鏈上數據學堂（七）：一套嶄新、ARK 參與研究的 BTC 神奇定價方法論（II）

本文為 鏈上數據學堂 系列文章 第 7 篇，共有 10 篇。帶您一步步認識鏈上數據分析，歡迎有興趣的讀者追蹤本系列文章。 （前情提要：鏈上數據學堂（六）：一套嶄新、ARK 參與研究的 BTC 神奇定價方法論（I） ） （背景補充：鏈上數據學堂（一）：你知道全市場的 BTC 平均成本是多少嗎？ ） TLDR Cointime Price 系列文章將分為三篇，這是第二篇 強烈建議先閱讀本系列的前一篇文章！ 本文將介紹 Cointime Price 的其中一種逃頂應用方法論 個人模型分享：Cointime Price 偏離度模型 Cointime Price 簡易複習 Cointime Price 是 Cointime Economics 中提出的概念，透過「時間加權」的設計，對 BTC 的公允價格進行評估，相較於單純的 LTH、STH 更為彈性、更為敏感。 同時，在這個設計框架下，也能有效排除遠古時期已丟失籌碼的影響。 如果是對於 Cointime Price 還不熟悉的讀者，強烈建議先閱讀前一篇文章！ 逃頂應用方法論：Cointime Price Deviation 模型 Cointime Price Deviation 是我個人在研究鏈上數據時設計的模型之一，下文將講解此模型的設計原理，以及我們將如何使用這個模型進行逃頂判斷。 一、將現價與 Cointime Price 的偏離程度進行量化 由於 Cointime Price 很高程度的代表了 BTC 籌碼的真實持倉成本，更精確來說，是「長期持有者」的持倉成本（因為持有時間愈長，對 Cointime Price 的影響愈大）。 因此，當現價與 Cointime Price 偏離太多時，理論上會提升長期持有者獲利了結的動機，將籌碼進行派發。 我將偏離率（派發比率）的公式設計如下： 偏離率 =（現價 – Cointime Price）/ 現價 如圖，我們便可得出派發比率的狀況（紫色線）。 可以看到：每當派發比率處於高位時，都是對應頂部的位置。 既然如此，那何謂「高位」？ 個人在此將採用統計學的方式定義高位，細節如下。 二、Cointime Price Deviation 的極端值定義 各位可以再看一次上面那張圖，會發現其實 Deviation 的高位並不容易定義。 每一輪牛市頂部對應的 Deviation 峰值，都有略微下降的跡象，因此單純以一個固定的數字去定義高位，顯然不嚴謹。 在解決上，我採用了統計學中「標準差」的概念： 計算歷史 Deviation 數值的平均數與標準差 將「平均數 + n 個標準差」定義為「高位」，下稱 Threshold 再對 Deviation 數值進行均線平滑化處理 當 Deviation 的均線值 > Threshold 時，顯示頂部訊號 如上圖所示，進行上述的處理後，可以得出這樣的一張圖。 在此補充兩點： 上述「平均數 + n 個標準差」中的「n」是可調參數，當 n 愈大，訊號出現的條件就會愈嚴格 上述的「均線平滑化處理」，主要目的是為了過濾雜訊 將圖二紫色線超出橘色線的部分，標記於價格圖表上後，可得到如上圖的訊號。 結語 以上就是鏈上數據學堂（七）的全部內容，後續還會有一篇針對 Cointime Price 的詳細教學，有興趣更深入學習鏈上數據分析的讀者，記得務必追蹤本系列文章！ 如果想看到更多關於鏈上數據的分析、教學內容，也歡迎追蹤我的推特（X）帳號！ 希望本文有幫助到你，感謝閱讀。 相關報導 鏈上數據學堂（二）：老是賺錢的 Hodlers 們，他們買 BTC 的成本是多少？ 鏈上數據學堂（三）：底部吸籌的莊家們獲利了結了嗎？ 鏈上數據學堂（四）：視覺化的 BTC 籌碼價位分布圖〈鏈上數據學堂（七）：一套嶄新、ARK 參與研究的 BTC 神奇定價方法論（II）〉這篇文章最早發佈於動區BlockTempo《動區動趨-最具影響力的區塊鏈新聞媒體》。