Modèles de prix basés sur les adresses et le hashrate.

Malheureusement, les émissions de télévision ne montrent que peu de ces lignes.
Les lignes représentent les pentes locales ou "retours stabilisés", c'est-à-dire les principales métriques stables pour Bitcoin.
Nous avons démontré qu'ils se comportent de manière similaire depuis au moins les 8 dernières années ( de plus si vous ne considérez que leur moyenne ).
Le vert signifie que nous sommes au-dessus de la loi de puissance mondiale, le rouge signifie que nous sommes en dessous.
Il n'est jamais arrivé qu'au cours d'un supposé marché haussier, nous voyons des lignes rouges.

Au fait, cette approche résout tous les problèmes liés à l'ajustement de régression dans l'espace log-log. La régression OLS est-elle meilleure que la quantile ou la bayésienne, etc. @TheRealPlanC
Cette méthode ne dépend pas du tout de la régression. Elle part simplement de l'hypothèse que nous suivons une loi de puissance avec un exposant inconnu.
Ensuite, nous normalisons les rendements observés par log( (t+1)/t), c'est-à-dire le composant déterministe des rendements décroissants.
Ces rendements indépendants du temps devraient alors avoir une distribution symétrique autour d

Que signifie ce graphique ? En plus de la décadence attendue des rendements donnée par la formule ( (t+1)/t)^n, le comportement du Bitcoin est stable depuis 2017.
Les bulles ont été des distractions et non le véritable spectacle. Le véritable spectacle est les oscillations autour de la loi de puissance qui ont été extrêmement cohérentes dans la manière dont elles se répartissent par rapport à la moyenne au cours des 8 dernières années.
Le Bitcoin sera-t-il si constant au cours des 8 prochaines années qu'il faudra atteindre 1 M ?
Je parie que oui.

Ce graphique montre qu'après 2017, les rendements stabilisés sont pratiquement indiscernables.
Le Bitcoin s'est comporté de la même manière stable depuis 2017.

Distributions des rendements stabilisés avant et après 2017.
Les mu sont très similaires ( autour de la valeur 6 qui est la pente de la loi de puissance globale ) mais vous pouvez facilement remarquer que les valeurs de distribution récentes sont plus dispersées et ont des queues plus lourdes.
Le Bitcoin est moins apprivoisé maintenant qu'auparavant.

Donc, ce graphique contient toutes les informations dont vous avez besoin pour comprendre le comportement de Bitcoin.
La distribution de l'échelle t-location avec un mu d'environ 5,91 semble s'adapter le mieux aux données réelles. C'est une distribution stable dans le temps ( vous pouvez utiliser l'ensemble des données historiques de 16 ans ou vous concentrer sur les données après 2017 si vous voulez être plus précis ).
Ce n'est pas parfait, je dois comprendre les données excédentaires juste à gauche du pic de distribution théorique. Mais en général, la courbe théorique

Ce graphique contient donc toutes les informations que vous devez connaître sur le comportement de Bitcoin.
La distribution de l'échelle t-location avec un mu d'environ 5,91 semble correspondre le mieux aux données réelles. C'est une distribution stable dans le temps (vous pouvez utiliser l'ensemble des 16 données historiques ou vous concentrer sur les données après 2017 si vous souhaitez être plus précis).
Ce n'est pas parfait, je dois comprendre les données excédentaires juste à gauche du pic de distribution théorique. Mais en général, la courbe théorique fait un bon trav

Ceci est le dernier paramètre, nu, pour la distribution de l'échelle t-location. nu indique à quel point les queues de la distribution sont lourdes (des queues lourdes signifient des valeurs plus grandes que prévu dans les deux directions).
Il a connu une énorme hausse pendant la bulle de 2017, ce qui signifie que la queue était énorme, avec des valeurs aberrantes très importantes.
Depuis que la valeur est restée supérieure aux premiers jours ( avant 2017) mais plutôt stable depuis lors.

La distribution des rendements stabilisés est bien ajustée par une distribution t-location scale.
Cette distribution a 3 paramètres. Mu est le principal paramètre qui est lié à la valeur moyenne. Nous avons vu que cette valeur est stable dans le temps (en moyenne), représentant un paramètre invariant important pour Bitcoin.
Les autres paramètres de la distribution sont sigma et nu. Sigma représente la dispersion de la distribution et nu indique la lourdeur des queues de la distribution.
Étrangement, le sigma semble avoir augmenté depuis la bulle de 2017. Cela signifie que nous avons une plus g

J'en ai discuté dans des publications précédentes ( en faisant une vidéo pour expliquer toutes les idées connexes ).
Mais ce sont les paramètres BTC les plus stables. Ce sont les pentes locales de la loi de puissance. Ils peuvent aussi être compris comme des rendements stabilisés (invariants dans le temps).
Vous pouvez récupérer des rendements réels en multipliant ces valeurs par la fonction déterministe du temps log( (t+1)/t).
Que signifie cela ?
Que le Bitcoin s'est comporté de manière invariante par rapport à l'échelle ( une loi de puissance ) depuis les débuts.
Vous pouvez égal

Merci à @hiyoko_peep d'avoir reproduit mon étude sur les rendements stabilisés.
C'est le graphique le plus important pour Bitcoin.
Ce serait viral si compris.
C'est la seule quantité stable dans Bitcoin. Bitcoin a montré le même comportement depuis ses débuts.
Ces rendements stabilisés oscillent autour d'une médiane qui, à l'exception des bulles, est assez constante au fil des ans.
Nous pouvons dériver le comportement passé, présent et futur du Bitcoin à partir de ce seul graphique.

D'accord, voici la dernière itération.
C'est la bonne façon de faire Monte Carlo avec Bitcoin.
Vous n'utilisez pas les rendements car ils ont 2 composants, un stochastique mais aussi un déterministe (t+1)/t.
Nous utilisons une distribution de l'échelle t-location pour ajuster la distribution observée et simuler des centaines de trajectoires (seules quelques-unes sont montrées en raison des limitations graphiques de la TV).
Le tableau montre l'éventail des chemins possibles pour les 2 prochains mois avec une probabilité probable.
Le vert indique les résultats finaux les plus

Première tentative de simulation Monte Carlo utilisant TradingView basée sur la distribution des pentes invariante dans le temps.
Pas encore parfait, mais une fois terminé, cela devrait être un outil puissant.