由于价格差异显然只能在一个交易方向上为正，因此我们将负价格差异设置为零，因为此类场景（即使没有延迟）不符合套利机会。由此得出的价格差异矩阵仅包含非负价值。图1：一段时间内的价格差异030060090012002018-01-01 2018-04-01 2018-07-01 2018-10-01 2019-01-01 2019-04-01 2019-07-01 2019-10-01价差（单位：bp）注：该图显示了2018年1月1日至2019年10月31日期间，针对交易成本△b，st，所有交易所对调整后的日均价差。根据方程式（20），价格差异基于每一交易所的分钟交易成本调整后的买卖报价。我们根据表1计算交易所特定接受者费用，并使用网格搜索算法计算使每个交易所对的回报最大化的数量。阴影区域表示给定日期价格差异的10%和90%分位数。图1描述了根据方程式（20）在所有交易所对中基于最佳交易量的分钟级价格差异的日平均值。我们观察到一个随时间变化的实质性变化。所有交易所的日均价格差异平均为33个基点。90%分位数平均为129 bp，表明在我们的样本期内，价格差异存在较大的离散度。图2显示了每对交易所的平均价格差异。热图显示，一些交易所的报价往往与（几乎）所有其他交易所的报价有相当系统的偏差。例如，Bit FINEX、CEX。IO、Gatecoin和HitBTCquote的平均出价高于大多数其他交易所，因此当用作卖方市场时，价格差异较大。相反，其他交易所对的平均价格差异并不大。

例如，当Coinbase Pro或Kraken作为卖方市场时，几乎没有任何价格差异。图2：交易所之间的价格差异Xbtcebitflyerpolinexlykkeliquikrakenhitbtcgeminigatecoingatecoinbase ProCEX。IOBitTrexBitStampBitFinexFinanceBinanceBitFinexBitStampBitTrexEx。IOCoinbase ProgategateCoingeminiHittckrakenliquilykePoloniexBitflyerxBTCesell-SideBuy公司-Side0 25 50 75平均价差（单位：bp）注：热图显示了样本中每个交易对的平均价差，经交易成本调整后，△b，st，跨时间。价格差异基于分钟级交易成本调整后的出价，并根据方程式（20）要求每笔交易。我们根据表1计算exchange Specifictaker费用，并使用网格搜索算法计算使每个exchange Pair的回报最大化的数量。颜色越深，特定交换对中每小时样本期的平均价格差异越大。白色或非常浅的颜色表明，对于特定的交换对，平均没有或几乎没有价格差异。5量化套利边界5.1现货波动率估计为了估计现货波动率，我们遵循Kristensen（2010）的方法。对于每个市场s和分钟t，我们估计（σst）比亚迪（σst）（hT）=∞Xl=1K（l- t、 hT）bsl公司- bsl公司-1., （21）其中K（l- t、 hT）是一种单边高斯核平滑器，带宽hT和BSL与市场s在第1分钟的报价相对应。带宽hT的选择涉及方差和估计器偏差之间的权衡。如果波动率是时变的，那么考虑太多的观测会引入偏差，而通过较低的带宽缩小估计窗口会导致估计器的方差较高。因此，Kristensen（2010）建议选择HTC，以使dayT上的信息- 1用于T天的估算。

从形式上讲，我们样本中任何一天的带宽都是前一天估计值的综合平方误差（ISE）最小化的结果，即hT=arg minh>0Xl=1hbsl公司- bsl公司-1.-d（σsl）（h）i，（22），其中l指第T天的分钟数- 1和d（σsl）（h）是第T天第l分钟的即期方差估计值- 1基于带宽h。对于每个交换，我们将所有估计值在两个尾部的分布均修剪为1%，以消除异常值（例如，由于引用错误）。图3显示了每日现货波动率估计的跨市场平均值。由于标的资产是相同的，因此得出的估计值与预期值在各交易所之间没有显著差异。各交易所的平均分钟波动率约为0.09%，相当于目前的波动率约为3.4%，明显高于同期标准普尔500指数的平均日波动率，其收益率约为0.65%。5.2延迟预测我们使用所有经过验证的交易来参数化比特币区块链结算过程中的延迟。根据Chiu和Koeppl（2019）以及Easley et al.（2019），我们预计交易费用和内存池拥塞在确定验证前的预期时间方面起着重要作用。因此，我们采用Gammaregression，其中，潜伏期τi的条件概率密度函数与速率参数βi和形状参数αT由π（τi |θT）=βαTiΓ（αT）ταT给出-1ie-βiτi，（23），其中θT：=（θβT，αT）∈ Rk和βi=exp(-xiθβT），αT>0。

（24）这里，xi∈ Rk包括截距，并表示（预先确定的）驱动τi，θβT的协变量∈ Rk表示参数的对应向量，且Γ（x）：=RR+zx-1e级-zdz是我们将分钟水平估计值乘以任何给定交易日分钟数的平方根，将其转换为每日水平，即。，√图3：现货波动率估计的时间序列0.00.20.40.60.82018-01-01 2018-04-01 2018-07-01 2018-10-01 2019-01-01 2019-04-01 2019-07-01 2019-10-01即期波动率（单位%）注：该图显示了2018年1月1日至2019年10月31日期间分钟级即期波动率估计的每日跨市场平均值。对于每笔交易所，我们使用单侧高斯核将分钟级现货波动率估计为买入价格平方变化的时间加权平均值（Kristensen，2010）。对于每一天，我们计算所有交易所的平均波动率。阴影区域对应于每日平均交易所特定波动率估计值的范围。Gamma函数。当αT=1时，伽马分布坍缩为指数分布。我们使用dayT上的所有验证交易估计参数向量θt-1通过最大似然法，无论有无协变量。此外，我们通过αT=1来估计指数模型。作为协变量，我们包括结算费用和mempool的（对数）大小。结算费用以每字节费用的形式输入，作为面临以字节为单位的块的最大大小限制的验证器的相关指标。宣布交易时等待验证的交易数量可作为交易之间竞争的代表。在表3中，我们提供了估计参数的汇总统计数据。括号中的数字表示估计参数时间序列的5%和95%分位数。

结算费用的边际影响在统计上是显著的，几乎在所有的日子里都是预期的迹象，即费用越高，延迟越短。在我们的样本期内，mempoolsize对延迟表现出积极影响，即mempool的拥塞降低了在下一个区块中包含事务的可能性（参见Huberman等人，2017年；Easley等人，2019年）。对无协变量的INSTA模型进行的似然比检验表明，回归系数共同具有高度显著性。因此，我们发现了明确的证据，表明交易进入区块链下一个区块之前的等待时间是可预测的。此外，我们还发现，在近93%的时间里，指数分布被拒绝，而倾向于更一般的伽马分布。为了预测延迟分布的（条件）时刻，同时避免任何前瞻性偏差，我们使用基于第T天的事务的估计参数^θT-1参数化第t天每分钟t的延迟分布。我们通过计算样本内和样本外均方根预测误差（MSPE），为结算延迟的可预测性提供了进一步的直接证据。特别是对于样本中的MSPE，我们使用所有输入^θT估计值的交易（即在T天验证的所有交易-1). 样本外MSPE基于对T天使用估计参数向量^θT验证的所有交易的预测。我们发现，对于非限制性模型规格，样本内MSPE平均较小，而非限制性模型的样本外MSPE平均低于限制性模型。

因此，我们使用无限制Gamma模型预测延迟。因此，由第t天第t分钟的交易（特征为xt）引起的延迟τ的条件平均值和方差由bet（τ）=αTexp（xt^θβt）和bvt（τ）=αTexp（2xt^θβt），（25）给出，其中xt由成员池大小和套利者愿意在t时支付的费用组成。虽然成员池大小在任何时间点都是可以观察到的，我们使用引理5中导出的最优费用作为单独选择的结算费用的代理。5.3套利边界的估计基于引理2的经验相关CRRA案例，估计的套利边界^dsat minute t由^dst=^σstrγm+qγm+2γ（γ+1）（γ+2）m，（26）m=bEt（τ）+bEt（τB）·（Bs）给出- 1） ，（27）m=bVt（τ）+bVt（τB）·（Bs- 1)+bEt（τB）·（Bs- 1） +bEt（τ）, （28）表3：持续时间模型的参数估计无协变量无协变量无协变量无协变量截距3.31 1.41 3.86 1.19[2.510，4.246][-0.070，3.675][2.626，5.250][0.013，2.596]α0.62 0.63[0.358，0.902][0.365，0.900]每字节费用-0.22-0.486，-0.031][-0.501-0.031]内存池大小0.23 0.31[-0.043，0.452][0.059，0.530]LR（协变量）91.33 74.59LR（伽马与指数）92.68MSPE（样本中）65.67 65.74 65.67 66.02MSPE（样本外）70.97 70.81 70.97 70.55注：此表报告了方程式（23）给出的伽马持续时间模型估计参数的汇总统计数据。Fee表示每字节的费用，Mempool Size表示Mempool中未确认的事务数。我们估计样本中每天的每个模型，我们考虑在特定日期确认的所有交易。我们报告了估计参数的时间序列平均值。括号中的值对应估计参数的5%和95%分位数。

LR（协变量）总结了相应的带有协变量的非限制持续时间模型与不带协变量的限制模型的似然比检验。LR（伽马与指数）总结了伽马持续时间模型与指数规格的似然比测试。报告值表示在95%显著性水平上拒绝更一般模型的可能性等于限制模型的可能性的无效假设的天数百分比。MSPE是指样本外测试和样本内测试的均方预测误差。式中，σSt表示卖方交易所估计即期波动率的平方根，bet（τ）和bvt（τ）分别表示延迟分布的估计条件平均值和方差。此外，BSI指卖方交易所认为传入交易有效所需的区块数量（见表1）。因此，这种特定于交易所的安全要求进一步增加了结算延迟，而不是等待交易在第一个区块中验证的时间。因此，我们将延迟分解为两个部分：直到交易被包括在区块链（即第一个区块）中所需的时间τ，以及直到交易所接受该交易事实上是不可变的额外时间。虽然τ部分受套利者的控制，但后续区块的验证时间为exogebitFlyer，Liqui未报告最小数量的确认。他们更愿意根据个人交易和网络状态使用自由裁量制度。在这种情况下，我们假设确认数量等于提供此类信息的所有交易所的中位数，即3。理智。

事实上，我们没有发现证据证明等待时间的非零自相关和块验证时间的恒定波动性。这一证据支持这样一种观点，即块的验证时间部分受比特币网络的控制，并且内部受到潜在密码问题计算复杂性的影响。因此，我们可以安全地假设，第一个锁（包括当前事务）之后的后续锁之间的等待时间是独立且独立分布的。由于验证器平均每9.7分钟在我们的样本中添加一个新的块，我们使用这个量级作为对两个后续块之间时间bEt（τB）的最佳预测。因此，bVt（τB）表示两个连续块之间时间的（样本）方差。我们将风险规避系数乘以γ=2，并在一分钟的水平上估计每个交易所的风险规避系数。如图4所示，我们观察到这些界限随着时间的推移有很大的变化。套利边界很大，尤其是在价格波动性较大的阶段。我们不能拒绝零假设，即波动性和预期延迟之间的相关性与零显著不同，这表明结算能力构成了价格波动无法捕获的风险源。表4给出了结算延迟导致的套利边界时间序列的汇总统计信息。我们观察到，这些界限平均范围在91 bp到197 bp之间。虽然延迟分布的条件矩会影响边界的时间序列变化，但横截面变化是由交易所特定的点波动率和所需的确认数Bs驱动的。

例如，Gatecoin和Kraken需要Bs=6的确认，并产生平均最高界限，而Polonex只需要Bs=1的确认，产生最小的中值界限。为了量化exchange特定安全组件Bs的影响，我们将风险边界分解为延迟导致的组件，直到事务第一次包含在块中，τ，以及等待时间导致的组件，直到事务满足exchange特定安全要求，（Bs-1） τB.表4中倒数第二列给出了当我们考虑交易所特定确认数量时，套利中位数界限的增加。这些值对应于方程式（26）中的套利中位数界限与基于所有交易所假设Bs=1的相应界限之间的（百分比）差异。我们观察到，交易所特定证券成分对套利边界的影响是实质性的。Conine等人（2017）估计，在广泛的样本期内，相对风险规避的平均系数约为2。图4:020040006008002018年估计套利边界-01-01 2018-04-01 2018-07-01 2018-10-01 2019-01-01 2019-04-01 2019-07-01 2019-10-01套利界限（单位：bp）注：该图显示了2018年1月1日至2019年10月31日期间，基于风险规避参数γ=2的CRRA效用函数的每日平均估计套利界限。我们使用Kristensen（2010）之后的现货波动率估计和基于伽玛持续时间模型的延迟条件矩的样本外预测来估计界限。蓝色实线显示所有交易所的每日平均值（以基点为单位）。

阴影区域对应于每日交易所特定平均值的范围。平均占总人数的23%。为了更清楚地了解在高效高安全标准下分散结算的隐含成本，我们量化了安全级别与延迟之间的关系。对于每笔交易所，我们计算给定假设数量的确认书的套利边界，并将其与无额外证券要求的基线情况进行比较（即，当第一个即将到来的区块中的包含足够时）。因此，我们发现，在所有交易所要求10次确认（高安全性）将产生175个基点的平均套利界限，而仅要求1次确认（低安全性）的平均界限将为101个基点，增幅超过73%。因此，该分析显示了分布式账本中的安全性如何转化为结算延迟，而结算延迟又会转化为每个额外区块7个bp的无套利区域。此外，我们的理论框架允许我们直接分析近期不确定性的相关性。由于套利者回报的不确定性随着结算延迟的变化而增加，我们可以将估计的套利边界与确定性延迟的（假设）情况进行比较。

表4的最后一列报告了表4：交易所特定套利边界摘要Mean SD 5%25%中位数75%95%安全不确定性二进制114.75 318.76 24.35 42.10 68.92 125.59 320.28 13.54 41.53比特数117.22 299.25 18.89 42.47 73.26 136.19 324.19 23.98 40.85比特Flyer 130.85 317.68 33.02 57.07 86.62 145.18 333.88 24.09 40.72Bitstamp 126.34 294.72 28.45 50.53 80.46 145.61 341.7223.69 40.79Bittrex 129.03 277.80 30.94 57.25 89.41 143.51 333.37 14.32 41.63CEX。IO 120.84 286.39 29.46 52.72 81.69 136.05 305.50 24.44 40.60门101.50 277.20 24.12 43.81 68.78 117.27 260.03 14.04 41.48门币196.89 219.90 2.62 46.70 118.29 274.82 638.77 45.95 40.26Coinbase Pro 114.84 305.25 17.89 40.75 71.77 132.79 318.48 24.44 40.68双子座115.36 343.30 21.07 43.27 72.42 130.54 309.53 24.44 40.77HitBTC 101.22 287.97 19.10 37.64 62.72 112.79 273.14 14.14 41.36Kraken 135.07271.66 25.37 54.09 91.53 164.15 357.11 41.86 40.50Liqui 90.79 60.20 23.51 49.96 77.40 115.62 201.88 28.97 39.98Lykke 133.43 379.31 18.58 44.51 80.57 150.73 381.17 25.21 40.61 Poloniex 94.69 264.09 18.49 33.32 55.53 104.34 260.68 0.00 45.13xBTCe 106.16 246.56 19.90 40.74 70.58 131.44 281.96 24.15 40.78注：此表提供了各卖方估计套利边界的描述性统计数据集市我们计算了风险规避参数γ=2的CRRA效用函数的套利边界。Weestimate the bounds using the spot volatility estimator of Kristensen（2010）and out of sample predictions of the conditional moments of the latency based a Gamma duration model.我们使用Kristensen（2010）的现货波动率估计器和基于Gamma持续时间模型的延迟条件矩。我们以基点报告所有价值（除非另有说明）。证券给出所需数量的确认书对中间套利边界的贡献（百分比）。

不确定性对应于延迟不确定性对中间套利边界的贡献（百分比）。调整延迟的随机性时套利边界的百分比增加。这些值对应于基于假设Vt（τ）=Vt（τB）=0的中值套利边界和边界之间的差异百分比。我们发现，随机性对延迟的影响很大，平均占套利边界的41%。5.4价格差异和潜在相关套利成本为了量化观察到的跨市场价格差异超过估计价格界限的程度，从而构成潜在套利可能性，我们将交易成本超过套利界限调整后的价格差异定义为：=~t型-^dt。。。^dNt1.1.§ψt，（29）图5：2018年1月2日至3月3日期间超过套利界限的价格差异-01-01 2018-04-01 2018-07-01 2018-10-01 2019-01-01 2019-04-01 2019-07-01 2019-10-01无交易成本和交易成本的超额价差（以bp为单位）：该图显示了2018年1月1日至2019年10月31日期间，所有交易对的每日平均分钟收益率超过估计套利边界。实心红线对应基于单个交易所对的最佳出价和最佳出价等的toprice差异。虚线蓝线显示了调整交易成本后的相应超额价格差异，其中|ψ的第（i，j）个元素定义为|ψt，i，j=1n|位（qj，it）- ajt（qj，it）>^dito，1{·}是指示函数，以及 对应于按元素的乘法运算符。图5绘制了超过套利界限的横截面日均价格差异的时间序列。红色实线对应的是未调整交易成本的最佳出价和最佳出价的价格差异。

蓝色虚线显示了调整交易成本后相应的超额价格差异。考虑到交易成本，超过套利界限的回报率平均降低25%。在我们的样本中，我们发现，相对风险规避系数等于2时，约84%的观察价格差异在估计范围内。调整交易成本后，平均而言，所有观察到的价格差异中有91%位于非贸易区。因此，比特币市场上的绝大多数交叉交易价格差异并不构成套利机会，但考虑到交易成本和结算延迟带来的风险，这些差异仍然太小，理性套利者无法进行交易。由于额外的市场因素，可能会出现超出套利界限的观察结果。图6：交易所之间的超额价格差异xbcebitflyerpolinexlykkeliquikrakenhitbtcgeminigatecoingatecoinbase ProCEX。IOBitTrexBitStampBitFinexFinanceBinanceBitFinexBitStampBitTrexEx。IOCoinbase ProgategateCoingeminiHittckrakenliquilykePoloniexBitflyerxBTCesell-SideBuy公司-Side0 20 40 60平均（超额）价差（以bp为单位）注：此热图显示了我们样本中每个交易对的平均价差，根据交易成本调整后，△b，st，超过套利界限dst。根据方程式（20），价格差异基于每一交易所的分钟交易成本调整后的买卖报价。我们根据表1计算特定交易所的接受者费用，并使用网格搜索算法计算使每对交易所的回报最大化的数量。颜色越深，在我们的样本期内，特定交换对的平均价格差异越大。

白色或非常浅的颜色表明，对于特定的exchangepair，平均没有或几乎没有价格差异。例如，我们的理论没有捕捉到的摩擦，包括交易所特有的风险或资本控制。由于交易所本身容易受到不同风险来源（如违约或黑客攻击风险）的影响，暴露于特定交易所的无用性可能会阻止套利者利用某些跨市场交易，除非这些交易在我们当前的框架外提供额外补偿。此外，当地监管或准入限制可能会完全阻止跨市场套利活动（如Choi et al.（2018））。例如，总部位于美国的交易所通常不允许欧洲公民开立账户。为了调整此类交易所特定的影响，我们在交易所对层面上分解了超过套利界限的价格差异。图6显示了平均超额价格差异的热图。与图2类似，我们样本中的一些交易所似乎持续报出比其他交易所更低的价格（例如Gatecoin），即使在调整了交易成本和潜在隐含价格风险之后也是如此。超出套利界限的观察结果不仅可能是由于额外的市场摩擦，而且也与较高的风险厌恶一致。如图7中γ的估计：相对风险规避随时间推移的隐含系数02046082018-01-01 2018-04-01 2018-07-01 2018-10-01 2019-01-01 2019-04-01 2019-07-01 2019-10-01隐含风险规避注：该图显示了2018年1月1日至2019年10月31日的日均隐含风险规避参数^γt。

我们计算出^γtas最小的相对风险规避，以便所有观察到的根据交易成本调整的价格差异都在隐含的套利限制范围内。资产定价文献的范围从0.35到9.0不等（参见Hansenand Singleton，1982；Chetty，2006），相对风险规避的合理水平很难确定。因此，在图7中，我们显示了隐含的相对风险厌恶，^γt，对应于相对风险厌恶的最低值，该值阻止所有交易者利用观察到的交叉交易价格差异。我们观察到，隐含最小风险厌恶随着时间的推移表现出实质性的变化，平均约为17。这一相对较高的水平表明，风险规避并非观察到巨大交叉交易所价格差异的唯一原因，但表明存在进一步的市场摩擦。6套利边界和交叉交易活动前面的分析表明，衍生的套利边界可以调节我们样本中观察到的大部分交叉交易价格差异。然而，这些结果并未揭示这些差异的时间变化在多大程度上可归因于套利界限的变化或其他解释因素。有关^γt构造的更多详细信息，请参见附录E。第5节中计算的套利边界是在假设不可能绕过结算延迟的情况下得出的。从这个意义上说，它们构成了纯粹分散化的结算体系所引发的经济摩擦的无条件基准。然而，实际上，现代加密货币交易所提供的服务原则上允许交易员绕过结算延迟。一方面，交易所提供的保证金交易工具能够进行卖空。

然而，更重要的是，现代加密货币交易所通过运行内部结算程序，有效地绕过了无信任中介的前提。因此，领先的加密货币交易所不依赖通过分布式账本结算，而是将自己确立为中介机构。这种方法的好处是，它可以在exchange订单簿中实现快速交易和执行。相对于纯粹分散化系统的缺点是，与交易所互动的每个交易员都必须接受交易所的交易对手风险，反之亦然。因此，从加密货币交换提供商的角度来看，这些中介服务需要重新定位，并需要投资者对这些集中中介机构的信任。为了分析延迟诱导的套利边界是否是交叉交易所价格差异时间变化的重要驱动因素，以及这种关系如何受到集中中介服务的影响，我们计算了每个卖方交易所价格水平与分配交易所价格之间的横截面小时平均差异。为了量化投资者的库存持有量，我们提取了数据提供商glassnode与卖方交易所关联的钱包控制下的比特币数量。这些持有量代表了信任交易所的隐含成本。如果投资者认为与交易所相关的风险较低，他们应该愿意将更多的持有股份直接存放在交易所的监管下，以便在交易所内快速执行。交易所存货的时间序列显示出13.4%的年化总增长率，这表明加密货币交易所的信任度不断提高。在我们的样本结束时，价值124亿美元的比特币由加密货币交易所托管。

虽然一些交易所的库存大幅增加（例如，Coinbase为400%，Binance为141%，Bitstamp为32%），但在我们的样本期内，一些交易所面临净库存流出。对于涉及后者交易所的跨市场交易，由于库存持有的隐含成本较高，结算延迟因此变得更加相关。表5给出了卖方交易所对交易所特定影响和各种回归系数的交叉交易所价格差异每小时平均值的线性回归估计结果。在第（1）列和第（2）列中，我们包括平均估计的交易所特殊套利边界或其个别组成部分，即平均每小时卖方现货波动率，进入mempool的交易的每小时平均值和已实现等待时间的方差，直到被包含在一个区块中为止（在该区块中，我们重新缩放方差，使平均值为零，标准偏差为1）。与我们的理论框架一致，我们发现价格差异和套利界限之间存在统计上显著的正相关关系。套利边界的边际效应在统计和经济上都具有重要意义：套利边界平均增加1个基点，价格差异平均增加0.3个基点。用其组成部分代替（预先估计的）套利界限，可以确认巨大的价格差异与结算延迟导致的高价格风险期一致。在第（3）列和第（4）列中，我们将套利边界与卖方交易所特定的虚拟变量进行交互，这些虚拟变量表明交易所是否提供保证金交易工具（保证金）和机构交易员的准入（商业账户）。我们发现，有融资融券交易的交易所对套利边界不太敏感，但价格差异与套利边界之间仍存在显著关系。

因此，投资者的保证金交易成本似乎超过了风险调整后的潜在价格风险，这可能是由于交易所对保证金的大量要求，因为缺乏中央结算需要昂贵的交易对手风险保险。类似地，以机构交易者为特征的交易所对套利边界不太敏感，这与大型机构比单个套利者更可能表现出更低的风险厌恶的概念相一致。在表5的最后两列中，我们控制库存持有量。正如预期的那样，我们发现，交易所库存增加会减少跨市场价格差异，因为投资者可以快速应对套利机会，而不会面临结算延迟。然而，最重要的是，即使我们控制交易所的库存持有量，套利界限在统计上和经济上仍然是跨市场价格差异的重要驱动因素。这一结果表明，通过重新引入中介服务，分散系统的摩擦不容易解决。一个可能的原因是交易员缺乏将资金存放在交易所托管下的信任。我们的发现还表明，这种缺乏信任的情况仍然太高，或者中介服务仍然太不发达，以便消除与经济相关的偏离一价法则的现象。

贸易商显然不愿意接受交易所特定中介服务隐含的成本和风险，以有效地影响表5：价格差异和价格风险因变量的来源：价格差异（1）（2）（3）（4）（5）（6）套利约束（in%）0.307***0.440***0.442***0.333***（15.98）（18.62）（12.84）（17.61）即期波动率（in%）5.416***5.659***（16.99）（18.14）延迟中值（分钟）0.003***0.002***（3.92）（3.02）延迟差异0.078***0.105***（3.53）（4.77）套利边界×保证金-0.258***（-7.07）套利范围×业务-0.220***（-5.38）库存-1.349***-1.349***（-60.42）（-60.54）价差（in%）0.111***0.075*0.093**0.101***0.099***0.062（2.91）（1.95）（2.42）（2.65）（2.59）（1.63）交易所固定效应是是是是是是调整后的R0.162 0.163 0.162 0.162 0.212 0.213交易所小时观察213984 213984 213984 213622注：此表提供了基于每小时平均卖方交易所价格差异和随机价格风险主要组成部分回归的OLS估计结算延迟。价格差异是指卖方交易所特定的每小时平均价格与所有其他交易所的差异（百分比）。现货波动率是基于单边高斯核估计的平均每小时卖方现货波动率估计（Kristensen，2010）。延迟表示进入比特币mempool的交易等待时间的每小时中位数（方差），我们重新缩放方差，使其均值为零，标准偏差为1。套利边界对应于平均每小时卖出侧交易所校准的套利边界。保证金是一个虚拟变量，表明保证金工具的可用性，商业账户表明交易所是否为机构投资者提供准入。

库存是指t小时与sell sideexchange相关的所有钱包控制的比特币数量-1、我们将利差计算为每小时卖方交易所特定平均百分比利差。我们在括号中报告了基于异方差稳健标准误差的t统计量。***,**,和*分别表示1%、5%和10%水平的统计显著性（双尾）。绕过分布式账本技术所隐含的市场摩擦。最后，根据Roll等人（2007年）的研究，我们发现，以买卖价差的大小衡量的交易成本是一种额外的重大市场摩擦，会增加跨市场价格差异。在我们分析的最后一步中，我们利用预先估计的套利界限，以阐明跨市场价格差异与转移稳定6：交叉外汇流量和套利机会之间的关系因变量：外汇流入（以10万美元计）对数（外汇流入）（1）（2）（3）（4）价格差异（以%计）2.407***2.525***0.468***0.462***（17.03）（15.09）（17.63）（15.53）利差（单位%）-0.355***-0.376***-0.068***-0.066***（-3.74）（-3.73）（-3.67）（-3.61）交易所固定效应是是是是是变化小时观测值213984 213984 213984 213984注：此表提供了基于交叉交易所资产流量对价格差异和买卖价差的两阶段最小二乘回归的估计边际效应。流入量是样本中所有其他市场到市场s的平均小时流入量（BTC）。价格差异表示卖方市场的价格差异，是表5中列出的回归拟合值，表示卖方市场的价格差异。在第（1）列和第（3）列中，我们使用套利界限的所有组成部分计算价格差异。

第（2）列和第（4）列对应于我们直接使用估计套利边界作为工具的估计结果。我们将差价计算为每小时卖方交易所特定平均百分比差价。我们在括号中报告了基于异方差稳健性标准误差的t统计量。***,**, 和*分别在1%、5%和10%的水平上显示统计显著性（双尾）。交易所之间的资产。事实上，在价格差异较大的时期，即在价格差异可能超过套利界限的时期，交易所之间的资金转移应该增加，这与套利者必须等待与加密货币交易所相关的钱包之间的资产转移记录在区块链上的概念一致。如果没有任何可信中介服务的基于区块链的市场的收益被完全内部化，例如，在多个交易所持有的库存不是可行的选择，那么这一点应该特别重要。因此，我们通过交叉交换资产流量来扩展我们的数据。由于交易所不愿提供客户身份，因此几乎不可能识别套利者的实际交易。然而，我们将两个不同交易所之间的资产整体转移作为衡量跨市场套利者交易活动的指标。因此，对于每个交换，我们在样本中收集可能受交换控制的地址列表。比特币交易是假名，因为每次交易都公开显示与交易相关的所有地址，但很难将这些地址映射到各自的物理或法律所有者。Exchange通常控制大量地址以跟踪单个用户的资产。

然而，我们感谢谢尔盖·伊夫列夫在这方面给予的巨大支持。将地址链接到某些交换的算法可用（例如，Meiklejohn et al.，2013；Foley et al.，2019）。通常，匹配过程基于观察到某个地址被广告为属于某个交易所，或者主动向交易所发送少量比特币。我们收集了6260万个独特的交换地址，使我们能够识别390万个交叉交换交易，在我们的样本期内，平均每日交易量为7200万美元。表6给出了对每小时平均跨市场价格差异以及交易所特殊固定效应和买卖价差（作为交易成本的代理）的两阶段最小二乘回归估计。dependentvariable是每小时流入给定交易所的跨市场流量之和，我们使用绝对数和对数来减少异常值的影响。我们必须考虑到跨市场资产流动和价格差异是共同决定的，这会导致同时性问题。一方面，套利活动预计会随着价格差异的增大而增加（超过套利界限）。另一方面，价格差异应减少，以应对套利交易，因为零售商应根据一价法则进行调整。因此，我们通过估计的套利界限（第（2）列和第（4）列）以及它们各自的组成部分，即即期波动率、中间结算能力和已实现延迟的方差（第（1）列和第（3）列），来衡量价格差异。这些变量满足作为工具有效性的两个必要条件。首先，在控制其他外生变量后，我们发现价格差异与套利界限之间存在正相关关系（见表5）。

其次，套利边界在影响交叉市场波动中的唯一作用是通过其对内生价格差异的影响。在所有规范中，我们发现交叉汇入交易所与（工具化）价格差异之间存在显著的正相关关系：价格差异增加1个百分点平均与特定时间内汇入交易所的资产流量增加0.5%相关。当我们控制买入价差时，这些结果是稳健的，因为买入价差与其他交易所的流入呈负相关。买卖价差的负面边际效应与较高的交易成本阻碍套利者活动的观点一致。因此，回归结果表明，我们通过提取每小时净流量之和（汇入到交易所的流量减去BTC中的流出流量）并乘以所有交易所的每小时平均中报价来计算平均日交易量。请注意，对于任何给定的时间和交易所，涉及特定交易所权利的套利机会在某些交易中将交易所用作卖方市场，在某些其他交易中将其用作买方市场。因此，为了明确量化流动方向，我们计算了特定交易所的跨市场流动总量。交叉汇兑流量增加，以应对由较大的汇率边界引发的较大价格差异。这为套利者通过跨市场积极转移资产来追逐有利的套利机会提供了证据。7结论许多市场参与者认为，分布式账本技术有可能从根本上改变资产转让。用分散的共识协议取代可信的中介机构和中央清理方可能会提高效率和安全性，并降低交易成本。

然而，一个新的摩擦出现了，因为潜在的美利集团以结算过程的延迟为代价，这严重减慢了交易速度。无法快速交易意味着套利受到限制，因为市场参与者无法迅速作出反应，利用潜在的跨交易所价格差异。在纯粹基于区块链的市场中，套利者必须等待交易的验证，然后才能处置其头寸，这一事实使得套利交易具有极大的风险。这种价格风险随着交易所的安全标准而增加，不仅需要通过耗时的共识协议进行一次验证，还需要多次验证。我们表明，结算延迟（以及相关的无法快速交易）意味着套利受到限制，因为风险厌恶型套利者不值得在波动性高、验证时间长的时期利用跨交易所价格差异。我们正式推导了任意凹效用函数和一类一般延迟分布的无交易价格界。利用2018年和2019年比特币市场的数据，我们量化了平均121个基点的套利边界。我们将这些界限解释为分布式账本系统中产生的经济摩擦，该系统没有任何中介服务，允许贸易商绕过结算延迟。事实上，我们表明，平均而言，经交易成本调整后，观察到的比特币跨市场价格差异中有91%在相应的套利范围内。我们证明，这些套利边界是交叉交易所价格差异时间变化的重要驱动因素，这表明市场参与者感知到这些限制。因此，在高潜在隐含价格风险时期，偏离一个价格定律的偏差尤其大。

这些结果得到了资产交叉交换分析的支持。我们收集了一组新的交易钱包数据，以检查库存和交叉交易比特币流量，并发现交易所之间的资产转移会对价格差异作出反应。因此，我们提供的证据表明，只有在潜在收益影响潜在隐含价格风险的情况下，规避风险的套利者才会积极探索价格差异。这些结果为中央结算（通过中央交易对手）与分散验证（通过分布式账本系统）的成本和收益之间的内在权衡提供了一些新的线索。中央结算交易对手承担交易对手的风险，以保证未结算头寸的即时交易，而分布式账本系统提供快速结算和无信任的中介。然而，基于区块链的市场的可信程度取决于验证过程的复杂性，这最终会导致结算延迟和交易放缓。我们发现，分散结算的延迟相关交易摩擦（就套利边界而言）的经济成本是巨大的。我们的发现解释了基于区块链的市场的最新发展，在这些市场中，市场运营商通过（重新）引入中介服务来规避这些摩擦。特别是，交易场所充当交易员资金的保管人，并运营快速的交易所间结算网络。这两项功能都旨在提供快速交易环境，而无需验证区块链上的每一笔交易。因此，交易所承担交易对手风险，并争夺市场参与者的信任。然而，将交易基金置于交易所的监管之下，并依靠交易所通过提供抵押品来防范交易对手风险，需要交易所的可信度。

虽然我们观察到交易所中的信任度有所增加（通过交易所托管资金的增加来衡量），但我们的结果表明，中介服务仍然没有充分利用跨交易所价格差异。事实上，我们证明，即使我们控制了交易所特定的库存持有量和保证金交易可能性，估计的套利界限仍然是时变价格差异的统计和经济上的重要驱动力。这些结果表明，通过替代策略规避分布式结算并不能完全消除套利边界的影响。一个可能的原因是对加密货币交易所作为中央结算方的能力缺乏信任。因此，本文有助于当前关于金融市场清算组织和第三方中介在可靠结算系统中的作用的辩论。我们的分析表明，分散的系统不能轻易地取代中央清算。消除第三方中介引起的摩擦（和成本）会导致新的交易摩擦，对定价产生非平凡的影响。首先，结算延迟所隐含的对风险的限制可能会损害价格效率，因为套利者的较低活动会减少跨市场的信息流动。第二，偏离一价定律会影响证券的定价，因为风险中性概率不是唯一定义的。第三，结算延迟的隐含成本取决于分布式账本的设计，并应影响是否迁移到集中结算系统的决策。参考Sabadi，J.和M.Brunnermeier（2018）。区块链经济学。工作文件。Arditti，F.D.（1967年）。风险和所需的股本回报。《金融杂志》22（1），19–36。巴恩多夫-尼尔森、O.E.、J.Kent和M。

瑟伦森（1982）。正态方差均值混合分布和z分布。《国际统计评论/国际去统计评论》50（2），145–159。Barndor Off-Nielsen、O.E.、E.Nicolato和N.Shephard（2002年）。随机波动率建模的一些最新进展。定量金融2（1），11–23。Biais，B.、C.Bisiere、M.Bouvard和C.Casamatta（2019年）。区块链福克定理。金融研究回顾32（5），1662-1715。Biais，B.、C.Bisiere、M.Bouvard、C.Casamatta和A.J.Menkveld（2019年）。均衡组合成本定价。工作文件。BIS（2017年）。支付、清算和结算中的分布式账本技术：分析框架。国际清算银行，支付和市场基础设施委员会。Bondarenko，O.（2003年）。统计套利和证券价格。金融研究回顾16（3），875–919。Borri，N.和K.Shakhnov（2019年）。加密货币返回的横截面。工作文件。Brogaard，J.、T.Hendershott和R.Riordan（2014年）。高频交易和价格发现。财务研究回顾27（8），2267–2306。Chetty，R.（2006年）。一种估计风险厌恶的新方法。《美国经济评论》96（5），1821-1834年。Chiu，J.和T.V.Koeppl（2019年）。基于区块链的资产交易结算。金融研究回顾32（5），1716–1753。Choi，K.J.、A.Lehar和R.Stau ff（2018年）。比特币微观结构和Kimcippremium。工作文件。Cong，L.W.、Z.He和J.Li（2019年）。集中池中的分散采矿。TheReview of Financial Studies（即将出版）。Conine、T.E.、M.B.McDonald和M.Tamarkin（2017年）。跨时间的相对风险规避估计。应用经济学49（21），2117–2124。DeJong，A.、L.Rosenthal和M.A.Van Dijk（2009年）。双重上市公司套利的风险与收益。财务回顾13（3），495–520。De Long、J.B.、A.Shleifer、L.H.Summers和R.J。

Waldmann（1990）。金融市场中的噪音交易风险。《政治经济学杂志》98（4），703–738。Durrett，R.（1984年）。分析中的布朗运动和鞅。Wadsworth AdvancedBooks&Software。Easley，D.、M.O\'Hara和S.Basu（2019年）。从采矿到市场：比特币交易费的演变。《金融经济学杂志》134（1），91–109。欧洲央行和日本央行（2018年）。证券结算系统：分布式账本环境下的货到付款。STELLA——欧洲央行（EuropeanCentral Bank）和日本央行（Bank of Japan）的联合研究项目。Foley，S.、J.Karlsen和T.J.Putni,nˇS（2019年）。性、毒品和比特币：加密货币资助了多少非法收入？金融研究回顾32（5），1798-1853。福柯、T.、R.Kozhan和W.W.Tham（2017年）。有毒套利。金融研究回顾30（4），1053–1094。Gromb，D.和D.Vayanos（2010年）。套利限制。《金融经济学年鉴》2（1），251–275。Hadar，J.和W.R.Russell（1969）。订购不确定潜在客户的规则。《美国经济评论》59（1），25–34。Hansen，L.P.和K.J.Singleton（1982年）。非线性理性期望模型的广义工具变量估计。《计量经济学》50（5），1269–1286。Harvey，C.R.、A.Ramachandran和J.Santoro（2020年）。定义和金融的未来。工作文件。Hasbrouck，J.和G.Saar（2013年）。低延迟交易。《金融市场杂志》16（4），646–679。Hinzen、F.J.、K.John和F.Saleh（2019年）。比特币的致命缺陷：有限采用问题。工作文件。Huberman，G.、J.Leshno和C.C.Moallemi（2017年）。比特币支付系统的经济分析。工作文件。Kotz，S.、T.Kozubowski和K.Podgorski（2012年）。拉普拉斯分布和推广：通信、经济、工程和金融应用的再探讨。施普林格科学与商业媒体。Kristensen，D.（2010年）。

已实现现货波动率的非参数滤波：基于核函数的方法。计量经济学理论26，60–93。Lamont，O.A.和R.H.Thaler（2003a）。反常现象：金融市场中的一价法则。财务回顾17（4），191–202。Lamont，O.A.和R.H.Thaler（2003b）。市场能加减吗？科技股票分拆定价错误。《政治经济学杂志》111（2），227–268。Levy，H.（1992年）。随机优势与预期效用：调查与分析。《管理科学》38（4），555–593。马卡洛夫，I.和A.斯科尔（2020年）。加密货币市场中的交易和套利。《金融经济学杂志》135（2），293–319。Markowitz，H.（1952年）。投资组合选择。《金融杂志》7（1），77–91。Meiklejohn，S.，M.Pomarole，G.Jordan，K.Levchenko，D.McCoy，G.M.Voelker，andS。萨维奇（2013）。一把比特币：描述非男性支付的特征。2013年互联网测量会议记录，第127-140页。ACM。Nakamoto，S.（2008）。比特币：点对点电子现金系统。工作文件。纳斯达克（2017）。纳斯达克和花旗宣布首创区块链和全球银行业整合。美国证券交易商协会自动报价，网址：https://www.citigroup.com/citi/news/2017/170522a.htm.Pagnotta，E.（2018年）。分散资金：比特币价格和区块链安全。财务研究回顾（即将出版）。Ponti Off，J.（1996年）。昂贵的套利：来自封闭式基金的证据。《经济学季刊》111（4），1135–1152。Roll，R.、E.Schwartz和A.Subrahmanyam（2007年）。流动性与同一价格定律：期货-收付实现制的案例。《金融杂志》62（5），2201–2234。Schneider，P.（2015）。广义风险溢价。《金融经济学杂志》116（3），487–504。Scott，R.C.和P.A.Horvath（1980）。关于比方差更高阶矩的偏好方向。

《金融杂志》35（4），915–919。SEC（2017年）。证券交易结算周期修正案-小型实体合规指南。U、 美国证券交易委员会，《交易法》第15C6-1（a）条规则修正案，网址：https://www.sec.gov/tm/t2-sbrefa.Shleifer，A.和R.W.Vishny（1997年）。套利的限制。《金融杂志》52（1），35–55。六（2018）。六是推出全端到端、全集成的数字资产交易、结算和托管服务。瑞士基础设施和Exchange，URL：https://www.six-group.com/en/home/media/releases/2018/20180706-sixdigitalexchange.html.Voigt，S.（2020年）。基于区块链的市场中的流动性和价格信息。工作文件。附录A引理1的证明。引理的证明是Barndorff-Nielsen等人（1982）中方程式（2.2）的应用。定理1的证明。首先，请注意引理1中的特征函数产生返回asEt的第一时刻urb，s（t：t+τ）= (-（一）uИrb，s（t：t+τ）（u）u=0=δb，steiuδb，stmτiuust-u（σst）+ eiuδb，stmτiuust-u（σst）ust+iu（σst）u=0=δb，st+Et（τ）ust，（A1），因为mτ（0）=1，mτ（0）=Et（τ），通过力矩母函数的定义。根据Arditti（1967）和Scott and Horvath（1980）的精神，我们通过泰勒展开式来表达套利者的预期效用，该展开式产生收益分布的高阶矩函数。关于平均uryieldsUγ的一般效用函数uγ（r）的泰勒展开rb，s（t：t+τ）=∞Xk=0U（k）γ（ur）k！rb，s（t：t+τ）- urk、 （A2）式中，U（k）γ（ur）：=kukrUγ（ur）。然后，接受预期收益集Uγrb，s（t：t+τ）= Uγ（ur）+∞Xk=2U（k）γ（ur）k！Et公司rb，s（t：t+τ）- urk. （A3）继Markowitz（1952）之后，我们接下来考虑CE的一阶泰勒展开。因此，我们隐含地假设风险溢价ur-CE很小，高阶矩消失了：EtUγrb，s（t：t+τ）= Uγ（CE）=Uγ（ur）+Uγ（ur）（CE- ur）。