Modelos de precios basados en direcciones y hashrate.

Desafortunadamente, la televisión muestra solo algunas de estas líneas.
Las líneas representan las pendientes locales o "retornos estabilizados", que son las principales métricas estables para Bitcoin.
Demostramos que se comportan de manera similar durante al menos los últimos 8 años (más si solo consideras su media).
Verde significa que estamos por encima de la ley de poder global, rojo significa que estamos por debajo.
Nunca ha sucedido antes que durante un supuesto mercado alcista veamos líneas rojas.
Suele permanecer verde todo el camino.
Esta carrera alcista es diferente.

Por cierto, este enfoque resuelve todos los problemas relacionados con el ajuste de regresión en el espacio log-log. ¿Es la regresión OLS mejor que la cuantílica o la bayesiana, y así sucesivamente? @TheRealPlanC
Este método no depende en absoluto de la regresión. Simplemente parte de la suposición de que seguimos una ley de potencias con un exponente desconocido.
Luego normalizamos los rendimientos observados por log( (t+1)/t), que es el componente determinista de rendimientos decrecientes.
Estos rendimientos independientes del tiempo deberían tener una distribución simétrica alrededor de n s

¿Qué significa este gráfico? Además de la disminución esperada en los rendimientos que se da por la fórmula ( (t+1)/t)^n el comportamiento de Bitcoin es estable desde 2017.
Las burbujas han sido distracciones y no el verdadero espectáculo. El verdadero espectáculo son las oscilaciones alrededor de la ley de potencia que han sido extremadamente consistentes en cómo se dispersan en relación con la media en los últimos 8 años.
¿Será Bitcoin tan consistente en los próximos 8 años que tardará en llegar a 1 M?
Apostaría que sí.

Este gráfico muestra que después de 2017 los rendimientos estabilizados son básicamente indistinguibles.
Bitcoin se ha comportado de la misma manera y de forma estable desde 2017.

Distribuciones de retornos estabilizados antes y después de 2017.
Los mu son muy similares ( alrededor del valor 6 que es la pendiente de la ley de potencias global ), pero puedes notar fácilmente que los valores de distribución recientes están más dispersos y tienen colas más pesadas.
Bitcoin es menos domesticado ahora que en el pasado.

Así que este gráfico contiene toda la información que necesitas saber sobre el comportamiento de Bitcoin.
La distribución de la escala t-location con un mu de alrededor de 5.91 parece ajustarse mejor a los datos reales. Es una distribución estable en el tiempo ( puedes usar toda la historia de 16 años de datos o centrarte en los datos posteriores a 2017 si deseas ser más preciso ).
No es perfecto, necesito entender los datos excesivos justo a la izquierda del pico de distribución teórica. Pero en general, la curva teórica hace un buen trabajo.
Esta distribución estable se puede utilizar para r

Entonces, este gráfico contiene toda la información que necesitas saber sobre el comportamiento de Bitcoin.
La distribución de escala t-location con un mu de alrededor de 5.91 parece ajustarse mejor a los datos reales. Es una distribución estable en el tiempo ( puedes usar toda la historia de 16 datos o centrarte en los datos posteriores a 2017 si deseas ser más preciso ).
No es perfecto, necesito entender los datos en exceso justo a la izquierda del pico de distribución teórica. Pero en general, la curva teórica hace un buen trabajo.
Esta distribución estable se puede utilizar para recuperar

Este es el último parámetro, nu, para la distribución de escala t-location. nu indica cuán pesadas son las colas de la distribución ( colas pesadas significa valores más grandes de lo esperado en ambas direcciones ).
Tuvo un gran aumento durante la burbuja de 2017, lo que significa que la cola fue enorme, con valores atípicos muy grandes.
Desde que el valor se mantuvo por encima de los primeros días ( antes de 2017), ha sido bastante estable desde entonces.

La distribución de los retornos estabilizados se ajusta bien a una distribución t-location scale.
Esta distribución tiene 3 parámetros. Mu es el parámetro principal que está relacionado con el valor promedio. Vimos que este valor es estable a lo largo del tiempo ( en promedio ), representando un importante parámetro invariante para Bitcoin.
Los otros parámetros de la distribución son sigma y nu. Sigma representa qué tan dispersa está la distribución y nu indica qué tan pesadas son las colas de la distribución.
Extrañamente, sigma parece haber aumentado desde la burbuja de 2017. Esto significa

Hablé de esto en publicaciones anteriores ( haciendo un video para explicar todas las ideas relacionadas ).
Pero estos son los parámetros BTC más estables. Son las pendientes locales de la ley de potencias. También pueden entenderse como rendimientos estabilizados (invariantes en el tiempo).
Puedes recuperar rendimientos reales multiplicando estos valores por la función determinista del tiempo log( (t+1)/t).
¿Qué significa esto?
Que Bitcoin se ha comportado de manera invariante en escala (una ley de potencias) desde los primeros días.
También puedes ver que hay oscilaciones alrededor del valor

Gracias a @hiyoko_peep por replicar mi estudio sobre los rendimientos estabilizados.
Este es el gráfico más importante para Bitcoin.
Sería viral si se entendiera.
Es la única cantidad estable en Bitcoin. Bitcoin ha mostrado el mismo comportamiento desde sus primeros días.
Estos rendimientos estabilizados oscilan alrededor de una mediana que, con la excepción de las burbujas, es bastante consistente a lo largo de los años.
Podemos derivar el comportamiento pasado, presente y futuro de Bitcoin a partir de este único gráfico.

Ok, aquí está la última iteración.
Esta es la forma correcta de hacer Monte Carlo con Bitcoin.
No utilizas los retornos dado que tienen 2 componentes, uno estocástico pero también uno determinista (t+1)/t.
Utilizamos una distribución de escala t-location para ajustar la distribución observada y simular cientos de trayectorias ( solo se muestran unas pocas dadas las limitaciones gráficas de TV ).
La tabla muestra el rango de los posibles caminos para los próximos 2 meses con probabilidad probable.
El verde indica los resultados finales más probables, luego el amarillo y el rojo los valores más

Primer intento de simulación de Monte Carlo utilizando TradingView basado en la distribución invariante en el tiempo de las pendientes.
No es perfecto todavía, pero cuando esté terminado debería ser una herramienta poderosa.