链上数据学堂（七）：一套崭新、ARK 参与研究的 BTC 神奇定价方法论（II）

本文为 链上数据学堂 系列文章 第 7 篇，共有 10 篇。带您一步步认识链上数据分析，欢迎有兴趣的读者追踪本系列文章。 （前情提要：链上数据学堂（六）：一套崭新、ARK 参与研究的 BTC 神奇定价方法论（I） ） （背景补充：链上数据学堂（一）：你知道全市场的 BTC 平均成本是多少吗？ ） TLDR Cointime Price 系列文章将分为三篇，这是第二篇 强烈建议先阅读本系列的前一篇文章！ 本文将介绍 Cointime Price 的其中一种逃顶应用方法论 个人模型分享：Cointime Price 偏离度模型 Cointime Price 简易复习 Cointime Price 是 Cointime Economics 中提出的概念，透过「时间加权」的设计，对 BTC 的公允价格进行评估，相较於单纯的 LTH、STH 更为弹性、更为敏感。 同时，在这个设计框架下，也能有效排除远古时期已丢失筹码的影响。 如果是对于 Cointime Price 还不熟悉的读者，强烈建议先阅读前一篇文章！ 逃顶应用方法论：Cointime Price Deviation 模型 Cointime Price Deviation 是我个人在研究链上数据时设计的模型之一，下文将讲解此模型的设计原理，以及我们将如何使用这个模型进行逃顶判断。 一、将现价与 Cointime Price 的偏离程度进行量化 由于 Cointime Price 很高程度的代表了 BTC 筹码的真实持仓成本，更精确来说，是「长期持有者」的持仓成本（因为持有时间愈长，对 Cointime Price 的影响愈大）。 因此，当现价与 Cointime Price 偏离太多时，理论上会提升长期持有者获利了结的动机，将筹码进行派发。 我将偏离率（派发比率）的公式设计如下： 偏离率 =（现价 – Cointime Price）/ 现价 如图，我们便可得出派发比率的状况（紫色线）。 可以看到：每当派发比率处于高位时，都是对应顶部的位置。 既然如此，那何谓「高位」？ 个人在此将采用统计学的方式定义高位，细节如下。 二、Cointime Price Deviation 的极端值定义 各位可以再看一次上面那张图，会发现其实 Deviation 的高位并不容易定义。 每一轮牛市顶部对应的 Deviation 峰值，都有略微下降的迹象，因此单纯以一个固定的数字去定义高位，显然不严谨。 在解决上，我采用了统计学中「标准差」的概念： 计算历史 Deviation 数值的平均数与标准差 将「平均数 + n 个标准差」定义为「高位」，下称 Threshold 再对 Deviation 数值进行均线平滑化处理 当 Deviation 的均线值 > Threshold 时，显示顶部讯号 如上图所示，进行上述的处理后，可以得出这样的一张图。 在此补充两点： 上述「平均数 + n 个标准差」中的「n」是可调参数，当 n 愈大，讯号出现的条件就会愈严格 上述的「均线平滑化处理」，主要目的是为了过滤杂讯 将图二紫色线超出橘色线的部分，标记于价格图表上后，可得到如上图的讯号。 结语 以上就是链上数据学堂（七）的全部内容，后续还会有一篇针对 Cointime Price 的详细教学，有兴趣更深入学习链上数据分析的读者，记得务必追踪本系列文章！ 如果想看到更多关于链上数据的分析、教学内容，也欢迎追踪我的推特（X）帐号！ 希望本文有帮助到你，感谢阅读。 相关报导 链上数据学堂（二）：老是赚钱的 Hodlers 们，他们买 BTC 的成本是多少？ 链上数据学堂（三）：底部吸筹的庄家们获利了结了吗？ 链上数据学堂（四）：视觉化的 BTC 筹码价位分布图〈链上数据学堂（七）：一套崭新、ARK 参与研究的 BTC 神奇定价方法论（II）〉这篇文章最早发布于动区BlockTempo《动区动趋-最具影响力的区块链新闻媒体》。