，例如金融危机、创新产生的新的发展模式等，研究者开始重视经济学的“非均衡”现象，把经济系统看做复杂系统，并力图做出更能反映现实的研究。经济学内慢慢出现了一种基于更加现实的假设的研究进路，复杂经济学一个新的经济学框架正在形成。为了促进此领域的交流与合作，我们发起了复杂经济学读书会。

复杂经济学读书会第二季由北京师范大学李红刚、王有贵、张江、陈清华老师以及中山大学袁先智老师联合发起，从7月11日起每周一 19:00-21:00 进行，预计持续 10-12 周。我们将围绕复杂经济学的内涵、基本方法、普适规律、应用场景四个方面进行探讨，并计划组织三次圆桌讨论，与国内外学者进行深入探讨。热诚欢迎对复杂系统研究和经济学感兴趣的学生和学者加入这个读书会，一起探索和探讨经济复杂系统的真谛！