Model harga berdasarkan alamat dan hashrate.

Sayangnya, acara TV hanya menunjukkan sedikit dari garis ini.
Garis-garis tersebut mewakili kemiringan lokal atau "hasil yang distabilkan", yaitu metrik stabil utama untuk Bitcoin.
Kami menunjukkan bahwa mereka berperilaku dengan cara yang serupa selama setidaknya 8 tahun terakhir ( lebih jika Anda hanya mempertimbangkan rata-rata mereka ).
Hijau berarti kita berada di atas hukum kekuatan global, merah berarti kita berada di bawah.
Tidak pernah terjadi sebelumnya bahwa selama pasar bull yang seharusnya kita melihat garis merah.
Itu biasanya tetap hijau sepanjang jalan.
Bull run ini berbeda.

Omong-omong, pendekatan ini menyelesaikan semua masalah yang berkaitan dengan pengukuran regresi dalam ruang log-log. Apakah regresi OLS lebih baik daripada kuantil atau Bayesian dan seterusnya. @TheRealPlanC
Metode ini sama sekali tidak bergantung pada regresi. Ini hanya dimulai dengan asumsi bahwa kita mengikuti hukum kekuatan dengan eksponen yang tidak diketahui.
Kemudian kita menormalkan pengembalian yang diamati dengan log( (t+1)/t) yaitu komponen pengembalian yang menurun secara deterministik.
Pengembalian yang tidak tergantung waktu ini seharusnya memiliki distribusi simetris di sekitar

Apa arti grafik ini? Selain penurunan hasil yang diharapkan yang diberikan oleh rumus ( (t+1)/t)^n perilaku Bitcoin stabil sejak 2017.
Gelembung-gelembung tersebut telah menjadi distraksi dan bukan pertunjukan yang sebenarnya. Pertunjukan yang sebenarnya adalah osilasi di sekitar hukum kekuasaan yang telah sangat konsisten dalam cara mereka menyebar relatif terhadap rata-rata dalam 8 tahun terakhir.
Apakah Bitcoin akan begitu konsisten dalam 8 tahun ke depan sehingga akan mencapai 1 M?
Saya yakin begitu.

Grafik ini menunjukkan bahwa setelah tahun 2017, imbal hasil yang distabilkan pada dasarnya tidak dapat dibedakan.
Bitcoin telah berperilaku dengan cara yang sama dan stabil sejak 2017.

Distribusi pengembalian yang distabilkan sebelum dan setelah 2017.
Mu sangat mirip ( di sekitar nilai 6 yang merupakan kemiringan hukum kekuatan global ) tetapi Anda dapat dengan mudah melihat bahwa nilai distribusi terbaru lebih tersebar dan memiliki ekor yang lebih berat.
Bitcoin sekarang kurang terkendali dibandingkan dengan masa lalu.

Jadi grafik ini berisi semua informasi yang perlu Anda ketahui tentang perilaku Bitcoin.
Distribusi skala t-location dengan mu sekitar 5.91 tampaknya paling cocok dengan data nyata. Ini adalah distribusi stabil dalam waktu ( Anda dapat menggunakan seluruh data sejarah 16 tahun atau fokus pada data setelah 2017 jika Anda ingin lebih tepat ).
Ini tidak sempurna, saya perlu memahami data berlebih yang tepat di sebelah kiri puncak distribusi teoritis. Tetapi secara umum kurva teoritis melakukan pekerjaan yang baik.
Distribusi stabil ini dapat digunakan untuk memulihkan hasil dengan mengalikan deng

Jadi grafik ini berisi semua informasi yang perlu Anda ketahui tentang perilaku Bitcoin.
Distribusi skala t-location dengan mu sekitar 5,91 tampaknya paling sesuai dengan data nyata. Ini adalah distribusi yang stabil dalam waktu ( Anda dapat menggunakan seluruh data sejarah 16 atau fokus pada data setelah 2017 jika Anda ingin lebih tepat ).
Ini tidak sempurna, saya perlu memahami data berlebih yang berada di sebelah kiri puncak distribusi teoritis. Tetapi secara umum, kurva teoritis melakukan pekerjaan yang baik.
Distribusi stabil ini dapat digunakan untuk memulihkan hasil dengan mengalikan de

Ini adalah parameter terakhir, nu, untuk distribusi skala lokasi t. Nu menunjukkan seberapa berat ekor dari distribusi (ekor yang berat berarti nilai yang lebih besar dari yang diharapkan di kedua arah).
Itu mengalami lonjakan besar selama gelembung 2017, yang berarti ekornya sangat besar, dengan penyimpangan yang sangat besar.
Karena nilainya tetap lebih tinggi daripada hari-hari awal ( sebelum 2017) tetapi cukup stabil sejak saat itu.

Distribusi dari imbal hasil yang distabilkan cocok dengan distribusi skala lokasi t.
Distribusi ini memiliki 3 parameter. Mu adalah parameter utama yang terkait dengan nilai rata-rata. Kami melihat nilai ini stabil seiring waktu (rata-rata), mewakili parameter invariabel yang penting untuk Bitcoin.
Parameter lain dari distribusi adalah sigma dan nu. Sigma menggambarkan seberapa tersebar distribusi tersebut dan nu menjelaskan seberapa berat ekor distribusi tersebut.
Anehnya, sigma tampaknya telah meningkat sejak gelembung 2017. Ini berarti bahwa kita memiliki rentang nilai yang lebih besar untu

Saya membahas ini dalam postingan sebelumnya (membuat video untuk menjelaskan semua ide terkait).
Tapi ini adalah parameter BTC yang paling stabil. Ini adalah kemiringan lokal dari hukum kekuatan. Mereka juga dapat dipahami sebagai pengembalian yang distabilkan (invarian dalam waktu).
Anda dapat memulihkan pengembalian nyata dengan mengalikan nilai-nilai ini dengan fungsi deterministik dari waktu log( (t+1)/t).
Apa artinya ini?
Bahwa Bitcoin telah berperilaku dengan cara yang skala invarians ( hukum kekuatan ) sejak hari-hari awal.
Anda juga dapat melihat ada osilasi di sekitar nilai rata-rata

Terima kasih kepada @hiyoko_peep karena telah mereplikasi studi saya tentang pengembalian yang distabilkan.
Ini adalah grafik yang paling penting untuk Bitcoin.
Akan viral jika dipahami.
Ini adalah satu-satunya kuantitas stabil dalam Bitcoin. Bitcoin telah menunjukkan perilaku yang sama sejak hari-hari awalnya.
Pengembalian yang distabilkan ini berosilasi di sekitar median yang, kecuali untuk gelembung, cukup konsisten selama bertahun-tahun.
Kita dapat mengembangkan perilaku Bitcoin di masa lalu, sekarang, dan masa depan dari satu grafik ini.

Oke, ini adalah iterasi terbaru.
Ini adalah cara yang tepat untuk melakukan Monte Carlo dengan Bitcoin.
Anda tidak menggunakan pengembalian yang diberikan karena mereka memiliki 2 komponen, satu stochastik tetapi juga satu deterministik (t+1)/t.
Kami menggunakan distribusi skala t-location untuk menyesuaikan distribusi yang diamati dan mensimulasikan ratusan jalur (hanya beberapa yang ditampilkan mengingat batasan grafis TV).
Tabel menunjukkan rentang kemungkinan jalur untuk 2 bulan ke depan dengan probabilitas yang mungkin.
Hijau menunjukkan hasil akhir yang paling mungkin, kemudian kuning da

Upaya pertama untuk simulasi Monte Carlo menggunakan TampilanPerdagangan berdasarkan distribusi kemiringan yang tidak tergantung waktu.
Belum sempurna, tetapi ketika selesai, itu seharusnya menjadi alat yang kuat.