原文标题：《链上数据学堂（七）：一套崭新、Ark 参与研究的 $BTC 神奇定价方法论 (II)》

原文作者：贝格先生，链上数据分析师

如果对 Cointime Price 还不熟悉，建议先阅读第一篇文章：《链上数据学堂（六）：一套崭新、Ark 参与研究的 BTC 神奇定价方法论 (I)》

TLDR

• Cointime Price 系列文章共三篇，本文为第二篇

• 本文将介绍 Cointime Price 在逃顶中的应用方法

• 本文将介绍个人设计的偏离度模型

一、Cointime Price 简要复习

Cointime Price 概念源自 Cointime Economics，采用「时间加权」的方式评估 BTC 的公允价格。

相比单纯的 LTH（长期持有者）和 STH（短期持有者），Cointime Price 更具弹性，且更加敏感，同时，该模型还能有效排除远古时期已丢失 BTC 的影响。

第一篇文章详细介绍了 Cointime Price 及其抄底应用，如果已经理解概念，那就正式进入今天的主题：逃顶应用

二、逃顶应用方法论：Cointime Price Deviation 模型设计

Cointime Price Deviation（Cointime Price 偏离度）是我在研究链上数据时自行设计的模型之一，并已被应用在每周逃顶分析的周报中。

相关推文：[逃顶模型介绍](

下文将讲解模型设计原理，以及如何利用该模型判断 BTC 顶部。本文所有内容均为原创研究，研究过程不易，还请各位多多支持

1. 量化现价与 Cointime Price 的偏离程度

为什么要衡量偏离程度？

• Cointime Price 高度代表 BTC 筹码的真实持仓成本，特别是长期持有者（LTH）的持仓成本。

• 由于长期持有者对 Cointime Price 影响更大，当 BTC 现价大幅高于 Cointime Price 时，长期持有者的获利了结动机会上升，可能引发派发行为。

· 计算公式：偏离率 =（现价 - Cointime Price）/ 现价

· 观察偏离率（派发比率）

如图，我们可以得到派发比率曲线（紫线）。我们可以看到：每当派发比率处于高位，往往对应 BTC 顶部。

那么，如何定义「高位」呢？接下来，我们用统计学方法来解决这个问题

2. Cointime Price Deviation 极端值定义

如果我们观察历史数据，会发现 Deviation 的高位并不固定，在每轮牛市中，Deviation 峰值都略有下降。因此，单纯使用固定数值来定义「高位」是不严谨的。

在解決上，我采用统计学「标准差」的概念：

· 计算历史 Deviation 数据的均值和标准差。

· 定义「均值 + n 个标准差」为「高位（顶部信号）」，记作 Threshold。

· 对 Deviation 数据进行均线平滑化，减少噪音。

· 当 Deviation 的均线值 > Threshold 时，触发顶部信号。

· 为何采用标准差？

· Deviation 的历史走势具有均值回归的特性（如图）。

· 标准差衡量波动性，当 BTC 价格波动变小时，Threshold 也会动态调整，更具弹性。

如上图，进行上述的处理后，我们可以得到这样一张图。

· 补充说明

• 第 2 点「均值 + n 个标准差」中的 n 为可调参数：当 n 越大，顶点信号出现的概率越低，模型更严格。

• 第 3 点的均线平滑处理：主要过滤市场短期波动，提高信号可靠性。

3. 逃顶信号示例

如图，当紫线（派发比率）超出橙线（Threshold）时，对应的 BTC 价格往往处于阶段性顶部。

三、结语

本文是 Cointime Price 系列 的第二篇，延续前文的概念，分享了个人如何利用 Cointime Price 设计逃顶模型。

· 总结核心观点：

• Cointime Price Deviation 通过量化 BTC 现价与 Cointime Price 的偏离，推测长期持有者的派发动机，用于判断 BTC 顶部。

• 采用「标准差」方法动态定义顶部信号，确保模型更具适应性。

• 模型已实际应用于周报，并能有效捕捉 BTC 高位信号。

后续计划：

• 本系列第三篇文章将继续探讨 Cointime Price 在逃顶中的应用，敬请期待

原文链接

：