Цінові моделі, засновані на адресах та хешрейті.

На жаль, телевізійні шоу показують лише кілька з цих рядків.
Лінії представляють місцеві похили або "стабілізовані повернення", тобто основні стабільні метрики для Біткойна.
Ми продемонстрували, що вони поводяться схожим чином принаймні протягом останніх 8 років (більше, якщо враховувати тільки їхнє середнє ).
Зелений означає, що ми вище глобального закону про силу, червоний означає, що ми нижче.
Ніколи раніше не траплялося, щоб під час нібито бичачого ринку ми бачили червоні лінії.
Зазвичай він залишається зеленим на всьому шляху.
Цей бичачий ринок інший.

До речі, цей підхід вирішує всі питання, що стосуються регресійного підходу в лог-лог просторі. Чи є OLS регресія кращою за квантильну або байєсівську і так далі. @TheRealPlanC
Цей метод зовсім не залежить від регресії. Він просто починається з припущення, що ми дотримуємося степеневої залежності з невідомим показником.
Тоді ми нормалізуємо спостережувані доходи через log( (t+1)/t), тобто це детермінований компонент зменшуваних доходів.
Ці незалежні від часу доходи повинні мати симетричний розподіл навколо n, якщо ми справді дотримуємося степеневого закону.
Справді, ми спостерігаємо симетричн

Що означає цей графік? Окрім очікуваного зниження доходів, яке визначається формулою ( (t+1)/t)^n, поведінка Біткойна стабільна з 2017 року.
Пухирці були відволіканням, а не справжнім шоу. Справжнє шоу – це коливання навколо закону степеня, які були надзвичайно послідовними в тому, як вони розподілялися відносно середнього за останні 8 років.
Чи буде Біткойн таким послідовним в наступні 8 років, що досягне 1 M?
Ставлю на це.

Цей графік показує, що після 2017 року стабілізовані доходи в основному не відрізняються.
Біткойн поводиться однаково і стабільно з 2017 року.

Розподіли стабілізованих доходів до та після 2017 року.
Мю дуже схожі ( навколо значення 6, що є глобальним закону сили нахилу ), але ви можете легко помітити, що останні значення розподілу більш розкидані і мають важчі хвости.
Біткойн зараз менш контрольований, ніж в минулому.

Отже, цей графік містить усю інформацію, яку вам потрібно знати про поведінку Біткойна.
Розподіл масштабу t-location з mu приблизно 5.91, здається, найкраще підходить для реальних даних. Це стабільний розподіл у часі (, ви можете використовувати всю 16-річну історію даних або зосередитися на даних після 2017 року, якщо хочете бути точнішими ).
Це не ідеально, мені потрібно зрозуміти надлишкові дані, які знаходяться зліва від теоретичного піку розподілу. Але в цілому теоретична крива виконує свою роботу добре.
Це стабільне розподілення можна використовувати для відновлення доходів, множачи на д

Отже, цей графік містить всю інформацію, яку вам потрібно знати про поведінку Біткойна.
Розподіл t-location scale з му приблизно 5.91, здається, найкраще підходить для реальних даних. Це стабільний розподіл у часі ( ви можете використовувати всі 16 історичних даних або зосередитися на даних після 2017 року, якщо хочете бути більш точними ).
Це не ідеально, мені потрібно зрозуміти надлишкові дані, що знаходяться ліворуч від теоретичного піку розподілу. Але в загальному теоретична крива добре справляється.
Цей стабільний розподіл можна використовувати для відновлення доходів, множачи на детермін

Це останній параметр, nu, для розподілу t-локації масштабу. nu вказує, наскільки важкі хвости розподілу ( важкі хвости означають більші, ніж очікувалося, значення в обох напрямках ).
Він мав величезний сплеск під час бульбашки 2017 року, що означає, що хвіст був величезним, з дуже великими викидами.
Оскільки значення залишалося вищим, ніж на початку ( до 2017), але з тих пір досить стабільним.

Розподіл стабільних доходів добре підходить під розподіл t-локації та масштабу.
Цей розподіл має 3 параметри. Му є головним параметром, який пов'язаний із середнім значенням. Ми бачили, що це значення стабільне з часом ( в середньому ), що представляє важливий інваріантний параметр для Bitcoin.
Інші параметри розподілу - це сигма та ню. Сигма представляє, наскільки розсіяний розподіл, а ню розповідає про те, наскільки важкі хвости розподілу.
Дивно, але сигма, здається, збільшилася з 2017 року, коли сталася бульбашка. Це означає, що у нас є більший діапазон значень для прибутку.
Отже, волат

Я обговорював це в попередніх постах (створення відео для пояснення всіх пов'язаних ідей).
Але це найбільш стабільні параметри BTC. Це локальні нахили степеневого закону. Їх також можна розуміти як стабілізовані доходи (інваріантні в часі).
Ви можете відновити реальні доходи, помноживши ці значення на детерміновану функцію часу log( (t+1)/t).
Що це означає?
Той факт, що біткоїн поводиться у масштабно інваріантний спосіб ( за степеневим законом ) з самих ранніх днів.
Ви також можете побачити коливання навколо середнього значення через бульбашки, де це значення зростає.
Дно відповідає місцев

Дякую @hiyoko_peep за повторення мого дослідження стабілізованих доходів.
Це найважливіша графіка для Біткоїна.
Це було б вірусним, якби було зрозумілим.
Це єдиний стабільний обсяг у Bitcoin. Bitcoin демонстрував таку ж поведінку з своїх перших днів.
Ці стабілізовані доходи коливаються навколо медіани, яка, за винятком бульбашок, доволі послідовна протягом років.
Ми можемо вивести минулу, сучасну та майбутню поведінку Bitcoin з цього єдиного графіка.

Добре, ось остання ітерація.
Це правильний спосіб виконання Монте-Карло з Bitcoin.
Ви не використовуєте доходи, оскільки вони мають 2 компоненти: стохастичну, але також і детерміністичну (t+1)/t.
Ми використовуємо розподіл t-location scale для підгонки спостережуваного розподілу та симуляції сотень шляхів (, лише декілька з них показані через графічні обмеження TV ).
Таблиця показує діапазон можливих шляхів на наступні 2 місяці з ймовірною ймовірністю.
Зелений вказує на найбільш ймовірні кінцеві результати, потім жовтий і червоний - найекстремальніші значення в обох напрямках.

Перший експеримент з монте-карло симуляцією, використовуючи TradingView, на основі час-незалежного розподілу схилів.
Ще не ідеально, але коли буде готово, це має стати потужним інструментом.