作者 | Darren Aiello, Scott R. Baker, Tetyana Balyuk, Marco Di Maggio, Mark J. Johnson, Jason D. Kotter
来源 | NBER
编译 | 徐赫聪
近日，NBER发表了工作论文“The Effects of Cryptocurrency Wealth on Household Consumption and Investment”《加密货币财富对家庭消费和投资的影响》。文章利用数百万个账户的交易级数据，识别加密货币投资者，并评估个体加密财富波动对家庭消费、股票投资和当地房地产市场的影响。文章估计出未实现加密货币收益的边际消费倾向（MPC）比未实现股权收益的MPC大一倍以上，但小于来自外生现金流冲击的MPC。这种MPC主要是由现金支出和抵押贷款的增加推动的。此外，家庭出售加密货币，既用于增加自由支出，也用于住房支出。因此，加密财富导致房价上涨，加密财富较高的县在高加密货币回报后房屋价值增长更快。结果表明，加密货币通过对其他资产类别的消费和投资对实体经济产生了重要的溢出效应。中国人民大学中国人民大学金融科技研究所该文章的核心部分进行了编译。
引言
在过去的十年中，加密货币已经从相对无名到达到了全球市值超过3万亿美元的巅峰。美国家庭越来越多地将加密货币作为投资组合的一部分，并且加密货币的极端波动性使得许多投资者迅速获得了财富。虽然加密货币市场经历了快速增长，但关于其对更广泛经济的溢出效应存在不确定性，这可能对决策者和家庭福利产生影响。虽然一些关注点集中在加密货币和金融稳定性上，但由于区块链交易的匿名性限制了数据的获取，目前对个体家庭投资和消费行为受加密货币引入的影响以及其对其他资产类别的溢出效应的研究仍然有限。
本文使用数百万个美国家庭的银行账户和信用卡支付的交易级数据，分析加密货币财富如何影响更广泛的经济。具体而言，本文能够追踪家庭消费如何对加密货币财富的变化做出回应，并评估该财富对当地房地产市场价格的因果效应。本文根据资金流入和流出主要加密货币交易所的时间来确定加密货币用户，并推断其加密财富。尽管大多数加密货币用户对这种资产类别的投资相对较少，但许多人在这些账户中持有相当于数月消费的金额。本文首先通过将大量代表美国家庭的数据与完整的金融交易记录相结合，简述了加密货币用户的特征。这使本文能够比较加密货币用户和非加密货币用户的收入和消费模式。
本文的重点是加密货币收益对消费和投资决策的影响。本文发现，采用加密货币的人有更高的收入，符合一些调查数据，并且更有可能将资金存入传统券商。与这些收入差异一致，采用加密货币的人在娱乐和餐饮等类别上花费收入的比例更高。平均而言，家庭似乎将加密货币视为较大投资组合的一部分。加密货币用户倾向于在股票市场进行活跃交易，通常同时投资于加密资产和传统股票证券。一些证据表明，在获得大量收益后，家庭会通过出售加密货币并将资金存入传统券商来重新平衡其投资组合。尽管存在这种金融上的成熟迹象，本文还发现一些加密货币用户追逐加密货币的收益，整体采用似乎在很大程度上受到高回报的显著影响。本文样本中每月新增加密货币用户最多的时间是在2017年，当时比特币经历了其有史以来最高的一次回报。
接下来，本文研究家庭级加密货币收益对消费的影响。本文使用一个用户的月度面板数据，观察加密财富变化后的消费模式变化。平均而言，本文估计加密财富的消费边际倾向（MPC）为0.08美元。定性上，这与房地产和证券升值的消费反应相似，但在数量上要大2到3倍。与此同时，MPC大约是一次性收入冲击的MPC的三分之一。这表明家庭将加密货币收益视为一种外部现金流冲击和传统投资组合的混合。尽管加密货币在此期间类似彩票的回报，但估计的MPC要小得多，而彩票获胜的研究中的MPC范围从50％到近100％。总体而言，本文样本中家庭加密货币财富的增加对消费的总体影响约为200亿美元。如果非零售加密货币收益的消费与本文的估计类似，美国的总效应可能在800亿到1000亿美元之间。
短期内，加密货币财富对高收入家庭来说更大，并且最大的可识别消费变化来自于更高的抵押贷款支出。这些个体层次上的住房消费变化表明，加密货币回报可能会对当地实体经济产生溢出效应-对住房的需求增加可能会给当地房价带来压力。然而，两个难题使得估计加密货币财富对房价的影响变得困难。简单的回归估计可能会面临因果关系的反向问题，因为较高的房价可能会导致家庭撤出加密货币投资以购买房屋。此外，变得更富有的县可能会同时增加对所有资产的投资，这可能是由于教育、职业或行业集中度的变化。在论文的最后部分，本文通过使用两个独立的自然实验估计县级加密货币财富对当地房价增长的因果影响来处理这些问题。
第一个实验是利用样本期间（2017年末）比特币价格最大增长的情况，将加密货币财富的冲击视为一个县中的加密财富。在价格增长开始之前，人均加密货币财富较高的县的加密货币回报约为1400％。为了减轻一些反向因果性的顾虑，本文使用差异化方法并在之前的时期固定加密货币财富，注意到价格上涨之前时期的差异趋势的缺失。本文进一步证明，加密货币财富较高的县在比特币价格冲击后经历了加密货币提款的大幅增加，但传统券商提款没有发生不连续变化。本文发现，在价格上涨后的几个月里，拥有较高2017年前加密货币财富的县的房价增长明显较高。相比低加密货币财富县，高加密货币财富县的房价增长约快46个基点，解释了此期间房价增长标准差的约12％。
本文使用两阶段最小二乘法（2SLS）将差分估计的基本概念扩展到全时间序列。本文使用县级加密财富的被动收益，定义为12个月前比特币和以太坊的年回报率增长的县级加密财富价值，作为该县加密财富增长的工具。使用被动加密货币投资组合收益作为县级加密货币财富变化的工具，本文发现加密货币财富的增加会导致房价大幅上涨。据估计，在接下来的6个月里，人均县级零售加密货币财富的增加将使县级房价上涨约0.21美元。
因为这个工具基于历史加密货币投资组合，所以它减轻了关于反向因果关系的顾虑。然而，为了确定加密货币财富对当地房价的影响，这个工具必须满足排除限制条件，即被动加密货币财富增益与可能影响房价的任何其他非加密货币财富变化无关联。加密货币回报的准随机性使得大多数财富来源与加密货币回报和历史县级加密货币财富同时相关的可能性较小。最有可能的例外是股票市场回报。加密货币财富较高的县通常也参与股票市场，并且加密货币回报与股票市场回报正相关，至少在某些时期是如此。然而，本文的2SLS结果对于修改工具以使用超过市场股票回报的加密货币回报是稳健的。
与描述加密货币投资者或加密货币交易行为特征的论文不同，本文研究了加密货币价格波动与家庭消费和投资行为的相互作用。与先前的论文相比，本文的数据使本文能够将一组较广泛的美国零售加密货币交易者与相对完整的其他金融交易联系起来。本文研究了在实现加密货币收益后的家庭消费决策——一种具有极端波动性的新资产类别。将这些消费决策与股票或房屋收益后的决策进行比较，可以揭示家庭对加密货币与其他资产类别的处理方式。此外，本文利用区域财富冲击来测试经济影响的空间变化。
本文的其余部分如下进行。第2节介绍本文的交易级数据集。第3节探讨了加密货币在家庭投资决策中的作用。第4节研究了家庭层面上对加密货币财富的消费响应。第5节介绍了县级加密货币财富对当地房价的因果效应估计。第6节总结。
数据
2.1交易数据
本文的数据提供者是一家专门从美国数百万家庭的匿名银行、信用卡和借记卡交易数据中提取和分析数据的大型金融综合分析公司。该提供者主要与金融机构和金融科技公司签订合同，为其客户提供数据和个人财务管理服务，并能够对用户的金融账户进行财务信息聚合。因此，在与特定金融机构进行银行业务的条件下，数据库中没有额外的用户选择，并且用户流失量很小。
本文的数据仅限于银行、信用卡和借记卡交易，不包括在其他类型的账户（如经纪账户）内进行的交易，但通常可以观察到这些账户的存款和取款。每个交易包含许多信息。例如，本文能够观察到交易的确切日期和金额，以及交易是在个人还是远程进行的。使用交易附带的文本描述信息，交易被归类为43种不同类别之一（例如工资、ATM取款、杂货、抵押付款、医疗支出）。对于大多数交易，商户名称和城市或邮编级别的实际位置也是可观察到的。
完整的数据库涵盖了6000万美国用户和自2010年6月至2022年9月的数十亿笔交易。数据库在早期年份经历了用户的大规模扩展，因此本文将重点放在2014年以后的数据上，以减轻人口变化的担忧。虽然这些数据让本文能够看到用户财务交易的大量细节，但本文无法观察到诸如年龄、性别或种族之类的人口统计信息。然而，数据提供者提供了一个每月面板，用于估计用户当前的居住地（城市）。对于许多用户，本文还能够根据交易中经常出现的商户的实际位置推算出他们居住地的邮政编码。
2.1.1消费者交易数据的验证
尽管本文的数据不是从人群中随机抽取的，但总体而言，它似乎非常代表整个经济。许多其他交易数据库的样本来自高度选择的人群（例如，那些有兴趣使用金融科技应用程序借贷或帮助偿还债务的人）。相比之下，本文的数据提供者与覆盖了美国大部分人口的大型金融机构合作，减少了对高度选择样本的担忧。
为了验证数据的广泛代表性，本文将本文观察到的消费数据与从普查零售销售调查中获得的商户数据进行了比较。这些调查由美国普查局用于估计按商户类别划分的美国月度零售销售额。图1汇总了本文的数据中一系列类别（汽车和燃料、综合商品、杂货、个人/家庭、医疗和餐饮）的月度可观察交易。
图1 支出与总销售额
该图显示，从2014年到2022年的消费趋势在本文的数据和普查零售销售调查中非常相似。平均而言，这两个来源的月度消费之间的相关性约为0.90。相关性最低的系列是医疗和医疗保健类别，这也是本文预计家庭税前或第三方支出占较大比例的类别，导致家庭可观察消费与零售商报告的收入之间存在差异。数据在各县间也似乎具有广泛代表性。附录图A.1中，本文绘制了按人口计算的县权重与本文交易数据中用户权重之间的分组散点图。
图A.1 按人口划分的县权重与交易用户
使用交易数据时的另一个常见问题是，本文是否能够观察到与给定用户相关的收入和消费交易的总体情况。对于该数据源，如果一个家庭只持有并使用与该聚合服务签订合同的金融机构的信用卡，本文将观察到该家庭交易的完整情况。虽然数据中的用户不太可能完全如此，但本文将家庭层面的分析重点放在更可能出现这种情况的高质量用户子集上。数据提供者基于完整性和账户年限对交易数据的质量进行排名。本文的重点是从该质量指标的前10％抽取的随机样本的高质量用户子样本，共计95965个用户。
2.2识别加密货币交易所交易
利用本文数据库中每笔交易附带的文本描述和商户信息，本文能够识别出代表向热门加密货币交易所存入或提取的交易。本文列出了主要的加密货币交易所，并进行了大量手动检查，以识别出表示与主要交易所进行交易的各种文本字符串变体（例如，“Coinbase.com借记卡购买”或“GeminiTrustCo转账”）。这些交易所包括Coinbase、Binance、Gemini、Crypto.com、Kucoin、Cryptohub、Blocket、CEX.io和Bitstamp。本文的着眼点是加密货币交易所，这意味着本文对零售加密货币财富的估计必然是低估的，因为一些投资者将加密货币存放在通过直接购买或挖掘获取的私人钱包中，很难确定有多少零售加密货币存放在交易所之外。自2015年以来，约有75%的比特币交易发生在交易所之间。这表明本文可能捕捉到了零售加密货币交易所的大部分存款和提款。
尽管用户可以使用银行转账、借记卡和信用卡与交易所交互，但绝大多数交易是通过支票账户或借记卡进行的，信用卡仅占加密货币交易的不到2%。此外，虽然本文观察到存款和提款，但几乎90%与这些交易所的交易都是存款，反映了随着加密货币投资在全国范围内的普及，存款到这些交易所的大幅增长。大约90%的存款和提款金额发生在Coinbase。Gemini占了另外5%的金额，而其他9家交易所占了总金额的5%以下。
图2 通过Coinbase持有的加密货币资产
本文没有观察到家庭购买的实际加密货币。然而，由于本文数据中绝大多数加密货币交易发生在Coinbase交易所，本文可以通过查看Coinbase上的总体资产持有情况来了解可能的购买行为。图2显示了2019年和2020年Coinbase上的资产组合。绝大多数（约70%）在Coinbase上持有的资产是比特币；大约另外10%的资产是以太币。重要的是，Coinbase上几乎没有持有现金（即法定货币）。根据这些数据，存款到（提款自）Coinbase最有可能代表购买（销售）比特币或以太币。因此，本文将家庭的总加密货币组合价值估计为
其中家庭i在第d天的加密货币财富等于家庭在前一天的财富乘以家庭特定加密货币指数（CryptoIndex?,d）的日收益。该指数由比特币和以太币组成，按照家庭在前一天的资产组合权重进行加权。然后本文加上当天向加密货币交易所的净存款。这个计算假设所有存入加密货币交易所的资金都用于在交易当天购买一篮子比特币和以太币，其中本文根据当天这些币种的相对总市值分配权重。本文假设从加密货币交易所提取的资金根据前一天的资产组合权重按比例分配给比特币和以太币。本文进一步假设初始加密货币财富为零，然后计算每月加密货币财富（CryptoWealth?,t），即家庭在t月最后一天的投资组合价值。
表1报告了家庭加密货币财富的摘要统计信息。在本文的样本中，平均而言，加密货币用户的加密货币投资组合价值约为6000美元。然而，由于少数用户拥有非常大的投资组合，这个平均值存在偏斜。加密货币投资组合的中位数仅为336美元，第75百分位数为1800美元。相比之下，到2022年，最大的投资组合价值约为900万美元。
表1 描述性统计
加密货币投资组合财富的偏斜大致与美国家庭持有的股权的偏斜相匹配。在附录图A.5中，本文将样本中的加密货币财富分布与基于美联储消费者财务调查（SCF）的家庭股权持有情况进行了比较。本文看到加密货币和股权持有之间有非常相似的模式——仅有很小一部分财富由80%以下的家庭持有，大部分股权财富平均分布在80-99百分位数和最高百分位数之间。这一分析表明，本文观察到的加密货币财富和股权财富消费之间的任何差异不太可能是由这两种财富的分布差异驱动的。
图A.5 投资财富分布
在本文的账户级别样本中，约有16%的家庭在2014年到2022年的某个时候进行过向零售加密货币交易所存款。根据最近的调查数据，这个比例非常接近已经交易过加密货币的美国人口估计比例。
2.3其他数据
交易数据提供商使用算法来确定家庭所在城市和州。本文使用ArcGIS对与该城市相关的县进行地理编码。在第5节的分析中，本文将加密货币投资组合价值聚合到县—月级别。在这个分析中，本文使用了约600万个家庭的更大样本，以获得对县级加密货币财富更准确的测量。本文将这些数据与月度县级Zillow房价指数（ZHVI）合并。ZHVI是一个平滑的、经季节性调整的房价指数，反映了县—月级别的房屋典型价格。
2.4加密货币投资者的构成
加密货币是一种迅速增长的资产类别，全球市值超过1万亿美元。尽管它增长迅速，但区块链交易的分散化和匿名特性使本文很难理解谁在投资加密货币以及这种投资决策的动因。本文通过提供基于实际加密货币交易数据对美国大型代表性样本的家庭的证据来扩展这项研究。由于本文不仅观察到了加密货币交易，还观察到了完整的支付交易，本文成为第一个能够描述家庭加密货币投资者消费模式与其他家庭相比的人。
本文重点关注与后期分析相关的零售加密货币市场发展的几个关键特点。图3显示了加密货币交易所的存款和提款的发展情况。本文研究了在本文交易数据中覆盖的6000万家庭的10%样本中，加密货币存款和提款的总和与加密货币回报（以比特币和以太坊的市值加权指数定义）的相关性。图中的四个面板显示了加密货币存款、提款、新用户和净存款。大幅度的加密货币回报显而易见。在加密货币价格大幅上涨后，新用户数量和总加密货币存款激增。事实上，在本文的样本中，2017年底发生了最大的新用户激增，此时加密货币回报达到了最大的12个月回报。然而，有趣的是，提款也在此期间激增，这表明至少一些家庭会兑现他们的加密货币收益。
图3 加密货币采用和加密货币投资组合活动
本文的交易数据的一个优势是既可以观察到投资加密货币的家庭的消费模式，也可以观察不投资加密货币的家庭的消费模式。在表2中，本文展示了投资加密货币和不投资加密货币的家庭的平均月收入、支出以及不同类别支出所占的比例。数据中出现了一些关键模式。投资加密货币的人收入较高：投资加密货币的人的平均月收入为8176美元，而不投资的人为7356美元。或许不出所料，考虑到收入差异，投资加密货币的人也在传统经纪账户上进行更多的主动投资。
表2 样本和加密货币投资者的描述性统计
尽管存在收入差异，投资加密货币的家庭和不投资加密货币的家庭的整体支出模式相对相似。最大的差异在于离散性支出。与可支配收入较高相一致，投资加密货币的人在娱乐/旅行方面的预算支出比不投资加密货币的人多出约1.1个百分点，并且在餐厅方面多出近1.2个百分点。投资加密货币的人在现金/支票购买上的支出也要更多。
图4 加密货币财富地理分布随时间演变情况
图4显示了加密货币财富地理分布随时间的演变情况。本文将总加密货币财富值聚合到县一级并除以该县的家庭数量。然后，本文展示了2015年末、2017年、2019年和2021年的县地图。在2015年，大部分沿海县的财富较小，每户不到100美元，而美国大陆的内陆地区几乎没有加密货币参与。在2017年加密货币价格的初次上涨中，美国各地的几十个县开始积累每户1000美元或更多的加密货币财富。然而，到2021年底，大多数有人口的美国县每户的加密货币财富至少达到1000美元，而一些县每户的加密货币财富则达到了数万美元。人均加密货币价值最高的县集中在加利福尼亚州、内华达州和犹他州。这种地理变异表明了加密货币财富可能在不同县的地方经济上产生不同的影响，本文将在第5节中进行研究。
加密货币财富增长后的投资
表2结果表明，与不投资加密货币的人相比，加密货币用户更有可能有传统经纪投资。在一定程度上，如果加密货币投资者具备一定的财务知识，本文预期他们会将大量加密货币收益再平衡到传统投资中。然而，民意调查数据表明，家庭加密货币投资者可能将加密货币视为传统投资的替代品。例如，2022年Pew研究中心的一项调查发现，在那些声称已经投资加密货币的受访者中，78%的人表示他们的动机之一是希望有一种不同的投资方式，54%的人认为投资加密货币比传统投资更容易，39%的人表示他们对加密货币比其他投资更有信心。如果这些调查中表达的观点具有代表性，加密货币用户很可能会把加密货币投资加大而不是将加密货币收益再平衡到股票市场。
本文评估了加密货币收益与未来投资之间的关系，以探究加密货币用户在多大程度上对加密货币投资组合收益进行再平衡。在图5中，本文绘制了总经纪存款与总加密货币存款的横截面散点图，其中加密货币存款不超过10万美元。两种存款类型之间存在着强正相关关系。然而，对于大多数家庭来说，经纪存款的总额远大于加密货币存款的总额。这种关系在高端加密货币存款时变得趋于平稳。例如，存入2万美元的平均用户在传统经纪账户上投资的金额是加密货币存款的2-3倍，而存入5万美元的平均用户在经纪账户上的存款金额约相等。由此可见，有两种类型的零售加密货币投资者。对于一种类型的投资者来说，加密货币只占投资组合的一小部分，传统经纪存款则占主导地位。相反，还存在一小部分加密货币投资者，在传统经纪机构上投资相对较少，而加密货币投资相当大。
图5 加密货币存款和股权投资
为了更深入地探索这种关系，本文研究了加密货币收益（和亏损）后的家庭投资决策。对于每个家庭，本文将平均每季度加密货币收益定义为
其中，CryptoWealth的计算方式如方程1所示，而NetWithdraw?,q−3→q被定义为过去4个季度内（包括当前季度q）家庭i的总加密货币提款减去总加密货币存款。因此，CryptoGains包括家庭所经历的实现收益和未实现收益。
表1中报告了平均每季度加密货币收益的分布情况。在加密货币投资者中，平均每季度加密货币财富增长约为390美元，标准差为3200美元。约有43%的家庭季度经历了亏损。在收益为正的情况下，平均每季度加密货币财富增长约为1060美元。在亏损的情况下，平均每季度亏损约为433美元。
本文通过对以下形式的OLS回归进行估计，来研究加密货币收益与未来投资决策之间的关系：
因变量Invest?,q代表家庭?在第q季度投资的总资金。本文分别研究加密货币投资和传统经纪投资。本文包括家庭（??）和季度—州（??,?）固定效应，并包括滞后收入和先前投资存款的控制变量。回归中包括加密货币用户和非加密货币用户；虽然非加密货币用户没有加密货币收益，但他们构成了一个重要的对照组，有助于估计投资行为的趋势。本文将加密货币收益在1%和99%分位数处进行截断，以减轻对加密货币财富测量误差的担忧，并将收入在1%和99%分位数处剪切，以排除本文的交易数据不可靠的家庭。本文在家庭层面进行聚类标准误差。本文感兴趣的估计值?代表在一个季度内投资于加密货币交易所或传统券商的额外美元，相当于去年平均每获得一美元的季度加密货币收益。
表3中报告了方程3的估计结果。在第1列中，本文估计了加密货币收益与未来加密货币存款之间的关系。本文发现加密货币财富增长越大，向加密货币交易所存款的资金越多——加密货币财富增加1美元意味着每季度多存入0.06美元的加密货币。这一结果表明，零售加密货币投资存在着小但显著的动量效应。
表3 加密货币收益与投资
在表3的第2列中，本文研究了加密货币财富增长与未来的股票投资之间的关系，用传统经纪存款作为代理。本文发现，财富在加密货币中增长越大的家庭在传统经纪中的投资也越多。加密货币财富增加1美元与传统投资增加0.03美元相关。这一结果表明，一些家庭可能会将加密货币收益重新分配到传统投资中。
为了更好地了解投资组合再平衡的可能性，本文在第3列中估计了加密货币收益与未来加密货币提款之间的关系。本文发现加密货币收益与未来加密货币提款之间存在着积极且显著的关系；加密货币财富增加1美元意味着未来加密货币提款增加0.09美元。重要的是，第1列和第2列的估计结果来自不同的家庭，这表明一些家庭在加密货币投资中表现出动量，因此加大了未实现的加密货币收益，而其他家庭则将加密货币收益提取出来并平衡其投资组合。
从加密货币财富中消费
加密货币财富的增加如何影响家庭消费？本文通过将总季度家庭消费作为因变量，对方程3进行重新估计以回答这个问题。这些回归中的β可以解释为每一美元新加密货币财富的消费边际倾向（MPC）。本文在表4中报告结果。在全样本中，本文发现一个小的、统计上不显著的MPC。
表4 加密货币收益与总支出
MPC估计存在一个潜在的混淆因素，即本文样本中的最后两年半发生在Covid之后。总体支出在此期间下降，符合旅行和其他自由支出机会有限的特点。高收入家庭的支出下降尤为显著，而加密货币投资也与收入相关。这些数据特征很可能会使在Covid期间对加密财富的MPC估计偏低。为了解决这个问题，在第2列中，本文将加密收益与Covid期间的季度指示符进行交互作用。本文发现，在Covid期间，加密收益与支出强烈负相关；然而，在Covid前，加密财富中的MPC约为每增加1美元的加密收益就有0.09美元。在第3列中，本文将样本限制在Covid期前，并得到类似的MPC。这个加密财富的MPC大约是股权财富的MPC估计值的3倍，对于相似财富分布点的个体来说，股权财富的MPC大约是0.03美元。然而，它低于约为0.50美元的彩票中奖的MPC估计值。因此，家庭对待加密收益更像是抽奖，而不是股权收益，但比实际彩票中奖更像是股权收益。
MPC的一个问题是实现的加密收益可能与家庭支出有内生性关系。如果投资者预计有大笔支出，他们可能会选择提前兑现部分投资组合，尤其是如果投资者认为加密货币价格可能下跌。或者，投资者可能会加倍投资加密货币，希望高收益将产生所需的财富来支付支出。如果投资者对加密货币回报的信念是正确的，这些行为类型将导致本文的普通最小二乘估计偏高，因为观察到的支出将恰好在实现加上未实现的加密收益更大时变大。
为了解决这些问题，本文构建了一个用作AvgCryptoGains?,q的工具变量，该工具变量是一年内加密货币净回报与家庭4个季度前的加密货币财富相乘得到的，
其中BTCq和ETHq是季度q中比特币和以太坊的价格，BTCWealth?,q−4是家庭一年前比特币组合的估值。这个工具可以解释为家庭四个季度前加密货币财富的变化，仅由家庭初始分配的加密货币的表现引起。该工具除去了在支出前一年发生的内生组合配置决策导致的家庭加密货币财富的任何变化。
使用被动加密货币收益作为平均每个季度加密货币收益的工具，第一阶段估计如下：
不出所料，被动收益强烈预测实际家庭加密货币收益——主要规范中第一阶段的F统计量约为2500。然后，本文使用方程5中预测的加密货币收益来估计第二阶段回归：
为了使工具变量有效，加密货币财富的被动收益（由前一年的加密货币回报和滞后加密货币财富的异质性组合引起）必须与可能影响家庭消费的任何其他变量无相关性，考虑年-季度和家庭固定效应。
本文在表4的第4列中报告了方程6的2SLS结果。本文发现，MPC估计值为约0.08，且具有显著的统计学意义。这个估计值仅比OLS估计值略小。然而，即使这个较小的MPC仍然比股权财富的常规估计值大2.5倍以上。接下来，本文通过将负的加密货币收益的指示变量与加密货币收益相互作用来调查家庭是否对待加密货币损失与收益不同。结果显示，与负收益的交互作用的估计系数在统计上不显著，虽然综合效应表明对加密货币损失的MPC反应要比对加密货币收益的MPC反应更为缓和。一个关键的结论是，尽管收入和损失可能不完全对称，本文仍然预计在加密货币崩盘之后会出现支出的减少。
在消费反应中可能存在异质性的另一个维度是收入。为了探究这一可能性，本文将样本分为四个分位数，根据家庭在样本中首次出现的那一年的总收入。然后，本文分别重新估计每个子样本的2SLS模型，并在表5面板A中报告结果。低收入家庭在加密货币获利后的消费没有明显变化。需要注意的是，本文的加密货币收益的衡量主要代表未实现的纸上收益。低收入家庭不会通过未实现的加密货币收益进行消费。相反，收入排名前两个四分位数的家庭的消费倾向估计值介于0.08到0.10之间，并在5%水平上显著。
表5 异质效应
在表5面板B中，本文分别考察了每个收入四分位数中加密货币收益和损失之间的不对称性。本文发现收入排名前三个四分位数中的家庭没有不对称性的证据。然而，对于最低收入家庭来说情况是不同的。对于这些家庭来说，综合系数意味着每损失1美元的加密货币，低收入家庭实际上会增加0.22的消费。为什么低收入家庭在损失后会增加消费？本文发现，家庭在损失后更有可能撤出加密货币。尽管这相对于12个月前的加密货币投资组合余额而言是一种亏损，但是家庭现在有了新的美元可用于支票账户。对于低收入家庭来说，似乎将这些难以花费的加密货币转换为流动现金使他们更愿意消费。
最后，本文在表6中探讨了不同消费类别对加密财富变化的反应。最大的影响是现金/支票消费（见第4列）；这种消费占总体消费的80%左右。剩下的消费效应主要来自抵押贷款支付的增加。这两个结果与购买新房或其他大型耐用品（如汽车）相符，因为与房屋和汽车购买有关的许多费用都通过支票支付。在下一节中，本文将更深入地研究新房购买。
表6 消费加密财富的倾向
本节的结果表明，家庭在加密财富增加后会改变其投资和消费行为。一些家庭通过撤出加密资产并将资金存入传统经纪公司来重新平衡其投资组合，而其他家庭则通过向加密交易所存入更多资金来追逐加密收益。加密财富的消费倾向比股权财富的消费倾向高2-3倍，但低于彩票收益的消费倾向。
4.1加密货币提现事件研究
上一节中记录的消费变化发生在加密财富基本上未实现的变化之后。在大规模实现收益之后的消费决策可能会遵循不同的模式。根据本文的数据，近50％的加密用户在某个时刻从加密交易所中提取了一些资金。决定实现加密收益（即从加密交易所提取资金）显然是内生性的，可能在一定程度上受家庭支出和资产负债表流动性的影响。图3中可见的趋势表明，加密提取的另一个动因是加密货币回报。在总体水平上，高比特币回报之后的提取明显增加。Aiello等人（2023）更正式地研究了这种关系，并发现滞后的比特币回报正向预测零售加密提取。这种关系导致了家庭提取决策的一些变化。
为了评估家庭在从加密交易所大额提取资金后如何改变消费决策，本文在家庭层面上使用事件研究框架进行建模。本文估计模型：
其中，因变量yi,t表示用户?在月份t中不同消费类别的总消费。感兴趣的主要自变量是一个指标，当月份t超过大额提款事件??时，该指标等于1。在基线分析中，本文将大额提取定义为大于5000美元。在本文的样本中大约有3109个此类事件，平均提取量约为17000美元。回归包括账户固定效应（??）和年份固定效应（??）；同时控制了滞后的月度收入。本文将分析范围限定在事件??之前和之后12个月的窗口内。
事件研究建立了加密货币提取和消费变化之间的时间关系的因果关系。然而，这并不能确立提取导致消费变化的因果关系。这是因为提取决策可能是为了预期未来消费的变化。如果因果机制是预期驱动的提取，这也意味着在没有这额外流动性的情况下，更高的消费可能是不可行的。这些结果表明，无论是加密提取导致消费增加，还是期望的消费增加导致了加密财富的消耗，加密财富都被用于资助消费增加。
图A.4 大额加密货币提款
附录图A.4绘制了一段时间内的大额加密提取次数。2017年加密价格上涨期间大额提取急剧增加，以及2021年初大回报之后还有明显的提取高峰。尽管存在这种间歇性，但自2016年以来大额提取事件几乎每个月都有。
表7 加密货币提款和支出
表7中的结果报告了个体从加密市场提取至少5000美元后各种类别的年化月度支出差异。第1列中的系数表明，在大额加密提取后的一年中，支出总额相对于该家庭前一年的支出增加了7877美元。与主要是虚拟加密财富收益支出不同，几乎所有消费类别的支出都有显著增加。本文尤其看到现金/支票支出和一般商品支出有大幅增加。娱乐、旅行和餐饮方面的离散性支出也大幅增加。最后，加密提取还用于住房开支-按揭支出增加约600美元，保险增加约180美元，公用事业费增加约140美元。实际上，尽管与住房关联性较小，甚至支票和一般商品的支出增加也可能表示首付款、履约保证金和新房布置。
图6 首次大额比特币提款前后的每月抵押贷款和租金支出
由于似乎许多大额加密提取被用于住房，本文将注重按揭支出，以试图了解可能导致家庭变现加密财富的现有趋势。本文在图6的顶部面板中绘制了按揭事件研究情况，其中绘制了从加密市场提取大额资金后，与事件时间相关的系数相对于日期的情况。在大额加密提取前的6个月，按揭支出保持稳定，但在此后显著增加。与按揭支出相反，租金支出（底部面板）在事件窗口内保持稳定，这表明本文观察到的支出增加并不是由于住房总价格的变化所驱动。
表8 加密货币提款和向住房所有权过渡
接下来，本文研究加密提取对按揭支出的影响如何随提取金额的不同而变化。表8报告了使用方程7中的模型估计的按揭费用结果，但将大额提取门槛从5000美元增加到10000美元。第1列和2列显示，更大的加密提取金额随后会导致更大的按揭支出增加。例如，从加密市场提取至少10000美元的用户在接下来的一年中，按揭支出增加了732美元，比从加密市场提取至少5000美元的估计效应增加了约20％。
按揭支出的增加可能是由新房购买驱动的，但也可能代表家庭提前偿还现有按揭贷款。在表8的第3列和4列中，本文重新估计了事件研究，使用新购房者的指标作为结果变量。本文定义一个每月指标，如果一个家庭在加密提取后的接下来的6个月内按揭支付总额超过2500美元，并且在加密提取前的6个月内按揭支付总额少于100美元，则该指标等于1。使用此指标作为新购房的代理，本文发现至少提取10000美元的加密提取会使进入购房者的可能性增加约4.7个百分点，相对于样本均值增加约43％。
加密货币财富对当地房价的整体影响
在第4节中，本文证明了加密财富增加后家庭在住房方面的支出增加。个体级别的购房决策可能对当地住房市场产生价格压力，特别是因为图4显示家庭加密财富具有地理集中性。在本节中，本文探讨了加密财富的总体变化对当地住房市场的影响程度。本文首先定义月度县级加密财富为
其中CryptoWealth?,t是家庭?在t月末的加密财富，如方程1所定义，而县级加密财富CryptoWealthc,t等于住在县c中的所有家庭t月末加密财富总和。与本文的家庭级别分析不同，在家庭样本较小的情况下，本文将县级加密财富聚合到整个用户交易数据库中，但仅选择被数据提供商标记为高质量的用户。此过程结果为约10％的用户样本，即大约600万个家庭。
然后，本文定义每人年度县级加密收益为：
NetWithdrawc,?-11→t是县c在前12个月内加密货币提取减存款的总和。与本文在个人水平上度量的加密货币收益相似，CryptoGainsc,t包括县c在前12个月内的实现收益和未实现收益。本文将此指标按照前一年年末在县内交易数据中的家庭数量进行缩放。假设本文的交易数据代表了每个县的随机样本，这种缩放可以得到县级人均零售加密货币收益的无偏估计，这使本文能够在不同的住房市场规模之间进行比较。
本文通过估计如下形式的回归模型来研究县级加密货币收益与房价之间的关系：
ZHVIc,t是每月的县级Zillow房屋价格指数（ZHVI）。县级（?c）和年-月（?t）固定效应控制了县级财富水平的差异和住房价格的国家趋势。本文还包括滞后的月度ZHVI，以控制当地住房市场的动态。本文的标准误在县级进行聚类，而且本文通过县级用户与总县人口的比例对回归进行加权，以减小稀疏抽样带来的误差。
对于????为了恢复出县级加密货币财富增长对房价的因果效应，先前一年内县级加密货币财富的增长必须与未来的房价无关。有两个原因不太可能出现这种情况。首先，方程10可能存在逆向因果关系——在某一地区，房价上涨可能导致家庭出售加密货币来购买房屋，从而降低了县级加密货币投资组合的价值。根据这种加密货币提取后加密货币价格的变动情况，瞬时OLS估计可能出现偏差。其次，变得更富有的县很可能房价上涨，并且可能还会有更大的加密货币存款。这个被忽略的变量可能会使本文的OLS估计值上升。
为了解决这些问题，本文利用县级历史加密货币参与的异质性来进行两个自然实验—双重差分法以及工具变量方法，以确定加密货币财富对当地房价的因果效应。
5.1双重差分法
为了研究加密货币投资组合价值增长对县级房价的影响，本文首先使用双重差分法方法，针对2017年底比特币价格的大幅上涨进行分析。在整个一年中，比特币价格从954美元上升到14003美元，涨幅近1400%，是本文样本中单一最大的12个月涨幅。比特币价格上涨的几个特征使其成为研究加密货币财富增长对当地住房市场影响的理想环境。
首先，在这段时间内，比特币的巨大回报使早期投资者的加密财富大幅增加。其次，这段时间内加密投资主要由比特币主导——截至2016年12月，以市值为基础，比特币占所有加密货币的87%。这使本文对加密财富的推测性测量在此期间比其他加密货币更发达的后期更加准确。最后，比特币价格的上涨也导致了大规模的加密交易所提现，本文在第4.1节中的证据表明，大规模的提现通常用于购买房地产。受到这一想法的启发，本文将在价格上升之前拥有高水平加密财富的县与低水平加密财富的县在价格上涨后的几个月内的房价进行比较。形式上，本文估计
在这里，HighCryptoc,2016是指那些在2016年12月每人加密财富排名前三分之一的县。本文将中间三分之一的每人加密财富排除在样本之外。
图7 比特币价格上涨期间的加密货币县财富和提款
图7面板a显示了样本中高和低加密财富县的地理分布情况。Postt是一个指示变量，当比特币价格上涨后的几个月内时取值为1。图7面板b显示了比特币价格增长率在2017年5月开始有了明显增加；因此，本文将后期的事件月份0定义为当月。本文包括围绕这个事件的18个月窗口，并将Postt定义为从2017年5月开始的县月指示变量，其值为1。图7面板c证实了高加密财富县在比特币冲击下受到的影响；在后期，这些县的提现量大幅增加，而低加密财富县的提现量变化则较小。
为了通过这种方法确认加密财富变化对房价的因果影响，本文必须假设如果比特币价格没有飙升，高和低加密财富县的房价增长趋势将会相似。为了检验这种平行趋势的假设，在图8中，本文绘制了根据方程11的一个版本进行估计得到的系数与18个月窗口周围的每个月份的加密价格冲击指示变量进行交互作用的结果。本文省略了事件月份t=−1。交互作用的估计系数在前期是小而负，并且与零没有显著差异。相反，在提现开始后，这些系数是正的且显著。
图8 平行趋势检验
一个重要的剩余问题是是否存在其他与比特币上涨同时发生并在高和低加密财富县的房价上产生差异影响的事件。鉴于比特币的波动性，上涨的时间和幅度可以被认为是随机的。然而，加密财富的县集中并不是随机的。因为本文关注的是历史上的县级加密财富，因此不存在逆因果性的问题（即2018年的房价增长并未导致2016年加密投资组合价值发生变化）。然而，选择历史加密财富时可能与其他时间变动的县级特征相关，这会误导本文对实验的解释。
图7面板a显示了高和低加密财富县的地理分布，这是一个可能的问题。虽然国内加密财富存在较大的变化，但大部分沿海地区都是由高加密财富县组成。这些地区更富裕，也有更高的股票市场参与水平。如果股票收益与加密货币收益之间的相关性足够高，本文的差异性差异估计可能反映的是股票财富而不是加密财富的影响。为了缓解本文的差异性比较实验可能受到股票收益的影响的担忧，本文采取了三个步骤。
首先，本文将比特币回报率与纳斯达克回报率在加密财富冲击的几个月中进行比较（见附录图A.2）。虽然比特币回报率在这段时间内比纳斯达克回报率高出20-50倍，但纳斯达克回报率对于股票来说是相当高的，从20%-30%不等。重要的是，纳斯达克回报率在加密财富冲击期间相对稳定，甚至有所下降。
图A.2 比特币和纳斯达克12个月滚动回报
第二，虽然高加密财富县在比特币价格上涨后出现了大量的加密提现，附录图A.3显示了在此事件周围没有从经纪账户中提现的不连续变化，这表明高加密财富县并未实现特别的股票收益。最后，本文的差异差分结果也经过了对县级股票暴露与后期指示变量进行控制的稳健性检验。
图A.3 加密财富引发的围绕比特币的股权投资退出
在表9中，本文使用高加密财富县的指标来估计传统的DID系数（列1和3），以及在2016年将后期指标与每人加密财富的对数交互的连续版本（列2和4）。根据这两个规范，相对于低加密财富县，高加密财富县在比特币价格上涨后的几个月内经历了更高的房价。
表9 比特币上涨DID：县-月房价
列1中对加密财富对县域房价的估计效应表明，高加密财富县的房价在后期增长大约快46个基点，相对于低加密财富县，这大约是2018年房价增长标准差的12%。以美元计算，第3列的估计结果表明，在比特币价格冲击后的九个月内，高加密财富县的房价约高出$1878。相对于县域房价的平均值，这大约是价格的1%增加。连续规范意味着类似的，但更小的经济幅度。根据从第25到第75百分位数的县域加密财富变化估计的弹性，房价将增加大约19个基点。
5.2工具变量策略
本文通过使用两阶段最小二乘法（2SLS）将DID实验扩展到整个时间序列。本文构造了一个工具变量CryptoGainsc,?。具体而言，本文使用县级被动收益来构建县级加密资产的工具变量，计算方法是将过去一年的比特币—以太坊净收益乘以县域的加密财富12个月前的加权：
这里，HighCryptoc,2016月底比特币的价格。该工具可以解释为过去12个月内，仅由该县对加密货币的初始分配表现引起的县人均加密资产的变化。该工具通过使用该县在一年内没有存入或提取任何额外资金的情况下从其加密投资组合中赚取的净美元来处理反向因果关系。
为了成功缓解人们对县财富更广泛变化可能同时推动加密货币投资和房价的担忧，加密货币财富的被动收益（由于比特币和以太坊上一年的回报以及滞后加密货币财富中的异质性）必须与可能影响房价的非加密货币财富任何其他变化无关，经核算年、月、县固定效应。对于许多财富来源来说，这种排除限制可能会得到满足。例如，由于比特币回报的时间是准随机的，由于该县职业或行业组合的变化，这些回报不太可能与财富增长相关。剩下的最合理的担忧是，比特币或以太坊的回报与股权回报相关，加密货币财富的县级异质性也与股权财富的异质性相关。为了缓解这种担忧，本文构建了一种替代工具，表示同期比特币回报率超过股票市场回报率：
根据这个定义，本文的工具代表投资者比特币和以太坊投资组合相对于纳斯达克（QQQ）回报的被动超额收益。这个修改结果产生了对于县级相对于类似大型科技公司的配置的额外加密财富效果的31个估计值。使用ExcessPassiveGainsc,t作为工具得到了类似的结果，表明股权回报并不是本文结果的驱动因素。使用这些外生的加密收益作为工具，本文估计第一阶段回归：
毫不意外的是，初始加密持有的回报强烈预测着县级加密收益——第一阶段?统计量在本文的主要规范中的范围从3000到6000。然后，本文使用方程14中预测的加密收益来估计以下的第二阶段回归：
本文测量当前月后三个月的住房价格指数的变化，表示为ZHVIc,t。
表10报告了在方程15中估计的2SLS结果。本文发现县级加密财富的增长导致县级房价在接下来的3个月内上涨，而在接下来的6个月内上涨更多。这些估计在统计上是高度显著的，并且在包括固定效应的情况下具有稳健性，无论是使用PassiveGains还是ExcessPassiveGains工具。
表10 加密货币收益对房价的影响
表10结果表明，每个县人均加密财富收益增加1美元会导致未来3个月内房价上涨约0.076美元，或者在接下来的六个月内上涨约0.21美元。这些估计意味着县人均加密收益的一个标准差增加会导致未来六个月内县房价增加674美元。相对于样本平均值而言，这大约是房价增长的36个基点，和DID分析得到的估计大致相同。
综上所述，本节和第5.1节的证据表明，加密财富对实体经济产生了溢出效应。暴露于加密资产的县份在大额加密回报之后经历了更快的房价增长。
结论
美国的家庭越来越多地将加密货币作为投资策略的一部分，部分原因是其极端的波动性导致一些投资者迅速获得财富。本文是第一个记录这种新兴加密财富对消费的反应，并识别其对当地房价的溢出效应。通过使用数百万美国家庭的金融交易级别数据，本文展示家庭加密货币投资者似乎将加密货币视为投资组合的一部分，一些家庭追逐加密收益，其他家庭将部分加密收益再平衡到传统的经纪投资。家庭还利用加密财富增加其自由支配的消费。加密财富的消费倾向比股权财富高得多，但比彩票中奖的倾向低。
家庭还会取出加密收益来购买住房，包括成为新买家和升级现有住房。这种对住房的增加支出给当地房价带来上升压力，特别是在严重暴露于加密资产的地区。总体而言，县级加密财富的增长导致县级房价上升。
根据加密货币的拥护者，加密货币回报与其他资产类别多数不相关。此外，最近加密货币市场的崩溃似乎对更广泛的金融市场的传染效应也有限。虽然加密货币可能对其他金融资产的溢出效应有限，但本文的结果表明加密投资确实会影响实体资产。因此，加密财富的分布对实体经济具有重要的影响。
以下为文章部分截图
