ERC20代币交易分类与数据概览 [page::2][page::3]

• 将交易分为EOA–EOA、EOA–SC、SC–EOA、SC–SC四类，分别体现人类主导和算法驱动的交互。

- 数据涵盖2017年7月至2018年3月，共44,858,196条交易。

• 按时间划分为3个3个月周期，方便分析行为演变。

交易规模与交易伙伴数量的幂律关系分析 [page::7][page::8][page::9][page::10]

• EOA相关交易（EOA-EOA, EOA-SC）在各周期指数α约为1，呈现近线性增长，代表交易活动与伙伴数量成比例。

- SC相关交易，特别是SC-SC，指数α呈明显子线性趋势，从0.93下降至0.67，反映更为专门化和自动化的行为。

幂律分布及参数估计与模型检验 [page::11][page::12][page::13][page::14][page::15]

• 不同交互类型的接收方和发送方交易次数分布均符合幂律分布，拟合良好，幂律指数γ变化反映交易行为的集中度差异。

- EOA–EOA及EOA–SC交易幂律指数通常高于2，表明较为均匀的参与度分布。

• SC–SC交互指数较低（1.68-1.99），显示重尾分布且阈值较高，凸显少数智能合约高度活跃与集中。

交易活动时间序列的平稳性检验 [page::15][page::16]

| 交易类型 | Period 1 | Period 2 | Period 3 |
|----------|----------|----------|----------|
| EOA-EOA | 99% | 98% | 99% |
| EOA-SC | 92% | 94% | 95% |
| SC-EOA | 99% | 97% | 100% |
| SC-SC | 97% | 98% | 93% |

• KPSS检验表明99%以上账户的交易时间序列平稳，保证Taylor’s定律应用的合理性。

Taylor’s定律(TL)在交易波动分析中的应用与结果 [page::16][page::17][page::18][page::19][page::20]

• 所有交易类别TL指数β基本位于1.96~2.51之间，接近二次幂，反映均值与波动之间的明确比例关系。

- EOA驱动交易稳定且指数波动小，体现人类用户行为的稳定性。

• SC相关交易具有更大波动性，β范围扩张达0.51，表明协议驱动交互受具体合约及市场状态影响较大。

主要结论与未来展望 [page::20]

• 通过综合幂律和Taylor’s定律，本研究发现区块链中的人类行为表现出普适且稳定的统计规律，而智能合约主导的交互则显示更复杂且情境依赖的动态。

- 该工作为去中心化金融系统的人机行为分析提供有效框架，对DeFi体系设计及风险监测意义深远。

• 未来研究将扩展至其它区块链平台，探索智能合约波动因果，并结合机器学习推动DeFi行为异常分类与智能监控。

详细分析报告——《Universal Patterns in the Blockchain: Analysis of EOAs and Smart Contracts in ERC20 Token Networks》

---

一、元数据与报告概览

• 报告标题： Universal Patterns in the Blockchain: Analysis of EOAs and Smart Contracts in ERC20 Token Networks

- 作者及机构： Kundan Mukhia 等，分别来自印度National Institute of Technology、Sorbonne University、Vellore Institute of Technology和International Institute of Information Technology等多所机构。

• 发布日期： 论文内数据截止至2018年3月，引用时间最晚至2025年4月。

- 研究主题： 针对以太坊区块链上ERC20代币网络中的交易行为，区分用户驱动的外部账户（EOA）与智能合约账户（SC），探究它们的交易统计特征及差异。

• 核心论点及目标： 通过对4,485万笔ERC20代币转移数据的分析，揭示ERC20交易中的普适统计规律（幂律分布和Temporal Taylor’s Law），并明确EOA和SC驱动交易的行为模式区别。EOA交易表现出稳定、接近线性增长的规模关系，幂律指数较大且TL系数稳定；而SC驱动的合约-合约交互则展示出不同的、更复杂的统计特征，包括子线性规模关系、更重的尾部分布及更大波动，反映人类用户与自动化算法行为的根本性差异。

- 研究贡献： 融合复杂系统理论与区块链数据分析方法，建立了区分人类与智能合约交易模式的分析框架，对去中心化金融（DeFi）系统的内在机制提供了全新理解。

[page::0,1,2,7,20]

---

二、逐节深度解读

2.1 引言与研究背景

• 关键内容总结： 区块链技术因去中心化与低交易成本，重塑了金融体系。以太坊作为主流平台，引入ERC20标准促进了代币经济的发展。该平台的双账户模型分别为人类用户控制的EOA与自动执行合约代码的SC，形成两大不同交易交互模式。现有研究多未区分二者，缺乏针对人类与智能合约交互差异的系统分析。

- 逻辑与假设： 研究基于EOS和SC交易行为本质差异推断，认为不同账户类型在交易频次、合作伙伴多样性、行为波动性上会呈现不同统计规律，进而影响整个系统的稳定性与流动性。

• 文献关联： 依托早期关于区块链交易网络出现幂律分布的研究和Taylor’s law在金融领域衡量波动性的应用，为本研究设计分析框架奠定基础。

- 数据描述： 9个月的ERC20交易记录，覆盖时间2017.7~2018.3，包含约4,485万笔转账，提供充分样本量保证统计显著性。

[page::0,1,2]

---

2.2 数据分类与方法论

• 分类标准： 利用fromIsContract和toIsContract字段区分交易双方账户类型，划分为4类交易：EOA-EOA、EOA-SC、SC-EOA、SC-SC。

- 时间分段： 将9个月数据分为三期（Period1，Period2，Period3），各3个月，为分析行为随时间变化趋势提供基础。

• 统计方法：

- 规模关系（Scaling Law）：交易量（$Vi$）与独立交易伙伴数量（$Ni$）的幂律关系 $V \sim N^\alpha$，利用对数线性拟合估计$\alpha$值。$\alpha=1$表线性扩展，$\alpha>1$超线性，$\alpha<1$子线性。
- 幂律分布拟合：交易次数的分布用幂律$p(x) \propto x^{-\gamma}$描述，利用最大似然估计(MLE)获得$\gamma$，通过Kolmogorov-Smirnov (KS)检验评估拟合优度，并用对数似然比(LLR)检验幂律模型与指数模型的优劣。
- 时序稳定性检测：应用KPSS检验确认数据时间序列的平稳性，为Taylor’s law分析奠定基础。
- Taylor’s Law分析：确定交易活动波动（方差$\sigma^2$）与均值($\mu$)的幂律关系$\sigma^2 = a \mu^\beta$，其中$\beta$为关键指数，反映交易活动的波动性质。$\beta=1$表明随机波动，$\beta>1$反映波动聚集，$\beta<1$则为规整波动。

[page::2,3,4,5,6]

---

2.3 规模关系结果

• 关键发现：

- EOA涉及的交互（EOA–EOA、EOA–SC）普遍表现近线性规模关系 ($\alpha\approx1$)，反映人类用户交易总量与交易伙伴数成正比，即多交互者交易更多。
- SC驱动的交互（SC–EOA、SC–SC）呈现子线性趋势，尤其是SC–SC交易，$\alpha$显著低于1且随时间递减（Period1:0.93 -> Period3:0.67），指示智能合约交易更趋向结构化、分工明确或算法自动化。

• 数据具体量化： 如表2所示，不同时间段和交易类型的$\alpha$数值清楚地反映模式差异，且SC–SC交易规模扩展明显弱于EOA相关交易。
• 图表支持： Figures 1-3的散点图及其对数分箱曲线清晰展现普遍存在的“重尾”分布（大部分用户与少部分活跃者），并直观体现不同类型交易规模关系的变化趋势。

[page::7,8,9,10]

---

2.4 幂律分布分析

• 整体趋势：

- 交易的发送方和接收方无论EOA或SC均表现为幂律分布的重尾特征，表明交易活跃度高度不均，存在少数超级活跃账户。
- EOA-EOA及EOA-SC交易多呈现幂律指数$\gamma>2$，表明相对较均衡的活跃度分布，极端集中程度较低。
- SC相关交易，尤其是SC-SC显示$\gamma<2$，意味着更重的尾部，有更极端的活跃者主导大量交易，交易行为更爆发性和集中。
- SC–SC交易的阈值$x_{\min}$较高且标准误较大，KS统计量偏高，显示幂律拟合的稳健性相对较差，反映这些交易更具不稳定性和结构复杂性。

• 时间变化：

- 2018年第三阶段，EOA的发送方$\gamma$下降，反映加密货币市场动荡（如加密崩盘）影响用户交易行为，形成更为集中和极端的交易模式。
- SC行为在不同时期显示出更大波动，反映协议更新或自动化策略带来的显著影响。

• 图表解读： Figures 4-7配合Table 3详尽刻画了不同时间段、不同交互角色的幂律拟合曲线及参数变化，支持上述发现。

[page::10,11,12,13,14,15]

---

2.5 时序数据平稳性检验

• 执行过程与结果： 利用KPSS检验，结果显示超过90%的交易账户在三期内均满足时间序列平稳假设（详见表4），为后续应用Taylor’s law提供了理论基础和数据保证。
• 意义： 平稳性确认说明账户交易活动虽有波动但整体表现出长期稳定的统计属性，适宜进行波动性与均值关系的幂律建模分析。

[page::15,16]

---

2.6 Taylor’s Law （TL）分析

• 主要发现：

- 所有交易类别和交易角色中，TL指数$\beta$集中在[1.96, 2.51]区间，明显大于1，暗示交易活动存在聚集效应和波动集中。
- EOA相关交易（EOA-EOA、EOA-SC）$\beta$较为稳定且接近2，表明用户驱动模式下交易波动以均值平方比例增长，属于典型的非平稳波动但行为一致。
- SC交易（SC-EOA、SC-SC）展现较大$\beta$变化区间（如SC-SC$\Delta\beta=0.51$），反映智能合约活动更为多样和情境依赖，自动化策略影响交易波动模式。
- 特别是Period 2中SC-SC发送方$\beta=1.96$有所下降，表明该阶段算法驱动活动的稳定性受冲击，随后Period 3回升，体现协议执行与市场波动中断后的修复。

• 关联规模关系： TL指数$\beta$与规模关系的$\alpha$相呼应，线性关系对应区间内更加稳定的交易模式，子线性关系对应多样和分散活动。
• 图表支持： Figures 8-11呈现了不同交易类别、角色及时间段下的log(均值)与log(方差)散点及其拟合直线，直观验证了$\beta$指数的估计和特征。

[page::16,17,18,19,20]

---

2.7 结论节解读

• 总结要点：

- EOAdriven交易表现为高度稳定、普适的统计规律，符合传统经济与社会系统中的行为模式特征。
- SC驱动交易特别是合约间(SC–SC)交互则显示显著波动、结构复杂且场景依赖，难以用统一的普适模型描述，反映了自动化逻辑、协议设计等因素的影响。
- 这种差异奠定了区分人类和智能合约行为模式的理论与实证基础，对于DeFi系统设计、市场风险监控及交易行为识别极具价值。

• 未来展望： 拟扩大样本至其他区块链平台，深入探究智能合约行为波动的因果机制，且计划结合机器学习手段进行大规模模式识别及异常检测。

[page::20]

---

三、图表深度解读

• 表1（交易分类及数量统计）： 列出了4类交易EOA-EOA、EOA-SC、SC-EOA、SC-SC在三个时间段及总体的交易量。EOA-EOA交易占绝大多数（3,044万笔），SC-SC最少（约118万笔），体现了日常活跃以人为主。

- 表2（规模关系指数$\alpha$）： 呈现EOA交易$\alpha$稳定接近1，SC-SC逐期下降至0.67，图示自动化交易逐渐专精而非广泛扩展。

• 图1-3（规模关系散点与拟合曲线）： 细致地展示不同类别与时间的交易行为，多数账户低活跃，活跃账户交易规模展示明显幂律模式。

- 表3（幂律拟合参数）： 各类交易$\gamma$普遍超过2，EOA-EOA呈现最稳健的拟合效果，SC-SC承受较大标准误和KS距离，符合策略驱动波动更大。

• 图4-7（幂律拟合实证）： 对不同时间期、角色的交易数据拟合幂律分布，视觉上清晰展示了尾部分布特征的稳定或变动。

- 表4（KPSS平稳比例）： 几乎全部类别平稳性均>90%，说明时间序列分析与Taylor’s Law分析的有效性。

• 表5（Taylor’s Law指数$\beta$）： 体现主要交易类型的交易波动增长趋势，EOA交易$\beta$更稳定，SC交易波动更大。

- 图8-11（Taylor’s Law对应的均值-方差散点与拟合）： 突显不同交易类型的活动波动与均值的关系及其差异性，视觉反馈符合定量指标分析。

• 图19（SC-EOA和SC-SC TL散点图）： 显示合约行为的更为复杂和发散的变化趋势，是本研究的重点发现之一。

这些图表构建了论文论证的核心数据基础，数据一致性和多重验证提升研究说服力。

[page::2,3,7,8,9,10,11,12,13,14,15,16,17,18,19]

---

四、估值分析

本报告为学术研究性质，未涉及资产估值模型，无估值部分。

---

五、风险因素评估

研究中并未明确讨论风险因素，但通过分析结论隐含的潜在风险包括：

• 智能合约行为不稳定风险： SC交互的不确定性和结构变异可能导致关键协议或市场波动风险，影响DeFi平台的流动性与安全性。

- 市场冲击对用户行为影响： 例如Period 3的加密市场崩溃显著影响EOA交易活跃度，暗示宏观经济或市场风险传导至链上交易活动。

• 模型假设依赖风险： 幂律和Taylor’s Law等统计法对数据的适用假设限制，某些交易类别拟合效果较差，可能影响分析准确度。

未见显著缓解策略讨论，未来研究建议结合风险模型和场景模拟。

[page::10,20]

---

六、批判性视角与细微差别

• 数据时间范围限制： 数据局限于2017年7月至2018年3月，且行情波动较大，如2018年加密崩盘，可能影响普适性。未来需验证长期和各种市场环境下结论的稳健性。

- 智能合约分类粗糙： 报告将所有SC一概而论，未区分协议类型（如交易所合约、借贷合约、流动性池合约），不同协议可能显示截然不同行为。

• 统计法假设问题： 幂律拟合虽采用MLE和KS检验，复杂系统数据常含多重分布或混合态，纯幂律模型可能忽略复杂性。

- 人机交互界限模糊： 虽EOA被定义为人类账户，但现实中也存在机器人或半自动化交易账户，导致EOA类别内潜在异质性。

• 时间分段不均衡影响： 三期时间长度均等，但市场不同时点事件影响差异大，统计指标变动可能反映事件驱动，而非稳定属性体现。

总体研究严谨，但以上细节需在后续深化研究中关注。

[page::1,10,20]

---

七、结论性综合

本研究首次系统区分了以太坊ERC20网络中的用户控制账户（EOA）与智能合约账户（SC），针对2017年7月至2018年3月近4500万笔交易数据，揭示了交易行为的普适性与异质性：

• EOA交易特征：

- 规模关系线性增长，$\alpha \approx 1$，显示交易总量与合作伙伴计数成正比。
- 幂律分布稳健，$\gamma$大于2表明较均衡的活跃度分布。
- Taylor’s Law指数稳定在2左右，说明交易波动与平均交易量的平方成比例，符合经典非线性社会行为波动模式。
- 行为模式在三个时间期跨越中保持一致性，反映人类用户交易的普适统计规律。

• SC交易特征：

- 规模关系子线性且逐期递减，特别是SC–SC交易，提示智能合约交互趋向专业化或自动化。
- 幂律指数$\gamma$低于2，尾部显著加重，表明少数合约主导大量交易操作。
- Taylor’s Law指数波动较大，体现交易波动性强且受协议逻辑、市场环境影响显著。
- 幂律拟合的KS距离和标准误增加，反映合约交易的复杂性和不稳定性。

• 整体意义： 该研究通过结合多重统计分析方法（规模关系、幂律拟合、KPSS平稳性检验、Taylor’s Law）构建了区分人类与自动化交易行为的分析框架。这不仅丰富了对区块链经济行为学的理解，也为DeFi系统设计、风险监控和市场监管提供了有力数据支持和理论指导。
• 展望： 针对其他主流区块链扩展验证，解析智能合约波动因果机制，以及引入机器学习进行大规模行为建模均是未来重要方向。
• 引用依据： 该综合结论涵盖报告主要数据分析、模型验证和结果演绎，来源于文中所有关键章节，尤其第0-20页内容。[page::0-20]

---

全文标注参考页码

正文分析所引用原文页码均已在相关段落末尾以[page::x]明确标注。全文关键图表详解覆盖page 2至page 19。

---

此份详细解析旨在帮助读者从理论、方法、数据与结论多维度深刻把握报告核心，高效洞悉区块链ERC20交易网络中用户与智能合约行为间的内在统计差异与系统特征。

报告