Модели цен на основе адресов и хэшрейта.

К сожалению, телевизионные шоу показывают лишь некоторые из этих линий.
Линии представляют собой местные наклоны или "стабилизированные доходности", то есть основные стабильные метрики для Биткойна.
Мы продемонстрировали, что они ведут себя аналогичным образом как минимум в течение последних 8 лет (больше, если учитывать только их среднее значение).
Зеленый означает, что мы выше глобального закона силы, красный означает, что мы ниже.
Никогда раньше не было такого, чтобы во время предполагаемого бычьего рынка мы видели красные линии.
Обычно он остается зеленым на протяжении всего пути.
Этот быч

Кстати, этот подход решает все проблемы, связанные с регрессионной подгонкой в лог-лог пространстве. Является ли OLS регрессия лучше, чем квантильная или байесовская и так далее. @TheRealPlanC
Этот метод вовсе не зависит от регрессии. Он просто основывается на предположении, что мы следуем степенному закону с неизвестным показателем.
Затем мы нормализуем наблюдаемые доходности по лог( (t+1)/t), то есть детерминистический компонент убывающей доходности.
Эти независимые от времени доходности должны иметь симметричное распределение вокруг n, если мы действительно следуем степенному закону.
Дейст

Что означает этот график? Кроме ожидаемого уменьшения доходности, которое задается формулой ( (t+1)/t)^n, поведение Биткойна стабильно с 2017 года.
Пузыри были отвлечениями, а не настоящим шоу. Настоящее шоу - это колебания вокруг закона степени, которые были чрезвычайно последовательными в том, как они распределяются относительно среднего за последние 8 лет.
Будет ли Биткойн таким последовательным в следующие 8 лет, что достигнет 1 M?
Я так и думал.

Этот график показывает, что после 2017 года стабилизированные доходности в основном неразличимы.
Биткойн ведет себя одинаково и стабильно с 2017 года.

Распределения стабилизированных доходов до и после 2017 года.
Му очень похожи на ( вокруг значения 6, которое является глобальным наклоном закона мощности ), но вы можете легко заметить, что последние значения распределения более разрознены и имеют более тяжелые хвосты.
Биткойн сейчас менее укрощён, чем в прошлом.

Таким образом, этот график содержит всю информацию, которую вам нужно знать о поведении Биткойна.
Распределение t-location scale с mu около 5.91, похоже, лучше всего соответствует реальным данным. Это стабильное распределение во времени ( вы можете использовать все 16 лет исторических данных или сосредоточиться на данных после 2017 года, если хотите быть более точным ).
Это не идеально, мне нужно понять избыток данных слева от теоретического пика распределения. Но в целом теоретическая кривая справляется хорошо.
Это стабильное распределение можно использовать для восстановления доходов, умножа

Итак, этот график содержит всю информацию, которую вам нужно знать о поведении Биткойна.
Распределение t-location scale с mu около 5.91, похоже, лучше всего соответствует реальным данным. Это стабильное распределение во времени ( вы можете использовать все 16 исторических данных или сосредоточиться на данных после 2017 года, если хотите быть более точным ).
Это не идеально, мне нужно понять избыточные данные сразу слева от теоретического пика распределения. Но в целом теоретическая кривая справляется хорошо.
Это стабильное распределение можно использовать для восстановления доходности, умножив

Это последний параметр, nu, для распределения t-location scale. nu указывает, насколько тяжелы хвосты распределения (тяжелые хвосты означают большие, чем ожидалось, значения в обеих направлениях).
В 2017 году он имел огромный всплеск на пузыре, что означало, что хвост был огромным, с очень большими выбросами.
Поскольку значение оставалось выше, чем в первые дни ( до 2017), но с тех пор довольно стабильно.

Распределение стабилизированных доходов хорошо описывается распределением t-локации с масштабом.
Это распределение имеет 3 параметра. Му — это основной параметр, связанный со средним значением. Мы видели, что это значение стабильно во времени (в среднем), что представляет собой важный инвариантный параметр для Bitcoin.
Другие параметры распределения — это сигма и ню. Сигма представляет собой степень разброса распределения, а ню указывает на то, насколько тяжелы хвосты распределения.
Странно, но sigma, похоже, увеличилась с пузыря 2017 года. Это означает, что у нас есть более широкий диапазон з

Я обсуждал это в предыдущих постах (, создавая видео, чтобы объяснить все связанные идеи ).
Но это самые стабильные параметры BTC. Это локальные наклоны степенного закона. Их также можно понимать как стабилизированные доходы (инвариантные во времени).
Вы можете восстановить реальные доходы, умножив эти значения на детерминированную функцию времени log( (t+1)/t).
Что это значит?
Биткойн ведет себя инвариантно по отношению к масштабу ( в соответствии с законом степеней ) с самых ранних дней.
Вы также можете видеть колебания вокруг среднего значения из-за пузырей, при которых это значение увеличи

Спасибо @hiyoko_peep за воспроизведение моего исследования стабилизированных доходов.
Это самый важный график для Биткойна.
Это будет вирусным, если понять.
Это единственная стабильная величина в Биткойне. Биткойн демонстрирует такое же поведение с самых ранних дней.
Эти стабилизированные доходности колеблются вокруг медианы, которая, за исключением пузырей, довольно последовательно сохраняется на протяжении многих лет.
Мы можем вывести прошлое, настоящее и будущее поведение Биткойна из этого единственного графика.

Хорошо, вот последняя итерация.
Это правильный способ провести Монте-Карло с Биткойном.
Вы не используете доходы, так как они имеют 2 компонента: стохастический, но также и детерминированный (t+1)/t.
Мы используем распределение масштаба t-location для подгонки наблюдаемого распределения и симуляции сотен траекторий (, показаны лишь немногие из-за ограничений графики TV ).
Таблица показывает диапазон возможных путей на следующие 2 месяца с вероятной вероятностью.
Зеленый указывает на наиболее вероятные конечные результаты, затем желтый и красный - на самые крайние значения в обоих направлениях.

Первая попытка симуляции Монте-Карло с использованием TradingView на основе временно инвариантного распределения наклонов.
Пока не идеально, но когда будет завершено, это должно стать мощным инструментом.