比特币的价格由哪些因素决定？
陈旧度是如何影响BTC的价格呢？
.......................
想知道答案吗？读完这篇深度长文你就懂了，这是小蚁花费差不多2周的时间一字一句翻译校对的部分内容，再加上是论文，所以阅读起来会有些费力（智商高者和比特币狂热者除外），但是只要你能读完，我相信收获一定颇丰。【注：中间有写复杂的经济模型已经省略，读者直接看结论就好了】
---------------------------------------------------------------------------
比特币的定价，采用和使用：理论和证据
出自：Stanford Institute for Economic Policy Research斯坦福经济政策研究所
作者：苏珊·艾西（Susan Athey）伊沃·帕拉什科沃夫 毗湿奴Sarukkai
翻译：小蚁
摘要
本文开发了一种用户采用和使用虚拟货币（例如比特币）的模型，并关注汇率波动的不确定性所带来的采用变动。该理论模型可用于分析市场基本面如何决定法币对比特币的汇率（下文将简化称汇率）。比特币价格和效用的实证证据提供了有关模型能解释价格的混合证明。在比特币公共分类账上进一步分析所有个体交易历史建立了包含用户类型、交易类型和地理位置相关的比特币采用和利用的方式。我们看到到2015年中期，比特币使用活跃度并未快速增长，投资者和不常使用的用户持有大多数比特币。我们记录了在某种程度上可以通过用户行为推断出比特币匿名用户的属性，同时，我们发现参与非法活动的用户更有可能试图保护其财务隐私。
1 引言
自2013年初开始，“数字货币”或“加密货币”比特币【中本聪. 比特币: 一种点对点的电子现金支付系统, 2008.】在公众媒体上的报道引起了极大的关注，当时该公司的交易量和市值已经客观存在。本文的目的是在理论上和实证上从比特币市场、价格确定及其用途的角度来探索比特币。
定义比特币是复杂的：它可以描述为一个协议，一种货币，一个支付系统或是一类技术平台。比特币的核心是开源软件，围绕比特币服务是由一系列独立的公司和软件开发人员添加的。该软件实现了交易公共分类帐、协议和维护安全性的软件。如果在分类条目上将比特币转移到属于某个人的地址，则这个人“拥有”比特币；如果这个人具有适当的密码，则这个人可以依次授权给分类账目将其分配到另一个人的地址。与可以通过数字方式查看或操纵的银行余额不同，个人的比特币余额不是“ IOU”或按需提供资金的承诺；拥有与比特币地址相关的密码的个人能完全控制它的处置，并且比特币余额与其他任何因素不相关。完整的比特币所有权的定义是分类账上将其分配给某个地址的权利。
当资产是纯数字资产，并且公共分类帐可以安全地跟踪资产所有权时，许多新用途成为可能。最近，各种各样的初创公司都使用了比特币分类帐或类似比特币技术来提供各种服务（例如证券结算）的平台（纳斯达克正在研究这种应用或银行间法定货币结算（Ripple报告说，排名前50位的银行中有10家积极进行支付和结算整合）。在本文中，我们将不再关注这些应用程序以及将比特币作为技术平台的观点，而是考虑消费者直接使用该技术，例如价值存储或作为支付系统。
对于支付，比特币具有几个独特的功能。一个个体可以把比特币转到世界上任何其他地方，不依赖于软件信任之外的交易对手或信任关系，并且也确实不需要经过任何公司或政府机构的授权。以电子方式转移价值所必须的是通过密码来授权分类帐入口将比特币转移至另一个地址。另一方面，如果接收者想在短期内从比特币获得价值，她必须找到愿意接受它们的商家或找到比特币的个人买家，或在交易所出售它们。这会产生使用比特币的风险和摩擦；这些将是本文的重点。
鉴于要使用比特币作为支付系统，用户必须承担汇率波动的风险，法定货币兑比特币汇率在比特币效用分析中起着核心作用。实际上，波动的比特币价格已经引起了媒体的关注，并与数十亿美元的交易量联系起来。有自助式、基于互联网的用比特币兑换法定货币的货币兑换。个人可以电汇（wire）或以其他方式将法定货币汇入或从交易所获取，并以电子方式发送或接收比特币。比特币兑法币的汇率浮动是由供求关系决定；没有政府机构或公司对其价值作出担保，比特币的供应本质上是预先确定，并且它们会随着时间的流逝以固定的速率创建，直至达到最大值。我们将比特币的创建（“采矿”）和安全分类账的维护留给其他人，尽管有些令人着迷的经济问题也涉及到比特币的这些方面。
在有关如何确定汇率的普遍讨论中，比特币不受政府支持并且也没有基本价值这一事实引起了困惑。本文的首要贡献在于表明比特币汇率可以（在非常典型的模型中）完全由两个市场基本面决定：比特币用于支付时处于稳定状态的交易量，以及有关技术生存可能性的信念的演变。在稳定状态下，汇率由比特币的交易量与供应量之比（ratio）确定的。在没有投资者充分参与的情况下（即当对比特币的需求主要是比特币的用户时），汇率还取决于采用率和需求水平。在我们的模型中，汇率会随着时间的推移而上升，直到达到稳定状态。所有相关用户在有适合比特币用例的需求时使用该技术。
然后，我们进行两种不同类型的实证工作。第一，考察随时间变化的比特币交易量和汇率之间的关系，这表明汇率通常遵循一种方式，它与价格上涨几个（非平凡）时期之外的基本面一致。因此，至少在方向上，供需力量似乎是有作用的。
其次，我们查看比特币的个人行为，以了解如何使用比特币（特别是用于投资还是付款）。这可能是因为分类帐是公开的，尽管使用比特币的是“假名”，这意味着身份信息和地址没有联系，地址会随着时间的流逝而变化，但是，由于个人通常有多个地址（由于在“钱包”中有一些有关地址管理方式的细节），所以判定比特币地址集合是个人用户还是比特币企业并非易事。以罗恩（Ron）和沙米尔（Shamir）[2013年]和Meiklejohn等。[2013年]为基础，我们结合公开可用的数据源实现多种启发式方法，将地址分组为实体并确定业务。总而言之，我们使用大约220,000个实体的列表，这些地址很可能是属于企业，我们采用了约7800万个比特币地址并将其分组为2700万个不同的“实体”。
使用这个数据，我们分析用户的采用和行为。我们证明了比特币的所有权高度集中，只有一小部分用户属于长期用户，经常使用的用户（经常使用的用户作为活跃用户进行交易的时间超过持有时间的10％）。大多数用户只进行少量交易。频繁用户在网络中的份额并没有增加。交易量很大一部分发生在交易所。因此，投资者目前可能在交易量中起主要作用。从我们理论模型的角度（lens）来看，这意味着汇率可能使人们对比特币的未来的信念更加敏感，以及出于自身原因对当前交易量不太敏感（尽管当前交易量可能是未来的信号）。
然后，我们将更详细地研究比特币的几个用例。其中一个用例已经获得公众的关注，那就是使用比特币购买毒品和枪支等非法物质。在丝绸之路（Silk Road）网站关闭前，它是著名的以运营点对点使用比特币付款的毒品交易场所。我们只能确定约1%的美金交易额与违禁品有关，以及赌博所占的比例也很小，尽管在我们的数据中有最大的已知实体的地址（例如，我们确定的这些走私网站Silk Road，Silk Road 2，AgoraMarket和Evolution Market，总量交易额为90亿美元，以及赌博网站Satoshi Dice（交易额为20亿美元）。我们还将探讨用户保护其隐私的努力。有一个名为CoinJoin的系统为了掩盖资金来源，混合来自不同地址的余额并将其发送到新地址，当然，使用CoinJoin会使我们分析用户行为的尝试变得复杂，我们将地址分组为实体的启发式方法会根据CoinJoin的使用进行调整，同时增加噪音（随着时间的推移，很难跟踪CoinJoin用户）。我们发现那个违禁品买家（占所有买家的19％）比一般买家（12％）更有可能使用CoinJoin来保护他们的隐私；相比之下，赌徒与一般人群非常相似，在比特币历史上，大约有12％的赌徒使用Coinjoin。仍然令人惊讶的是众多的违禁品购买者不使用这项服务。
比特币的另一个关键用例是国际支付。鉴于我们没有有关用户的身份信息，很难直接分析国际转移。我们尝试基于2858个已知来源国的用户的练习数据集，并根据用户行为将用户分为四个地理区域，我们使用交易时间和交易所等特征获得中等分类率（大致60％），这个例子也用来说明即使没有直接身份信息，也可以从用户身上了解到很多东西。使用分类，我们以国家为维度分析采用曲线和行为模式。我们看到交易量更多地集中在区域内，但是也有适当的跨区域贸易量。
总体而言，微观数据支持以下结论：今天比特币最重要的用例是投资（价值储存）；这使得将汇率与当前基本面联系起来变得更加困难，反而更加重视对未来的信念。尽管系统具有假名性质，我们可以提供有关比特币使用的丰富描述性统计数据，并且可以很好地基于用户行为适当地对比特币用户进行分类 。微观数据得出的所有结论均受制于这一告诫——将原始数据转换为实体时使用了许多启发式方法。
2略
3 比特币汇率的理论模型
本部分建立了比特币采用以及比特币兑美元汇率的理论模型率，目的是证明存在一系列连贯的假设，在这个假设下，比特币汇率完全由经济因素决定。我们从总结现实世界比特币市场中起作用（at work）的一些经济力量开始，然后建立一个捕获一些关键力量的模型（从许多其他事物中抽象出来）。
比特币具有“私人资金”的某些功能-由私人团体发行的钱而不是中央政府，私人资金的一些用例包括商家网络（例如“ Ithacahours”或BerkShares）中可用的当地法币，由私人银行发行的票据，其价值与政府支持的货币挂钩，由银行发行的票据（notes）其价值是浮动的。在许多情况下，私人货币的未来价值存在不确定性因素（在美国通过要求私人银行持有美国政府债券以支持银行票据的法规解决了这种不确定性。私募资金受到了许多方的批评，包括汇率波动及其带来的低效率，和其引起的对货币供给缺乏控制，以及银行挤兑的可能性带来的不确定性（[菲舍尔（ 1995）]）。比特币不具有部分储备银行业务中出现的相同问题，因此可以被认为是具有某些独特特征的私人货币，例如不受银行挤兑。它可能带来其他风险，例如技术风险。
比特币更直接相关的一连串文献着眼于存在于货币发行人可以承诺货币的未来发行环境中的私有货币的能力。在有正的实际利率的世界里，为了让代理商持有货币，本质上它必需是通缩的，要求发行人承诺随时间回购货币（[马里蒙等。， 2012]）。比特币已经预先承诺了将要发行的比特币总数；与此同时，比特币继续以基本上预先指定的速率发行，而铸币税则用于补偿参与维护交易分类帐的个人。就这样比特币协议解决了承诺问题。
但是，由于比特币没有基础资产的支持，而是完全波动汇率，其未来价值存在重大风险。如果比特币具有作为货币或汇款的媒介的用途，则其未来价值可能与未来使用量挂钩。在这些方面，它还与风险资产共享一些特征，随着信息的披露，这些风险资产里对资产未来潜在价值的信念随时间而变化。在这样的在环境中，可能会形成投机性“泡沫”， 投资者可能存在相互冲突的信念的空间。考虑到比特币汇率发生的许多波动，这个泡沫的感念似乎对比特币很重要。
更广泛地讲，宏观经济学文献中另一个受到关注的问题是“金钱就是记忆”（[柯薛拉柯塔， 1998年]）。确实，这些经济学文献得到了早期比特币行业参与者的关注，学者们还发现，比特币（作为纯数字记录保存设备）完全符合该理论框架（[路德和奥尔森，2013年]）。随着技术降低公共记录保存设备的成本，数字分类帐可能会替代物理硬币，这一点看起来顺理成章。
在本文中，我们建立了一个模型，其中包含了部分这些问题但并非全部。在我们的模型中，比特币的汇率由用户（也就是投资者）决定的比特币供需确定，用户需求基于国际支付能力，国际支付的替代方法收费高。比特币既需要付出成本，也需要承担汇率风险。汇率风险是内生确定的，并随时间而变化。技术的潜在价值存在不确定性；我们将其合并为技术的不可观察状态，如果技术存在缺陷，则比特币可能会“崩溃”并导致硬币损失。随着花费了各种各样的精力，且持续对基础技术质量的信念的提高，在我们的模型中，随着由使用比特币确定的稳态，采用率也随着时间增长。投资者加速了相对于用户的汇率路径的变革，其风险规避和成本可能会导致有投资者购买比特币的机会。
3.1模型设置
本节将开发理论模型，我们将使用该模型来了解比特币和比特币在人口中的总的采用情况。该模型说明比特币汇率可以立足于经济基本面，汇率会随着使用量的增加而上升（rises with usage）。
我们考虑一个模型，其中比特币的主要用途是跨境转移资金——一种汇款模型。在使用比特币进行支付的模型中也产生了类似的，还有一些其他的复杂因素（例如，买方和卖方选择如何分享比特币使用带来的收益）。
我们的模型忽略了许多重要因素。我们没有纳入多种信念或投机泡沫。除了信仰之外，我们也不用在用户端加入状态变量。特别是，我们不考虑意识或利用方面的网络效应。我们有一定数量的代理商，原则上他们可以在每个时期使用比特币，一旦所有代理商都采用率，汇率就会回应需求冲击在稳定状态附近波动。因此，我们的模型排除了始终有代理处于采用的边缘的可能性，并且没有完全纳入重要的现实世界效应，即比特币的波动性会随着市场的增厚而大幅下降。剩下的另一个相关因素是其他公司的竞争反应：其他虚拟货币可能会进入市场或银行可能会削减费用（或采用可降低成本和延迟付款的技术）。
3.1.1技术和信念
比特币是一种可能有或没有缺陷的新技术。
3.2-3.4省略模型
3.5理论结果总结
因此，我们的模型提供了以下内容：
1. 在没有投资者的情况下，如果所有代理商最终都采用比特币，那么就有一个（法币兑比特币）汇率在每个时期都唯一平衡，且它取决于供求关系（经济的基本面）。
2. 比特币的稳态预期汇率等于预期交易量和比特币的供应之比。
3. 交易量反过来取决于比特币相对于其他可选支付的优势。比特币的初始供应水平无关紧要，因为比特币可以无限地整除，尽管总供应量是外生的，这一点很重要。
4. 以生存为条件，随着时间的流逝，人们对比特币的质量的信念逐渐发展并导致了采用也日益增加。
5. 当代理商对风险的厌恶程度更高时，比特币的利用率开始较低。
6. 学习和信仰的本质也会影响采用率和汇率的发展。
7. 投资者可以购买比特币，这会减少用户的有效供应并增加市场均衡价格。
8. 在没有投资者的情况下，汇率增长与采用增长的比例成正比，虽然汇率从较高的价格开始，然后在有投资者存在的情况下逐渐增加到稳态，而一旦达到稳定状态，投资者便停止投资。
9. 如果投资者从外部购买了一定数量的比特币并持有（或丢失了一些），汇率将根据从市场撤出的数量进行比例调整。
3.6从理论到经验
理论模型提出了许多经验假设进行检验，并回答以下问题：
1. 比特币的价格和交易量紧密相关吗？价格直接是一部分交易量除以比特币的数量之比吗？
2. 与国际支付和电子商务相比，使用比特币作为价值存储的活动份额是多少？
3. 在商业用途中什么用例看似流行？非法活动重要吗？用户是否似乎在保护自己的财务隐私？
对于第一个问题，如果比特币价格主要由当前交易需求决定，以及随着时间的推移，速度相对恒定，该理论表明价格应该与交易量成正比变动。第二个问题的答案说明了哪些摩擦与用户相关。如果国际转移和电子商务是重要的用例，则减少汇率摩擦可能会进一步提高采用率（回想一下，在理论模型中，汇率不确定性会降低比特币的效用）。如果看不到这些用例，则可能得出结论：现有的摩擦是禁止的，但是这个发现也会与消费者有其他付款方式的预测一致。了解不同用例的比列还有助于预测交易量的增长，在理论模型中这一点会影响交易中的汇率。第三个问题涉及什么类型的替代支付技术与未来比特币竞争（模型中的外部选项）。
4 比特币汇率汇总分析【重点来了】
在本节中，我们将提供有关汇率、交易量、以及有效比特币供应。本节中使用的数据来自Blockchain.info，在其网站上数据是公开的。我们信赖Blockchain.info是因为此网站提供不包括比特币主要交易所的交易量的估计，我们相信他们与比特币交易所相关的地址列表比我们拥有的更为完整和准确。Blockchain.info还利用启发式方法删除更改。
为了将汇率与有效供给量成正比的理论预测付诸实施，我们需要引入比特币速度的概念。一般来说，速度定义为交易量与货币供应量之比。对于比特币，我们操作为
速度=交易量/（汇率×比特币供应）
我们可以交换下自变量和因变量位置就解决了汇率问题，如下所示：
汇率=交易量/（速度×比特币供应) （11）
该方程式使汇率是需求（交易数量）和有效比特币供应的观点正规化。请注意，此等式成立无需假设, 它只是换了下位置。然而，用这种方式来写，也许更自然地解释影响汇率的因素：如果未来的比特币供应量是已知的，然后预测价格归结为预测交易量与速度之比。
有多种因素可以影响法定货币的汇率。数字货币有一个与众不同的因素集；例如，人们可能会更长时间持有比特币，如果他们花费的地方很少，或清算时涉及交易成本。对于比特币，速度和交易量似乎将来会一起移动：使用比特币的能力的提高将导致人们更经常地花费它，同时增加交易量。另一方面，交易量可能会大幅增加，同时速度也会有更为温和的变化。其他可能影响比特币速度的因素包括：积极使用比特币的用户（与可能已收到比特币但不考虑使用它的用户相反）、丢失的比特币份额（例如，密码或钱包的丢失）或没收、进行商业使用比特币的机会（例如，商家接受）、以及便利应用程序的可用性，例如在移动平台上。我们进一步观察到这些可能会增加速度的因素也可能影响交易量。为了让大家更多的了解这些因素，在下一节中我们将分析交易级别的数据。
图3
图4
图3显示了比特币市值的演变（此时比特币汇率与供给量的乘积，它是（11）式的分母，以及两个以美元计算的年度交易量（11）式的分子）。第一个是前365天的交易量的总和，第二个是过去30天的总和，按365/30比例递增。该图显示，市值大致紧跟交易量。图4显示了两种形式的速度的隐含速度序列，一个是用前30天的交易量构建的（按365/30调整比例），另一个是用前365天的交易量构建的。该图表突出表明，在某些高交易量时段之外，速度一直相当稳定。为了解释速度序列，有必要回顾一下，在传统经济中，人们对速度的理解相当模糊。M1速度，等于名义GDP和M1货币供应量的比率，自1970年以来一直在5到11之间变化。对于比特币，尽管我们报告的方法排除了Blockchain.info确定的交易所交易量，我们很可能没有一个能与GDP相媲美的衡量真正经济活动的指标。此外，在投机活动频繁的情况下，计量问题可能会高估非外汇交易量，因为默认情况下，交易量包含在我们的度量中。由于历史上比特币的高价格吸引了大量投资者活动，因此在那段时间里我们可能会带着更多的疑虑来看这些估算值。
图5
图6
如果比特币速度保持恒定，那么将实际比特币价格与可以预测的价格进行比较是很有启发性的。这个实践结果如图5和6所示。如果速度保持恒定在3或5，图表显示11式预测的价格。除价格暴涨的几个时期外，预测价格大致紧跟实际价格。换一种说法，总数据与价格由当前交易量和相当稳定的速度决定的理论在性质上是一致的。为了量化拟合优度，我们进行了如下练习。首先，避免近期汇率影响年度交易量测算的问题，汇率随时间呈序列相关，我们尝试预测30天之前的价格。我们考虑将比特币总供应量的测量、365天的交易量，并将两者之比作为预测器。我们通过获取每周平均值进一步汇总数据。由于汇率波动很大，因此我们从这些每周平均值的对数来分析拟合优度。具体来说，使用2013-2015年的数据，将30日前汇率和“365日交易量与比特币供应量之比”的对数进行回归，R2为.83。为了了解价格仅使用时间的可预测性，我们考虑将30天前的汇率与周数（2013年开始）以及周数平方、立方和四次方以及周数的对数进行回归。后一回归的残差平方和是2的3.5倍。也包括365天交易量与比特币供应量之比作为协变量的回归。后一种回归的R 2为0.97。
更好地了解比特币使用的微观经济学将让你知道汇率波动的来源和速度的时间趋势，从而解决了价格形成的原因。此外，检测交易级别的数据将有助于回答数据是否与理论模型一致的问题，在理论模型中交易量是汇率的主要决定因素；如果投机和投资起着更重要的作用，包含投机者的理论模型可能更合适。我们将在下一部分继续进行此分析。
5 公共分类帐的微观分析
5.1实体检测与分析
比特币分类帐是公开的，这似乎使分析交易看起来相当简单。该系统的许多特殊功能使将分类帐数据转换为具有经济意义的数量更具挑战性，实际上做到如此精确是不可能的。因此，我们将参考文献并采用许多启发式方法进行我们的分析。由此必须从一开始就强调：我们所有实证结论应解释为对事实的嘈杂测量。另外，应用不同的启发式方法可能会改变结论。
许多作者描述了比特币区块链及其机构特征。参见Brito和Castillo [2013年]，Böhme等。[2015年]。在这里，我们将概述一些影响我们的分析。首先，区块链记录不同比特币地址之间的交易。这些地址通常通过称为“钱包”的软件产品进行管理，其中钱包包含多个地址。地址是假名–没有附加任何个人身份，此外，在比特币分类帐中地址与相应钱包没有关联。弄清楚来自两个钱包的地址是否属于同一个人可能非常困难，并且我们不会在本文中尝试这样做。相反，我们使用启发式方法分配不同的地址到同一个钱包。
以启发式（概率性地）将地址分组到钱包中为基础，我们充分利用这个情况：当某人进行比特币交易时，来自该地址的所有比特币都用作交易输入。那些资金被分开转入接收地址，然后硬币作为找零又被退回去，协议在其中生成新的找零地址（查）。如果我们可以确定哪个部分发生了更改，则可以把零钱接收者的地址与发送人的钱包关联起来。我们还结合了其他一些启发式方法。我们把一组联系在一起的地址称为“实体”，对于个人用户而言，其中启发式方法旨在把实体和钱包联系起来（对于公司，我们可以把一个公司使用的钱包联合起来作为一个实体）。
我们对启发式技术的概述如下：
1. CoinJoin和混合交易：我们使用启发式方法来识别“混合”交易。
如果有四个以上的输入和四个以上的输出，则将它们标识为混合，（在下面进一步讨论），并且将这些交易排除在其他启发式方法之外。在我们的数据中，有14,957,194个地址被确定至少是混合交易的一部分，一项交易中至少有66,160,456个地址未标记为混合。
2. 普通人启发式（[罗恩（Ron）和沙米尔（Shamir）， 2013年]）：在m对n的交易中，我们假设所有m个输入地址都由一个公共实体控制。此外，如果有一个输入地址是两个单独的m-n和m'-n'交易，那么我们假设所有（m + m'）输入都是由同一实体控制。
3. 变更标识：被指定为可能是变更地址的地址作为发送地址分组在同一实体中。
（a）在两个输出的交易中，如果一个输出比另一个输出（4个或更少的小数位）多3个小数位，我们将小数位数较多的输出声明为更改地址。例如，如果交易有
输出.02和.01615265，我们确定后者为更改地址。这基于此假设——比特币用户不太可能向其他难以理解的带有很多小数位数的数目的用户发送比特币数量。
（b）（Meiklejohn等。[2013年]）：如果在非同区块交易中只有一个地址第一次被视为输出，并且在这次交易中没有自我更改地址，我们说这个地址是一次性更改的地址。
相对于Meiklejohn等。[2013年]，我们添加了混合和小数位试探法。我们的总量目前接近Blockchain.info上的估计交易量。我们还合并了有关已知实体的其他数据源。迈克约翰等。[2013年]提供了约1,138个地址的数据，包括大约2013年初的主要交易所，丝绸之路，赌博网和一些主要供应商。该数据是通过进行交易获得的。我们用了公开发布的主流已知比特币地址列表；来源在第8.1.1节中在线附录进行了详细说明。最后，我们抓取了博客网站http://Bitcointalk.org，找到了比特币捐款支撑的博客，这证明了博客的原籍国。确定了总计3,906,194已知地址。表2总结了地址数和各行业的不同名称的数量，其中我们的行业分配是使用启发式方法和互联网研究方法手动进行的。最后，如果我们不能以其他方式识别这些实体，我们将非常大的实体分类为未知的互联网业务。我们将这些未知的互联网业务通过至少与100个其他实体进行过交易且尚未被了解的交易量来定义前200名实体。尽管这绝不是使用比特币的所有企业的完整列表（comprehensive list)，我们仍然相信，基于图10这是一个很好的启发式方法，图10显示了实体的数量，这些实体至少与交易量排名前1000的已知企业中的至少有过一个交易伙伴的每一个企业都有过交易。在这些已知业务中，大约75％的业务至少有100个业务伙伴，合理地假设至少有100个交易伙伴和巨大交易量的实体都是公司。请注意，将地址合并为实体时出现的错误将被引入到对大型未知实体的定义中。请参阅表1，以了解有关这些业务所分配的行业的更多详细信息。我们将“个人用户”定义为用户，他既不是已知也不是未知的大型实体，即使某些个人用户可能是某种公司类型的。
虽然比特币交换通常是发生在链上，比特币所有权的转移记录在公共分类账中，但是也有些比特币活动可能会在“链下”发生，也就是不在区块链上。例如，比特币钱包服务可以将比特币在特定地址的所有权从一个钱包用户转移到另一个钱包用户。虽然比特币已经成功地由一个用户给了另一个用户，但在区块链上是没有该交易记录的。交换比特币的两方之间的信任是链下活动十分的便利，当两方互不信任时，活动通常涉及受信任的第三方（关）。没有信任，债务将无法偿还，第三方服务将退还资金，用户将不会参加链下活动。链外服务的一个例子是Circle，它允许客户在存钱之后可以互换地发送和接收传统的法定货币或比特币。在货币之间转换资金或在用户之间转移资金是不收取任何费用的，实际上交易是系统用户之间的债务转移。大部分交易保留在Circle系统内，没有写入区块链，只在存款和取款期间进行交易（考里 [2014年]）。我们在本文中不讨论这项活动。
5.2实体创建：初始结果汇总
在表3中，我们总结了实体创建活动的结果。我们展示了地址和实体的数量。按行业分类（基于已知实体的类别）。我们看到每个实体的平均地址数随行业类型而变化；例如个人用户每个实体的平均地址数为2.4，中间值为1。因为许多地址只涉及一次交易（它们只接收比特币，但再也不会进行交易），所以看到这么多单个地址的实体（27,474,538个实体中的19,654,960个）并不奇怪。
表4列出了与每种已知实体发生交易的份额（以美元价值和交易总数作为份额）。我们发现个人用户之间的交易占大多数，而大型未知实体则占第二。在与已知实体的交易中，交易所是最大的类别，其次是赌博，违禁品和采矿。应当指出，可以肯定的是我们识别已知实体的能力在各个类别之间并不统一，因此应谨慎解释统计数据。
5.3采用和使用
在本节中，我们考虑不同类型用户的采用和使用模式。这对交易量变革有影响，交易量又反过来影响价格和波动性（进而影响使用情况）。
我们使用启发式方法根据用户的行为将用户分组，例如他们是不频繁的还是频繁的交易者，以及它们与比特币监测到的交易时长。图7显示了如何定义用户类型。图 8显示了随时间变化的与每种用户类型相关的比特币余额的一部分的演变。一个关键的观察是短期和长期的频繁交易者类别没有增长；这表明比特币速度可能会随着时间的流逝而下降（可能会影响未来的交易量以及对未来交易量的预期，从而影响价格）。另一个观察结果是长期不频繁交易者和投资者共同持有大部分比特币。另一方面，就实体比例而言，短期用户和一次性用户的比例有一个转变，从2012年7月的不到20％的实体增加到2015年5月的超过40％的实体。
图7
接下来，我们考虑的是速度的基本原理如何在整个用户组和不同群体之间以及时间的推移而变化。由于速度是一个总体概念，因此我们在用户级别上创建了一个更易于使用的定义，我们在用户级别定义比特币的“陈旧性”。使用先进先出的次序，我们测量每个比特币在实体钱包中花费的时间长度。在给定的月份，一组用户的比特币的平均陈旧度被定义为用户的其中一个比特币在他们的钱包里的平均时间长度。
图9说明了随着时间的流逝，比特币的陈旧度。我们看到在矿工的类目里，平均陈旧度随着时间的推移一直稳定增长，大概是因为已经挖出来的比特币保留在原始矿工的钱包中，没有使用。对于保留比特币的用户类型来说，长期不频繁交易者和投资者的陈旧性也随着时间而增长。由于他们中许多人对于比特币来说是新手，截至2015年5月，投资者的陈旧度在一到两年之间，投资者的陈旧度呈线性增长。
图9
把图8和9放一起，我们看到很多交易量都与一次性交易用户有关联。随着时间的流逝，属于矿工的交易量份额在交易产出方面稳定下降。从2014年中后期开始，其他“已知实体”持有（held)的比特币的陈旧度开始大幅增长，而在2015年5月该群体的比特币的平均陈旧时间将近400天，在2014年11月和12月之前，平均陈旧度从未超过200天。这些“其他已知实体”的减少了的交易数量至少可以通过以下事实来作部分解释：我们在已知地址上的大部分信息是由Meiklejohn等提供。并且极有可能2013年初许多活跃公司在2015年不再活跃，导致即使他们停止运营了，但仍然持有比特币，这导致了比特币陈旧度的增长。最后，截至2015年5月，交易所的投入和产出均占交易量的10％以上。我们从“新矿工”中分离出“老矿工”，其中老矿工是在第一个减半（2012年11月28日）之前创建帐户的，早期的比特币矿工可能不能再使用他们的比特币；这些硬币在当时不是很有价值，因此有些人可能粗心大意（私钥丢失）也是说得通的。
5.4财务隐私和违法行为
关于比特币用例的下一个问题涉及其隐私保护（和破坏隐私）的特性。由于所有交易都有公开记录，因此与现金不同，比特币可跟踪。另一方面，由于比特币没有将用户身份与地址连接在一起，因此似乎可以以另一种方式保留匿名性。可以取消识别用户身份的一种方法是，如果他们的同伴之一向他发送比特币；然后同事在其他情况下透露他们的地址。法律的强制执行可能会寻找可疑犯罪分子的同伙并试图通过多种方式获得他们的地址。（对于像Circle这样的链下服务用户，用户应该大概知道执法部门可能能够在法庭命令下获取他们的个人信息以及交易活动；而这些服务需要身份信息以用于注册。
意识到保留永久公开记录比特币活动的潜在隐私风险，比特币行业参与者创造了各种意在保护用户金融隐私的服务。一个示例是“混合”服务（[i]）。简而言之（in short)，混合服务结合来自各种比特币地址的资金，然后将它们重新分配给一组新的比特币地址。原则上，如果将10个地址分别放入1个比特币中，并且10个地址各自接收1个比特币，则很难确定10个地址中的哪个地址是任何收件人的来源。当然了个人必须信任混合服务将他们发出去的比特币再发回给他们；这可以通过信誉来实现，也可以通过允许执行被检查的交易的软件来实现。
如第5.1节所述，我们使用启发式方法来识别混合交易。特别是如果一个交易涉及4个或更多的输入和4个或更多的输出，我们将其标记为混合交易。影响我们所有结果的解释的重要一点是，一旦实体经历了混合交易，我们无法追踪进入混合交易的资金。我们可能仍然会遵循原始实体的行为，但是我们无法再将在原始实体中进行混合交易的那部分硬币与后期混合行为连接起来。
图11
图11说明了随着时间的流逝混合服务的采用。2013年钱包服务商Blockchain.info在使用混合交易量和交易比例以及在混合交易接收方的实体比列方面，开始提供免费混合交易服务，之后采用率大幅提高，。
从概率上说，从事非法活动的用户应该更有可能使用混合服务。我们发现违禁品买家（占所有买家的19％）比普通用户（12％）更有可能使用混合服务保护自己的隐私；相比之下，赌徒与普通用户非常相似，在比特币历史上的所有赌徒中有大约12％使用混合技术。在图12，我们可以分别看到使用比特币的所有实体所占比与“赌徒”和“违禁用户”的百分比的区别。我们通过与实体进行交易的不同实体的数量来（“实体的连接程度”）分解使用CoinJoin的实体的部分。如果实体的所有交易都是混合的，（由于混合交易的实质，我们无法具体识别出有相互交易的不同实体），或者他们没有进行任何交易，那么这个实体可能具有0连接。由于这个事实，大部分的0交易对手的实体参与了混合交易。除了只有一个交易对手的用户（用户没有太多机会既进行混合交易又进行赌博，也不是专门给他们的交易使用混合服务的用户），赌徒使用混合交易所占的比例要高于在整体连接分布中的其他实体。对于违禁品用户，他们比普通的比特币用户更明显地使用混合服务，它们在所有的连接程度上显示出更高的混合度。
这些证据表明，用户在比特币中从事非法活动时，愿意采取代价高昂的措施来保护自己的财务隐私。这样的非法活动似乎是一个与用户隐私保持一致的用例，至少在正从事非法活动的用户看来是如此的。
5.5交易网络和区域分类
比特币有个有趣的特征，至少对于在公共区块链上发生的交易而言，可以构建比特币实体网络，如果他们曾经进行过交易，我们将实体视为已连接。我们的第一个发现（基于我们对实体的定义）是因为比特币的利用率相对较低，所以比特币网络连接非常稀疏。有3个或更多连接的实体少于40％，只有10％的实体具有7个或更多的连接。我们现在着手对以下比特币网络的个人之间的互动性质进行更深入的分析。
5.5.1社区检测
在构建了比特币实体的网络之后，其边缘由两个实体之间以美元计算的总交易量加权，社区监测分析可以帮助我们更好地了解哪些类型的比特币用户经常交互的模型。我们在比特币实体网络中用Louvain网络聚类算法（金发女郎等。[2008年]，使用的软件在https://sourceforge.net/projects/louvain/网站上来帮助实现这一目的。该网络聚类算法通过初始化一张图表的每个顶点来起作用，这个图表是在自己的社区或手动播种的集群中，将每个顶点重复移动到邻近社区，这导致模块化的最大增长，直到网络模块化达到局部最大值，然后将每个形成的社区视为一个单独的顶点，加权边缘即代表社区内的边缘（加权了的自我边缘），也代表社区之间的边缘。在这个新近形成的图表上重复进行局部模块化优化的过程。在一个新的图中，将社区内的顶点分组为单个顶点和局部模块化优化的交替步骤被重复，直到顶点不能再分组到一起为止。应当指出的是，这个应用有些用处，因为在数千万个人之间有关于互动网络的公开性的可用数据。
图13簇结果的概括【聚类是统计学、机器学习和数据挖掘领域的重要研究问题之一，其目的是将数据对象划分为多个类或簇(cluster)，使同一簇中的对象之间有较高的相似度，而不同簇中的对象有较大的差异。图聚类是指以图的形式对数据进行聚类。可以对图形数据执行两种不同形式的聚类。顶点聚类是根据边的权值或边的距离将图中的节点聚类成密集连接的区域组。图聚类的第二种形式将图视为要聚类的对象，并根据相似度对这些对象进行聚类。】
在这种情况下，我们将交易所和个人包括在集群中，但省略了所有其他企业。我们将所有顶点放到到除2858个实体以外的个体的簇中，因为我们已经具有地理标签，以及个人用户和交易所的组合。这些实体在代表四个总体区域的四个社区中的点被放到一起。但是，在算法的第一步中，许多实体转移到其他社区，因为Louvain算法致力于最大化簇分配的模块化。图13为我们提供了该算法创建的簇的大小的摘要，其中有49%的实体完全不在同一个簇中（因此未在图中表示），这与许多实体不交易的事实一致。我们看到绝大多数簇的实体很少，
这一点和图表的稀疏性一致。因此，我们没有看到像在群组成员之间使用比特币作为支付方式的大量的用户簇这样的有力证据。我们看到的是聚类算法有效地识别了一起交易的群组，并且这个群组确实将交易集中在组内：对于10到99个实体的簇（聚类），40％的实体在集群中具有多个交易，而68％的簇交易量是在簇内。我们还看到，大多数中小型簇仅涉及个人。因此，即使这些簇相对较少且只占实体的一小部分，他们似乎确实意识到了在个人群体中进行交易的用例；大部分的公开应用与更小的网络相关。
5.5.2区域分类
关于比特币用例的另一个问题是它是否用于国际支付。尽管我们看不到有关比特币用户的识别信息，但仍然可以使用统计模型将实体按照区域分类。为此，我们创建了一个比特币地址的练习数据集，我们知道用户来源国。我们的主要数据来源是一个名为“ Bitcointalk.org”的网站，用户经常在其中要求比特币捐赠以支持他们的博客。他们还可能出示其原籍国。通过抓取该网站，我们获得了具有国家标签的2995个地址的练习数据集。我们找到与这些地址相关的实体，然后从网站到这2858个实体，我们都给他们贴上国家的标签。我们将这些国家分组为9个子区域和四个区域（美洲，欧洲，亚洲和东部拉丁美洲），我们选择这四个区域是因为对于预测区域最重要的特征与交易时间和用户所在时区有关。在线附录中列出了从国家到地区的地图。我们练习数据集的摘要统计在表5和表6中。表6显示我们的训练数据集不具有代表性：与完整数据集相比，它具有更多长期用户和矿工。
为了训练我们的国家分类器，我们使用了Breiman的随机森林算法（布雷曼 [2001]）对于练习数据集中的每个实体，该算法都会生成一个实体在每个区域中估计概率的向量。我们首先生成用于预测的协变量（特征）。这些特征（协变量）是从实体在区块链上的交易中产生的，分为几类：实体进行交易的时间，实体交易过的已知实体，实体已进行的交易数和量，以及已知与该实体进行过交易的国家。
此外，我们可以创造补充特征，这些特征使用在同一簇中的关于其他实体的信息，而这个簇是正如第5.5.1节所说的Louvain聚类算法的应用中所确定的相同的簇。以这种方式生成的基于群集的功能的示例是“与欧洲实体针对每个簇的交易数量。”
在练习随机森林模型时，我们使用了R包随机森林中包含的implementation。在打包期间，我们使用了来自4个区域中每个区域的均衡采样，在练习数据中代表性不足的区域在模型建设中有着同等影响。回想一下，我们事先并不知道在我们的数据中区域各占多少实际比例，而我们的练习数据则不具有代表性。确定最优的通过参数扫描为模型调整参数，我们进行特征选择通过首先使用所有可用特征创建模型，然后通过两个指标中的每一个选择前50个特征：准确度的平均数下降和基尼特性的重要性。为模型选择的特征是包含在在线附录的表14-16中。最好的模型具有96个特征：40个基于实体的特征，另外56个基于簇的特征。有趣的是，基于实体的40种特征几乎都是以时间为基础的，但是基于簇的特征也专注于簇内的交易，这些交易即是与两家知名公司也是我们标记的练习数据集中的2858个实体。例如，“每个簇与欧洲实体的交易数量”的特征是在簇内的实体与这1000个（在练习数据集中的欧洲实体）中的一个的交易的平均数量，“每个簇与MtGox交易的指标”的特征显示了在与交易所“ MtGox”进行交易的簇中的实体的一部分。
表8显示了预计在每个区域中的实体所占份额以及在练习数据集（回想当我们在演练这个模型时，使用了来自每个区域的大小相等的子样本）所占份额。我们看到亚洲，尤其是拉丁美洲东部地区实体所占份额在整个数据集中的预测比起在我们的联系数据集中的预测更大。美洲和欧洲确是相反的。我们使用Out-Of-Bag（OOB）错误评估了性能；表7显示了该模型的OOB错误。在这四个区域的模型的平均错误率0.402远好于某一个期望的0.75的错误率，如果把四个相等大小的类别随机分类。确实，错误率如此之低可能令人惊讶，因为联系数据集的大小以及大量用户仅参与每个用户的少量交易的事实。我们通过简单的模型和少量的非代表性的练习数据集就能很好地预测的能力表明，如果政府或监管机构试图采取更积极的尝试来了解用户，就有可能获得实质性见解。
但是，来自分类器的错误率足够大，以至于当我使用预测做进一步分析时明确地说明了这种能力。更准确地说，我们把由随机森林分配的概率解释为来自经验贝叶斯模型的后验概率（在随机森林的章节里有关于这个模型的更多讨论，请参见Taddy等。[2015年]）。在进行分析时，我们为每个实体从该后验中抽取样本100，计算相关样本统计信息，以及然后报告这些样品的均值和标准方差。
我们的区域分类方法的另一个问题是，对于我们的某些分析，我们使用基于簇的特征可能看起来很循环。例如，在分析跨区域流动时，我们对来自不同地区的用户是否与另一个地区用户进行交易感兴趣。如果实体之间进行交易，则社区检测算法会将它们置于同一簇中；预测算法中使用的某些特征是在簇的级别被定义的，因此它们在一个簇中的所有实体之间是通用的。因此，同一簇中的实体更有可能被分配到同一国家/地区而不是来自不同簇的实体。为了解决这个问题，为了解决我们发现的问题，我们还创建了另一种“干净”的预测模型，
这种模型没有使用基于簇的任何特征。该模型的预测准确性比我们的“最佳”模型差：OOB分类错误率为.551。干净模型的定性结果是相似的，但结果是嘈杂的；这些结果包含在在线附录中。其中一个最大的系统性差异是干净模型总是把美洲错误分类（错误率为0.61），因此在此模型中，美洲与其他地区的“混合”更多，这使得亚洲在被世界其他地方接受方面更加突出。
5.6跨区域流动和行为的区域差异
5.6.1随着时间的推移采用和使用
比特币的采用在一个地理区域内可能相互关联，这点是有很多原因可以预期的。首先，朋友们可能会互相告知比特币或互相教授如何使用它。其次，某些地区可能会有较高的重视比特币的个人聚集，要么是因为他们对技术精通或好奇，要么是因为他们对比特币提供的服务有需求。第三，如果运作良好，比特币将更易于使用，受信任的比特币交易所接受来自当地银行的电汇或票据交换。因此，我们研究了区域采用曲线。图14反映了区域采用曲线，绘制这个曲线，我们用非零余额计算每个区域中100次模拟绘制的每一次的实体的数量，然后报告平均值。该图显示，自比特币创建以来，美洲和亚洲的实体数量远多于欧洲和拉丁美洲东部，尤其是在美国最早采用比特币。截至2013年底，相对于美洲的比特币使用率亚洲比特币使用率增加显著。这个与2013年末中国数字货币市场的扩张报道相匹配（吕迪 [2016年]）。随机森林模型通过时间特征以及诸如“每个簇与BtcChina交易的指标”特征，其中BtcChina是2013年末在中国最受欢迎的交易所（吕迪 [2016年]）。由于实体数量众多，图14曲线中几乎所有差别具有统计学意义，在某种意义上一个实体可以拒绝平均值差异是由于误分类错误引起的假设。在线附录中说明了跨区域差异的标准差。
在图15中，我们说明了区域之间的差异（以美洲为基础区域）就比特币余额而言。在模拟图表绘制中，这些余额的变化比实体数量的变化要大得多，因为比特币的余额严重偏离，
持有大量余额的实体数量相对较少。例如，前100,000个实体持有所有比特币的92％。虽然相对于美洲每个区域的总余额都曲线显示出与采用曲线相似的情况，只有一个结论具有统计学意义：到2015年，亚洲比欧洲和拉丁美洲东部拥有更多的比特币余额，与早期强调的亚洲比特币采用率上升趋势一致。但是，看看陈旧状态，实体持有其当前拥有的比特币的时间为我们提供了更深刻的见解：在图16中，我们看到自2014年初以来美洲的用户已经开始持有比特币的时间明显长于其他3个地区。虽然美洲的用户仍持有其比特币，但其实际使用量相对于世界其他地区明显下降。总的来说，这与大多数用户是短期用户的发现一致。比起世界其他地方，美国有更多用户是持有其比特币或是作为投资者的矿工（请参见7） 我们在下面回到这个问题。
5.7跨地区流量
一个关键问题涉及个人是否正在使用比特币进行国际支付，因为这是一个现有金融机构无法满足的用例。虽然我们的分类仅标识区域，这样我们就低估了国际转移，跨区域转移
显然是国际性的。我们通过把实际的区域流动与与反事实的区域流动作比较来分析跨区域流动，在反事实区域流动中，我们假设实体所占比例在每个区域都与随机森林所预测的区域相同，但在反事实世界区域流动中，实体被随机分配到区域（如表8所示以模型为整个样本预测的比率），而不是通过随机森林模型接受分配给个人实体的概率，我们将此反事实与发生在夸区域的实际交易量百分比进行比较，我们通过考虑我们的数据集来计算后一个数量
每个实体100张区域任务分配。我们对涉及每对区域的交易量份额的100个模拟绘制图表取均值（和标准差）。表9 显示出了实际百分比和反事实百分比之间的差异。我们看到与美洲的交易总体上低于实体所预期的交易，如果实体被随机地分配区域。此外，相比在反事实世界中，东拉丁美洲与欧洲和亚洲（以及拉丁美洲东部地区）的交易更多，与来自该地区使用比特币进行国际支付一致，在这里进入银行的可能比世界上其他地方更低，不幸的是，我们无法用我们的分类器准确把南美从北美中区分出来，其中向南美的汇款是一种合理的比特币的用例。
5.7.1与行业的互动
我们还可以考虑在不同地区比特币是怎么使用的。表10显示了美洲与特定行业之间的一部分交易量（相对于行业的总交易量），它还显示在美洲和其他三个区域的属于某个特定行业的一部分交易量之间的差异。到目前为止，大多数交易量都在交易所进行，而“未知”行业显然是第二位。只有几个区域差异具有统计意义；亚洲和东拉丁美洲似乎与商家的业务往来较少（尽管在拉丁美洲我们可能没有那么全面已知商家的数据集），而亚洲在赌博和和违禁品两类所占的份额似乎更低。
查看个人与公司之间互动的另一种方法是查看每个实体与属于特定行业的公司之间的最小网络距离。比特币网络可以用图表示，其边缘作为交易，而网络距离是代表实体的两个节点之间的边数。因为发现在比特币网络中每个实体与13个行业中每个行业之间的网络距离的计算量非常密集的，我们从比特币网络中抽样10,000个实体取而代之作为整个网络的代表。我们对这些由以美元计算的总生命周期实体交易量加权的实体进行了抽样，
实体的美元交易量。表11显示了这些结果。该表显示了与美洲实体的原始距离，还显示了
美洲和其他三个地区的每一个之间的距离差别。毫不奇怪，交易所与网络中特定实体的距离“最近”，这表明它们是比特币用户最常活动的地方，也许更令人惊讶的是，美洲与所有行业之间的网络距离明显大于其他三个地区。我们也看到就赌博和违禁品等非法活动而言，亚洲与美洲是相似的，尽管差异的幅度不大，但其他两个区域之间的距离明显更近。
5.7.2按地区划分的用户类型
虽然采用曲线有助于揭示来自开始使用比特币的每个地区的用户数量，按用户类型查看每个区域中的用户细分（在表7中有定义））帮助我们了解比特币用户在世界不同地区的差异。表12 显示了来自美洲的属于每种用户类型的用户比例，以及属于特定用户类型的实体在美洲的百分比与属于另一个区域内的该用户类型的实体的百分比之间的差别。相对整个地区的总的实体来说，混合实体最多的区域是美洲。如果我们可以假设要么实体更多地在他们自己的区域进行交易要么算法将这些混合实体分配到美洲，因为它们主要与美洲其他实体进行交易，所以这可能解释了
与他们已经先与混合实体进行交易来帮助匿名化他们的交易的其他地区相比，美洲如何与各个行业之间的网络距离明显更高？另一个值得注意的区别是，总体而言，美洲在定义为“其他已知实体”的实体比例上会稍微多一点点，这意味着在这篇论文中已标识的公司池稍微集中在美洲而非实体的总数量。最后，除了美洲以外，世界其他地区还有更多的长期交易者，与世界其他地区可能有更多比特币用例的观点一致，或许是因为对国际转移的更多需求，以及由于对银行服务需求的减少。
6 结论
在本文中，我们为比特币采用和定价开发了理论框架，然后使用该框架指导实证分析。我们的理论表明，比特币价格原则上可能会由经济基本面确定，关于比特币价格随着时间的推移发生变化的总数据与上面的观点是一致的。更细微的个体交易的微观数据的观察表明，许多比特币用户并不活跃，并且许多人购买和持有比特币。我们使用各种实证技术来得出有关。
比特币的用例以及它们在世界不同地区的变化。我们证明了非法活动是一种比特币用例，并且当用户从事那些活动时，试图保护其财务隐私。我们还确定，通过检查用户的比特币活动来了解他们的特征是有可能的，比如很简单地他们的居住区域，他们进行交易的时间点，以及网络中与其“邻居”进行交易的实体。使用一个简单的分类器，我们就可以得出有关比特币国际流动以及跨区域使用差异的结论。
我们的论文涉及信息技术采用和使用的研究中的各种广泛主题。首先，我们的理论模型强调了摩擦在采用过程中的重要作用，从技术失败的风险到其他用户（通过汇率）采用比特币影响技术价值的事实。这些主题对许多新技术来说都很重要，模型和证据突出了它们在比特币特定环境下的运作方式。我们的微观实证分析还强调了这个事实-有关新技术可能会引起误解的总采用统计：许多新采用者似乎并未发现该技术持续有用，除了保留外。我们还看到采用和使用比特币的趋势是本地化的，尽管比特币技术的关键特征是它纯粹是数字化以及独立于政府。我们的论文还涉及有关隐私的文献；在非法活动与保护财务隐私之间的相关性表明，至少有一部分用户似乎很看重他们的隐私，而这种行为是对经济成本和收益的回应。总体而言，比特币提供了一个独特的机会来观察采用和微观级别的用户对用户的交易和交互数据，这些数据是在在新的信息技术产品中，以及在公开有效使用数据的环境中。未来的研究可能会进一步探索比特币的网络结构以及用户在网络中进行如何交互。
如果想要了解更多国际上对比特币的相关研究信息，可关注议币圈微信，并给小蚁留言哦！☺️☺️长按二维码关注
以上内容原版英文论文出自斯坦福大学官方网站，如有需要原版英文论文的童鞋，可联系小蚁获取哦~~
