文摘

本研究提出了一种新颖的方法,其包含rolling-window估计和分位数因果关系测试。使用这种方法,谷歌趋势和比特币价格数据用于实证研究时变分位数之间的因果关系投资者关注和比特币的回报。结果表明,因果关系的参数测试不稳定的样本期间。分位数的结果也显示了强有力的证据——和时变投资者的注意力和比特币回报之间的因果关系。具体来说,我们的结果表明,因果关系只出现在高波动周期在时间域内,和因果关系提出了分位数域内的各种模式在分位数。

1。介绍

Cryptocurrencies,一种新形式的数字资产,引起了投资者的关注,研究人员和中央银行自全球金融危机。基于区块链技术,大量cryptocurrencies已经生产和贸易自2008年著名的比特币的引入。尽管有一些缺点,人们普遍认为,这种分散和加密的货币将是一个颠覆性的资产,金融体系带来冲击。因此,它是至关重要的对投资者和监管者来确定价格机制更好地管理风险。

由于其大幅波动,cryptocurrency价格变动引起了经济学者的广泛关注。现有文献对cryptocurrency价格变动包括两个分支。第一个关注cryptocurrency回报的特点,包括聚类(1],爆炸性[2],泡沫[3,4,记忆5,6),和羊群效应(7,8]。第二个截图cryptocurrencies之间的相关性。例如,在他们的动态网络分析,Balli et al。9]发现短期之间的连通性cryptocurrencies远远强于中长期,和连通性随经济不确定性的增加而减小。易et al。10)表明,比特币cryptocurrencies的连通性网络中扮演着重要角色。相关研究已经由Fousekis和Tzaferi [11]和Katsiampa [12),等等。

在行为金融学中,投资者的注意力被认为是一个重要的影响资产收益的行为。随着金融市场的投资者有限的认知能力(13- - - - - -15),他们更倾向于交易这些资产,抓住他们的注意力,这意味着注意力是一种稀缺资源。另一方面,资产价格大波动吸引更多投资者的关注,甚至导致价格波动之间的螺旋和投资者的注意力,导致更大的波动。因此,澄清价格波动的价格机制和投资者关注相互作用有助于更好的避免风险。

之前的研究使用了多种代理来衡量投资者的注意力包括交易量(15)、广告费用(16),媒体报道(17),和价格限制18]。然而,这些代理是间接措施和基于假设投资者关注新闻。提高代理的有效性,Da et al。19)使用谷歌搜索量作为直接测量投资者的注意力。像陈20.)描述,投资者的注意力通过谷歌搜索量对股票收益产生影响。类似的研究包括卢(21],Vozlyublennaia [22),Welagedara et al。23],和Adra Barbopoulos [24),等等。毫无疑问,谷歌搜索量是一个更令人信服的代表投资者的注意力。

由于谷歌搜索量的流行,越来越多的学者研究投资者的注意力之间的因果关系和cryptocurrencies返回使用线性或非线性因果关系的方法。基于分位数的因果关系的研究方法显示的证据表明,投资者的注意力之间的因果关系和cryptocurrencies回报不同分位数。然而,现有的文献忽略了可能的时间变化之间的双向因果关系投资者的注意力和cryptocurrency回报。结构变化等因素造成的技术演进,金融危机,大灾难可能导致变化的因果关系(25]。最近的研究提供强有力的证据的时变经济变量之间的因果关系26,27]。

我们的研究有助于现有文献在两个方面。首先,我们开发一个rolling-window-based方法用于研究时变分位数因果关系。虽然有一些研究投资者的注意力和比特币的回报之间的关系,其中大部分是忽视可能的因果关系的变化的时间和分位数域。第二,我们提供了一些新的经验观测值,可用于更好地理解投资者的注意力和资产回报率之间的关系。结果表明强有力的证据表明,投资者attention-asset返回因果关系是时变和显著的波动性较高的时期,在分位数和因果关系呈现不同的模式。

本文的其余部分的结构如下。部分2评价理论和实证文献。部分3概述了计量经济学方法。部分4描述了数据。部分5提供了实证结果,部分6总结了纸。

2。文献综述

2.1。Cryptocurrencies回报的决定因素

与其他金融资产,cryptocurrencies价格的增长在过去的十年里经历了一个奇迹。因此,cryptocurrencies回报的决定因素引起了很多的关注。这些因素可以分为内部和外部变量。外部变量包括大宗商品价格(28),股票价格(29日),政治和经济不确定性(30.),和其他经济变量(31日]。例如,拉赫曼和签证官28文档,贵金属cryptocurrencies回报率变化的影响在投资时间和市场条件。Sovbetov [29日]表明cryptomarket-related因素和成份公司指数影响cryptocurrencies回报。结肠等。30.)表明,政治和经济不确定性驱动器cryptocurrency市场回报,和影响的大小取决于类型的不确定性。Kristoufek [31日]使用小波相干方法和发现,比特币等基本因素影响货币供应和使用的贸易。

内部影响因素cryptocurrencies返回包括交易量,意识到波动,投资者的注意力。例如,Fousekis和Grigoriadis32)确定cryptocurrency市场回报之间的可预测性和体积,发现只有高层成交量往往先于极端正回报。使用VAR框架,厄克特33)调查的决定因素,投资者的注意力在比特币和发现,意识到易变率和容积的主要驱动因素是第二天在比特币的注意。

除了成交量和波动,实现投资者的注意力被视为一个关键的内部变量影响cryptocurrencies回报。基于套索框架,Panagiotidis et al。34]找到证据证明搜索强度影响比特币的回报。使用VAR模型,沈et al。35]发现投资者的注意力,通过Twitter数据衡量,比特币交易量和波动性影响,Kristoufek [36关注和比特币)显示的证据紧密联系的回报。加西亚和施韦策(37识别,峰值在谷歌搜索之前比特币价格的急剧下滑。金等。38)表明用户评论和回复cryptocurrency市场交易量。菲利普斯和金雀花39)使用小波相干方法研究comovement cryptocurrencies回报率之间相关性及其相关因素,发现在泡沫状的制度非常重要。在那里和Dimpfl40)评估的有效性谷歌搜索量来预测回报和波动性cryptocurrencies和发现的回报是无法预测而波动是可以预测的。圭因迪(使用VAR框架,41)表明,投资者的注意力与更高的价格波动。总之,现有文献提供了强有力的证据cryptocurrencies回报和其决定因素之间的非线性关系。

2.2。投资者的注意力之间的因果关系和Cryptocurrencies回报

目前,越来越多的研究兴趣之间的因果关系,投资者的注意力和cryptocurrencies返回使用线性和非线性因果关系的方法。例如,朱et al。42)进行格兰杰因果关系检验,发现线性比特币回报和波动性意识到投资者的注意力格兰杰原因。Bejaoui et al。43)测试媒体关注和比特币回报之间的线性因果关系在COVID-19爆发之间的因果关系,发现没有证据表明社交媒体代理通过twitter和谷歌趋势数据和比特币的回报。沈et al。35]发现微博的数量没有格兰杰原因cryptocurrencies返回通过一个线性方法,而根据非线性格兰杰因果检验因果关系成立。小张和小王44)使用线性因果关系的方法研究投资者的注意力和cryptocurrencies回报之间的关系,发现双向的格兰杰因果关系的证据。总之,这些研究基于线性格兰杰因果方法提供了强有力的证据之间的单向或双向因果关系投资者的注意力和cryptocurrencies回报。

我们的研究更接近的李et al。45李,et al。46],和苏Chakraborty [47]。使用小波分位数因果关系测试,李et al。45)检查分位数之间的因果关系投资者的注意力和cryptocurrency回报,发现所有分位数存在显著的双向因果关系,因果关系证明不对称和不同分位数和cryptocurrencies。李等人。46)使用非参数小波因果关系的方法来测试多尺度之间的因果关系的关注和27 cryptocurrencies cryptocurrencies回报。他们的研究结果表明双向因果关系适用于大多数cryptocurrencies。使用分位数因果关系方法,苏和Chakraborty47]调查投资者的注意力和cryptocurrency回报之间的因果关系,发现比特币和Ethereum回报引起投资者关注所有分位数和投资者的关注导致cryptocurrency价格高期间投资者的注意力。虽然这些quantile-based因果关系的研究提供了证据,之间的因果关系在不同投资者的注意力和cryptocurrencies回报分位数之间,他们中的大多数人忽略了可能的时间变化的双向因果关系。

3所示。方法

近年来,quantile-related方法已经广泛应用于经济与管理(27,48- - - - - -50]。其中,分位数因果关系测试新方法用于测试变量之间的非线性因果关系。灵感来自rolling-window因果关系的概念测试由Kaewsompong et al。51),我们提出一个新颖的方法,包含了rolling-window和分位数估计因果关系测试由他et al。52),宋et al。53],Balcilar et al。54,55]。

在第一步中,我们表示比特币,作为日常投资者关注比特币的回报。然而,在第二步中,我们表示比特币,作为日常投资者关注比特币的回报。后宋et al。53),该变量原因在τth分位数 对组的信息 如果 在哪里表示条件分位数的考虑到信息集合。是一个初步的原因在τth分位数 对组的信息 如果

后宋et al。53),我们表示, , ,和 。让的条件分布函数鉴于 。表示 和 ,然后,我们有 1的概率。

鉴于上述定义,零假设可以表示如下:

宋et al。53使用距离测量 ,在哪里回归误差和吗的边际密度函数吗测试零假设(3)。他们提供了一个可行的基于测试数据 ,这有以下形式: 在哪里 ,和表示内核函数,在那里是带宽。回归误差估计是 ,在哪里是一个估计的τth条件分位数的鉴于 。 是由一个非参数核估计方法,即, ,在哪里的Nadaraya-Watson估计量吗

我们使用测试第二时刻由Balcilar et al。54,55),扩展框架的宋et al。53]。进行这个测试,我们使用非参数quantile-based因果关系的方法。证明了高阶时刻测试,我们假设 在哪里和表示函数满足稳定性条件。根据Balcilar et al。54,55],格兰杰causality-in-variance不需要显式的规范的广场 。因此,我们重写方程(7)测试causality-in-variance零和替代假说

检验因果关系的第二时刻,Balcilar et al。54,55)构建以下模型:

因此,高阶分位数可以指定为因果关系的测试

根据Balcilar et al。54,55),失败的noncausality拒绝零 失败并不意味着拒绝零 。

执行测试,三个关键参数需要确定:带宽 ,延迟订单 ,和内核类型和 。我们决定延迟秩序根据施瓦兹信息准则下的VAR框架。带宽使用最小二乘交叉验证方法。选择高斯内核和 。

最近研究经济变量之间的因果关系提供了强有力的证据支持时变因果关系,表明变量之间的因果关系的假说是常数并不总是满意。假设可能违反了由金融危机引发的结构性变化和技术革命,导致时变因果关系。为了避免结构性变化造成的不可靠的结果,我们将rolling-window估计和分位数因果关系检验。具体来说,时变分位数之间的因果关系研究了投资者的注意力和比特币回报估计移动与固定大小的次级样本从一开始到最后的样本通过添加一个从后面观察从之前和消除。因此,我们可以获得测试统计因果关系的测试。

4所示。数据

本节描述和数据源使用的措施。我们的分析是基于两个变量:比特币的回报和比特币的注意力,以日常的频率。每日比特币价格指数(BP)从网站获得https://data.bitcoinity.org。关于比特币的投资者的注意力(IA),存在大量的措施,如交易量,媒体报道,价格限制。考虑措施的有效性,我们使用一个直接的方式来衡量投资者的注意力,也就是说,谷歌搜索量。谷歌搜索量数据来自谷歌趋势(http://trends.google.com)。谷歌趋势是一个谷歌搜索查询工具,分析了受欢迎的谷歌搜索在不同地区和语言。具体来说,我们使用术语“比特币”作为搜索关键字。对搜索区域,我们选择“全球化”这个词。我们选择“全球”,因为比特币投资者在全球范围内传播。样本期开始于2011年7月5日,当日常谷歌搜索数据是可用的和延伸至6月8日,2021年。示例包含3626个日常观察。所有的变量都变成他们的自然对数。

数据1和2礼物比特币的时序图回报,投资者的注意力。从这些数据,我们观察到的高峰和低谷,比特币价格和搜索量都是同步的,这意味着他们是高度相关的。表1显示了描述性统计。见表1,比特币的价格和投资者的注意力在样本期间显著变化。IA (dIA)的每日平均增长0.0011,比这小得多的BP(菲律宾)。然而,菲律宾的波动性,以标准差来衡量,比印度的大得多。根据偏态和峰态的统计数据,我们可以得出结论,印度和菲律宾的厚尾分布,及其偏态恰恰是相反的。的总体投资者关注和连续比特币价格继续上涨,显示高过去年波动。

5。实证结果

5.1。单位根检验

测试投资者的注意力和比特币回报之间的因果关系,我们首先执行一些单位根测试,包括增强Dickey-Fuller (ADF)和Kwiatkowski-Phillips-Schmidt-Shin (kps)测试。我们执行测试一个常数,常数和一段时间的趋势。表2显示结果。根据ADF测试的结果,我们无法拒绝单位根的零假设lnIA和lnBP系列在所有规格,这意味着这两个系列是不稳定。但是,我们拒绝零假设为印度和菲律宾系列,这意味着这两个系列是静止的。此外,kps测试的结果符合ADF测试。这些结果表明,lnIA和lnBP系列我(1)流程。因此,我们使用对数的差异IA和英国石油公司进行实证分析。

5.2。参数稳定性试验

来确定是否使用时变因果关系的方法,我们执行一组参数稳定性测试。具体来说,我们使用Chow [56)和白阶石(57测试检查断点,Broock et al。(58]BDS检验检验变量之间的非线性关系。在我们的研究中,BDS统计是基于每个方程的残差估计VAR模型的最优滞后。

表3测试报告的结果参数稳定。显示在表3,从食物和白和门阶测试,我们可以拒绝零假设的参数稳定方程类似在5%的水平。我们也可以拒绝零假设的稳定dIA方程根据食物测试的结果。这些表明,系数是不稳定的。BDS测试拒绝i.i.d.假设在1%显著性水平;这表明菲律宾和印度之间的关系是非线性的。总的来说,我们的测试显示参数不稳定的强有力的证据,从而激励我们使用动态方法。

5.3。充分样本分位数因果关系测试

显示分位数之间的因果关系的初步理解投资者的注意力和比特币回报,我们首先进行充分样本测试。从图3,我们注意到,印度和菲律宾之间的因果关系在不同分位数。在面板,分位数因果关系从dIA比特币的回报显示hump-shaped模式;这表明在低和高回报阶段投资者的注意力格兰杰导致的意思是,比特币的回报而在温和返回阶段的意思是不显著的因果关系。这是符合李等人的结果。46),报告基于小波分解的多尺度的证据。从面板C,我们观察到的因果关系意味着从比特币返回关注重大分位数小于0.6,展品单峰形状,因果关系的强有力的证据显示低和适度的关注阶段。它也表明,在高度重视阶段,比特币的回报不格兰杰导致意味着投资者的注意力。比特币之间的因果关系的发现意味着回报,投资者的注意力是一致的与李et al。46)和苏Chakraborty (47]。

我们增加了文学,我们的研究结果提供的证据之间的因果关系在波动比特币的回报。从面板B,我们发现因果关系的波动从投资者的注意力到比特币只有温和的分位数,这恰恰是相反的,因果关系的意思。因果关系梳理的结果在均值和波动,我们得出这样的结论:在样本期间投资者关注格兰杰原因比特币返回所有分位数。在面板D因果关系的波动从比特币的回报投资者的注意力是重要的分位数小于0.15和展览一个递减的趋势。总之,我们的结果支持比特币的现有文献中的因果关系意味着回报投资者的注意力从投资者的注意力比这更重要的比特币的回报,和我们的结果的因果关系波动也显示了类似的结论。

5.4。Rolling-Window分位数因果关系测试

考虑到可能造成误导的结果参数不稳定,我们调查的时间——quantile-varying因果关系评估滚动窗口的固定大小的100天。当使用rolling-window估计,我们必须权衡其准确性和代表性的影响,这是一个关键问题(59]。然而,没有被广泛接受的标准,所以我们选择数据显示窗口。具体地说,我们获得的平均长度时间递减趋势或使用一个惠普过滤器增加的趋势。然后,我们选择100年的平均长度的大小。鲁棒性的目的,我们重新估计模型使用大小的120,150,200,80天。在各种大小结果是相似的。我们把实证结果通过分配一个窗口的结果与一个固定大小的中间的一天。例如,窗口从7月6日,2011年10月13日,2011年,2011年8月25日。结果绘制在图4- - - - - -7提供强有力的证据分位数和时变的两个变量之间的因果关系,这支持线性因果关系的方法并不适用于我们的研究。

图4情节的测试结果的因果关系意味着从印度到菲律宾。显示在图4零假设,dIA在类似的意思是随时间变化的原因。不同于现有的充分样本的结果(例如,李et al。45];李等人。46];苏和Chakraborty47]),我们的研究结果提供了强有力的证据表明因果关系代表的不是。例如,因果关系是重要的在亚纪2012年1月到2012年5月,2016年4月至2016年11月和2018年4月到2019年2月,而因果关系消失在亚纪2011年9月到2011年12月,2014年1月至2015年5月,2017年9月至2018年3月。

有趣的是,大部分的因果关系是当投资者更多关注比特币。从数据1和2,我们注意到,比特币价格和谷歌搜索量显著正相关。然而,正相关关系并不总是出现。相关性变得消极时比特币价格急剧下降。从图中,我们可以得出这样的结论:如果投资者的注意力变得更高,然后从注意力比特币的回报是更重要的因果关系。因此,关注和dIA的因果关系之间的关系在类似的意思是比这更比特币价格和之间的因果关系。然而,有一个例外,即2017年,当注意力急剧上升,因果关系不出现。可能的原因是,在2017年,比特币的价格大幅上涨,吸引了更多的注意力,但泡沫破裂的风险导致一些投资者离开市场。

此外,时间的变化相关的因果关系也cryptocurrencies波动性。例如,我们可以拒绝零假设只有在高波动时期,和低波动时期,我们发现几乎没有证据表明因果关系的dIA比特币的回报。一个可能的解释是,关于比特币的新闻和政策可能会导致更多投资者的关注,促使更多的因果关系从投资者的注意力比特币的回报。通过扩大图4,我们发现的证据hump-shaped模式在分位数在每个时间点,无论高或低波动时期。这个有趣的发现是一致的充分样本结果报告面板图3,这证实了我们的rolling-window结果的一致性。我们的结论是不一致的与沈et al。(35李]的结论,但符合et al。45李,et al。46],和苏Chakraborty [47]。我们的研究结果表明,因果关系从印度到菲律宾只有在某些情况下具有重要意义。因此,当投资比特币时,投资者应该认为投资者的注意力的重要因素之一,当市场不稳定,更加关注其他因素当市场是稳定的。

图5显示结果的因果关系波动从印度到菲律宾。显示在图5零假设,dIA原因在类似波动是时变的。不同于因果关系的意义是说,波动的因果关系不显著在大多数的样本期间,这是与全样本的结果一致。dIA不会引起比特币的零假设波动只能被拒绝在高波动时期。从次级样本的结果,提出了三种形式的因果关系:单峰、双峰,和减少,这是不符合报告的单峰因果关系从充分样本结果面板图3。然而,单峰因果关系支配着充分样本时期,这可能是原因,充分样本结果表明单峰因果关系。此外,我们发现,减少因果关系适用于2015至2017年,从2018年到2021年,双向因果关系。通过比较沈et al。(35)的结果,我们发现,我们的结果是不一样的。在他们的研究中,投资者的注意力格兰杰原因比特币的体积,实现了波动和回报,通过线性和非线性因果关系的方法。可能的原因是,他们不考虑分位数的关系,和他们使用Twitter数据的数据。总体而言,我们的研究结果倾向于认为,投资者的注意力的变化引起比特币价格波动只在中间分位数高波动时期。

据悉,投资者的注意力移动资产价格。然而,从理论上讲,资产价格发生巨大变化,可能会吸引更多的关注。图6显示结果的因果关系意味着从菲律宾到印度。显然,因果关系图6比数据更容易区分吗4和5。从次级样本的结果,提出了两种形式的因果关系:单峰和减少。然而,充分样本结果表明单峰因果关系。一般来说,单峰因果关系主导样品周期,减少因果关系似乎只在一些亚纪。单峰因果关系意味着更高或更低的投资者注意力将破坏的影响变化比特币回报投资者的注意力。只有在适度的情况下投资者的注意力,比特币收益的变化影响投资者的注意力。可能的解释是,高或低投资者的注意力主要是由其他因素决定的,例如监管政策的变化,金融市场危机,比特币的价格和货币政策,变化较少影响投资者的关注,导致微不足道的因果关系。

时间域,我们拒绝零假设,不会引起类似dIA只在高波动时期。特别是2013年分位数因果关系比在其他时间更重要。一个可能的解释是,欧洲的塞浦路斯事件2013年欧洲避险基金开始关注比特币,和随后的大幅涨价导致全球比特币的存在。重要的因果关系从菲律宾到dIA意味着比特币价格发生巨大变化,吸引更多的关注。我们的结论是不一致的与沈et al。(35]的结论,发现没有证据表明,比特币回报引起投资者的注意力,和李et al。45李,et al。46],和苏Chakraborty [47),谁找到强有力的证据表明,比特币的回报做引起投资者的注意力,这是因为我们使用时变的方法。

图7显示结果的因果关系波动从菲律宾到印度。显然,报告的因果关系图7比数据更容易区分吗5和6。时间域,我们发现零假设波动不会引起投资者关注类似波动只能被拒绝在高波动时期。的重要亚纪包括2013年2月至2013年10月,2016年12月至2017年10月,2019年1月至2020年10月。我们还发现因果关系的统计数据在不同sub-periods大幅变化,显示一个下降的趋势。此外,图7表明因果关系呈现出递减趋势分位数域。这表明,当菲律宾和印度更低,波动的因果关系是更重要的。这些发现符合充分样本结果报道在面板D的图3。可能的因果关系的分位数域是递减的原因,当投资者不重视比特币,价格波动相对较大,所以价格波动更有可能吸引投资者的注意力。这意味着我们应该更加注意比特币价格的大幅下跌的影响市场预期,投资者的注意力,当投资和其他因素。我们的实证结果表明,投资者的注意力影响比特币的价格是一个重要的因素,但这种影响并不总是存在,时变异质性。对政策制定者来说,这是必要的干预比特币市场根据具体情况和管理风险。此外,有必要注意的螺旋效应比特币回报,投资者的注意力。

6。结论

cryptocurrencies价格的大幅波动的需要调查cryptocurrencies定价的行为方面。有限的认知投资者在金融市场激励我们探讨注意力导向cryptocurrencies价格的变化。因此,我们的目标是分析投资者的注意力集中在价格波动的影响最重要的cryptocurrency,比特币。捕获的异质性和时间变化之间的因果关系同时投资者的注意力和比特币回报,本研究发展一个rolling-window quantile-causality测试和使用谷歌趋势数据调查时变分位数的因果关系。从一组结构变化测试结果表明因果关系的参数测试是在样本期间显著不稳定。rolling-window因果关系检验的结果也显示分位数的强有力的证据——和时变投资者的注意力和比特币回报之间的因果关系。具体地说,我们的研究结果表明,因果关系只出现在高波动周期在时间域内,和因果关系提出了分位数域内的各种模式在分位数。

我们的研究结果有三个意义。首先,结果显示类似的模式分位数和次级样本,这对投资者来说是有益的。投资者应更加注意比特币价格大跌的影响市场预期,投资者的注意力,当投资和其他因素。第二,发现投资者attention-Bitcoin因果关系意义重大,只有在价格波动周期可用于监管者和投资者。因此,当投资比特币时,投资者应该认为投资者的注意力的重要因素之一,当市场不稳定,更加关注其他因素当市场是稳定的。第三,尽管我们的结果显示投资者的注意力和比特币回报之间的因果关系的证据,是否适用于其他类似资产的关系仍不清楚;毕竟,比特币只有一个各种cryptocurrency资产。此外,本研究还具有以下限制。首先,rolling-window方法并不是最好的方法来研究投资者的注意力和比特币回报之间的时变因果关系。次级样本的因果关系不能准确代表某一天的因果关系。 To improve the accuracy of time-varying causality tests, the following studies may focus on the time-varying Bayesian estimation methods. The second is that this study only focuses on Bitcoin, which has greater influence and representativeness, but recent studies have shown that Bitcoin’s dominance is being weakened. Thus, future researches can be extended to other cryptocurrencies. In addition, for the selection of indicators, we can further compare the causal relationship between attention and cryptocurrencies returns using different proxies for investor attention.

数据可用性

原始数据是来自谷歌趋势(http://trends.google.com)和Bitcoinity (https://data.bitcoinity.org)。

的利益冲突

作者宣称他们没有利益冲突有关的出版。

确认

作者要感谢Xiaoxing Liu阴虚和Shaofang Li,以及参加第17届中国金融研究会议,第15届中国管理年度会议和研讨会在东南大学对他们有用的评论。这项工作得到了国家自然科学基金(批准号71903097);人文和社会科学青年基金会中国教育部(批准号18 yjc790226);江苏省社会科学基金(批准号20 eyc011);江苏省自然科学基金(批准号BK20190767);中国博士后科学基金资助项目(批准号2021 t140335和2021 m691635)和江苏海事学院的关键项目(批准号2017 szzd-01)。