ChatGPT对AI相关加密资产的影响：基于合成控制分析的实证研究

1 引言

2022年11月30日，OpenAI发布的ChatGPT代表了人工智能发展的转折点。这款基于Transformer架构的先进大语言模型展示了前所未有的自然语言处理能力，实现了包括通过专业考试、在两个月内获得超过1亿活跃用户在内的显著里程碑——成为历史上增长最快的用户群体。

这项突破性技术不仅推动了商业AI发展，还催化了各行业的数字化转型进程。媒体报道重点强调了其与主流搜索引擎的潜在整合，促使谷歌和百度等科技巨头做出竞争性回应。这些发展表明投资者对AI技术认知价值的提升，尤其影响了与ChatGPT无直接关联的AI相关加密资产。

2 研究方法

2.1 合成双重差分法

本研究采用合成双重差分法来分离ChatGPT发布对AI相关加密货币收益的因果效应。该方法结合了合成控制法和双重差分估计的优点，创建一个与处理组在干预前特征紧密匹配的加权控制组。

2.2 数据收集

数据收集自多个加密货币交易所，通过白皮书、项目描述和社区分类识别AI相关代币。样本期覆盖ChatGPT发布前后六个月，包含每日价格数据和交易量。AI相关术语的谷歌搜索量数据作为投资者关注度的代理指标。

3 研究结果

3.1 ChatGPT对收益的影响

分析揭示了显著的"ChatGPT效应"，AI相关加密资产在发布后一个月内平均收益达10.7%至15.6%，两个月内累计收益达35.5%至41.3%。在控制全市场加密货币趋势和其他混杂因素后，这些效应仍然持续存在。

图1：AI加密资产累计收益

该图表显示了处理组（AI相关）和对照组（非AI）加密资产在ChatGPT发布日期（2022年11月30日）前后的累计异常收益。处理组在事件发生后立即呈现显著正向分化，并在两个月观察期内保持持续上升趋势。

3.2 谷歌搜索量分析

AI相关术语的谷歌搜索量成为ChatGPT发布后关键的价格指标。相关性分析显示，搜索量激增与AI相关加密资产后续价格变动之间存在强正相关关系，表明散户投资者的关注推动了显著的市场反应。

4 技术实现

4.1 数学框架

合成双重差分估计量可形式化表示为：

$$\hat{\tau}_{SDID} = \frac{1}{T_1} \sum_{t=T_0+1}^{T} \left[ Y_{1t} - \sum_{j=2}^{J+1} \hat{w}_j Y_{jt} \right] - \frac{1}{T_0} \sum_{t=1}^{T_0} \left[ Y_{1t} - \sum_{j=2}^{J+1} \hat{w}_j Y_{jt} \right]$$

其中$Y_{1t}$表示处理单元的结果，$Y_{jt}$表示控制单元的结果，$\hat{w}_j$为合成控制权重，$T_0$为干预前期，$T_1$为干预后期。

4.2 代码实现

import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression

def synthetic_did(treatment_series, control_matrix, pre_periods):
    """
    实现合成双重差分估计
    """
    # 计算合成控制权重
    X_pre = control_matrix[:pre_periods]
    y_pre = treatment_series[:pre_periods]
    
    model = LinearRegression(fit_intercept=False, positive=True)
    model.fit(X_pre.T, y_pre)
    weights = model.coef_
    
    # 计算合成控制序列
    synthetic_control = weights @ control_matrix
    
    # 计算处理效应
    post_periods = len(treatment_series) - pre_periods
    treatment_effect = (treatment_series[pre_periods:].mean() - 
                       synthetic_control[pre_periods:].mean())
    
    return treatment_effect, weights, synthetic_control

5 原创分析

Saggu和Ante（2023）的研究为加密货币市场的技术溢出效应提供了有力证据，展示了突破性AI发展如何在相关数字资产中创造估值外部性。这些发现与Barber和Odean（2008）提出的基于关注的资产定价理论相一致，即散户投资者会不成比例地购买引人关注的股票。在AI加密资产背景下，ChatGPT作为巨大的关注冲击，将投资者资金重新导向更广泛的AI生态系统。

在方法论上，本研究通过应用合成双重差分技术推进了加密货币研究，该技术建立在Abadie等人（2010）开发的合成控制框架基础上。这种方法解决了加密货币事件研究中的基本挑战，即由于加密资产的独特特性，传统控制组难以构建。该方法与研究中传统金融技术采用效应的思路相似，如Shiller（2015）记录的移动交易平台对市场参与的影响。

观察到的效应幅度——两个月内达到35.5%至41.3%——显著超过传统市场中典型的技术公告效应。这种放大效应可能反映了加密货币市场对叙事和关注动态的特殊敏感性，正如Shiller（2017）在叙事经济学工作中所理论化的那样。结果表明，AI相关加密资产作为对AI技术进步的纯押注，使其对相邻AI技术的发展特别敏感。

谷歌搜索量的发现补充了Da等人（2011）关于FEARS指数的研究，表明基于搜索的关注度量能有效预测投机资产中散户驱动的价格变动。ChatGPT效应持续两个月之久，挑战了加密货币市场的强式有效性，与Lo（2004）提出的适应性市场假说一致。这对快速发展的数字资产市场的监管框架和投资者保护具有重要意义。

6 未来应用

该方法和研究结果对未来研究和实践具有若干重要应用：

实时市场监控：开发跟踪技术发展及其对相关资产类别潜在溢出效应的自动化系统
监管框架发展：为技术驱动市场变动中的投资者保护政策决策提供信息
投资组合策略增强：创建系统性捕捉技术溢出效应的量化策略
跨资产分析：扩展该方法以研究技术发展与各种金融工具之间的相互联系
AI整合：开发能够预测技术突破二阶效应的AI系统

未来的研究方向包括检验这些效应的持续性，分析不同AI加密子行业的影响差异，以及开发关注驱动市场变动的预警系统。

7 参考文献

Abadie, A., Diamond, A., & Hainmueller, J. (2010). Synthetic control methods for comparative case studies: Estimating the effect of California's tobacco control program. Journal of the American Statistical Association, 105(490), 493-505.
Barber, B. M., & Odean, T. (2008). All that glitters: The effect of attention and news on the buying behavior of individual and institutional investors. The Review of Financial Studies, 21(2), 785-818.
Da, Z., Engelberg, J., & Gao, P. (2011). In search of attention. The Journal of Finance, 66(5), 1461-1499.
Lo, A. W. (2004). The adaptive markets hypothesis: Market efficiency from an evolutionary perspective. Journal of Portfolio Management, 30(5), 15-29.
Saggu, A., & Ante, L. (2023). The Influence of ChatGPT on Artificial Intelligence Related Crypto Assets: Evidence from a Synthetic Control Analysis. Finance Research Letters, 103993.
Shiller, R. J. (2015). Irrational exuberance. Princeton university press.
Shiller, R. J. (2017). Narrative economics. American Economic Review, 107(4), 967-1004.