Od praw mocy do sieci AI: dlaczego złożone modele cen Bitcoinów zapamiętują szum rynkowy

Prognozowanie cen Bitcoinów zgromadziło niezwykle kolorową kolekcję metod.

Mamy podstawowe modele rzadkości, które przekształcają harmonogram halvingu w cenę, oraz typowe modele on-chain, które przekształcają aktywność adresów lub transakcji w wartość.

Wysoko kontrowersyjne wykresy praw mocy rysują wznoszący się korytarz przez historię Bitcoinów, a systemy uczenia maszynowego wprowadzają dane rynkowe i makroekonomiczne do niezwykle złożonego oprogramowania.

Każde z tych podejść bierze udział w wyścigu prognoz cenowych przeciwko bardzo płytkiemu, uproszczonemu przeciwnikowi: naiwnym prognozom, które wykorzystują tylko aktualne informacje rynkowe. Prognoza cenowa może używać dzisiejszej ceny, prognoza zwrotu może używać zera, a prognoza kierunku może używać losowego spaceru.

Wiele literatury akademickiej miało trudności z pokonaniem tego, gdy model opuszcza okres, w którym został zaprojektowany.

Preprint z maja 2026 roku przeglądający badania nad prognozowaniem Bitcoinów autorstwa Carlosa Baquero z Uniwersytetu w Porto doszedł do dość przygnębiającego wniosku: w całym recenzowanym zbiorze żaden model nie wykazał trwałej przewagi nad odpowiednim naiwnym punktem odniesienia w horyzontach od jednego do sześciu miesięcy w różnych reżimach rynkowych.

Literatura zawiera setki prac, podczas gdy Baquero wybrał 23 do dokładnej analizy na podstawie ich metod, wpływu lub wykorzystania rzeczywistej oceny poza próbką. Sam przegląd wciąż czeka na recenzję, co jest ważnym wyróżnieniem, gdy jednym z jego centralnych argumentów jest to, że roszczenia dotyczące prognozowania potrzebują silniejszej oceny.

Prognozy przepływu zamówień na krótkie horyzonty i codzienne zwroty zajmują osobne pole, a niektóre z nich przyniosły rzeczywistą wartość predykcyjną. Dyskusje online często mieszają je z prognozami cen na dłuższe horyzonty i modelami wyceny, chociaż każde zadanie wymaga innej odpowiedzi.

Formuła opisująca historyczną ścieżkę Bitcoinów niewiele mówi nam o kierunku jutra, podczas gdy model kierunku codziennego niewiele mówi o cenie za sześć miesięcy.

Najłatwiejszy rywal w finansach

Naiwne prognozowanie działa, ponieważ ceny finansowe są trwałe, więc model przewidujący 100 100 dolarów jutro, gdy Bitcoin handluje po 100 000 dolarów dzisiaj, może wygenerować niewielki procent błędu, nawet gdy nie nauczył się prawie niczego o kierunku lub zwrocie.

Dzisiejsza cena byłaby prawie tak samo dokładna, a ocena tylko pierwszego modelu daje mu zasługi za informacje, które rynek już dostarczył.

Punkt odniesienia staje się bardziej wymagający w miarę wydłużania horyzontu, ponieważ Bitcoin może poruszać się gwałtownie w ciągu miesiąca, dając prognozującemu przestrzeń na dodanie wartości, podczas gdy relacje, które model uczy, zanikają w miarę ewolucji rynku.

Reguła skalibrowana do cyklu prowadzonego przez detalistów w 2017 roku napotkała inną strukturę instrumentów pochodnych w 2021 roku, a spot ETF-y stworzyły inną drogę dla kapitału i odkrywania cen w 2024 roku. Każda era dostarcza danych historycznych z wersji rynku, która już nie istnieje w tej samej formie.

Problem ten, znany jako niestacjonarność, pojawia się, gdy relacje między zmiennymi nie pozostają wystarczająco stabilne, aby przeszłe obserwacje mogły opisać przyszłość.

Baza użytkowników Bitcoinów i płynność ewoluowały w czasie, podczas gdy regulacje i dostęp zmieniły to, kto może handlować i jak. Model może uchwycić relację w jednym okresie i stracić ją, gdy rynek wokół aktywa ewoluuje.

Francesco Puoti, Fabrizio Pittorino i Manuel Roveri osiągnęli podobny wynik w badaniu porównującym prognozy statystyczne, uczenia maszynowego i głębokiego uczenia. Zastosowali 12 podejść do pięciu głównych kryptowalut na horyzontach jednego dnia, siedmiu dni i 30 dni.

Proste modele naiwnych prognoz konsekwentnie produkowały lepsze prognozy niż ARIMA, Prophet, lasy losowe, XGBoost, sieci LSTM i N-BEATS.

Wynik mówi więcej o dostępnych informacjach niż o wyrafinowaniu każdej metody. Złożony model może dodać wartość, gdy istnieją stabilne wzorce do nauczenia się, a może zapamiętać szum, gdy te wzorce są słabe lub tymczasowe.

Bitcoin oferuje ogromne ilości danych, ale liczba niezależnych cykli rynkowych, przez które przeszedł, wciąż jest dość mała. Miliony minutowych słupków wciąż powtarzają obserwacje z tego samego rynku niedźwiedzia z 2018 roku lub tego samego szoku płynności z 2020 roku.

Jak testy wsteczne stają się kryształową kulą do przewidywania ceny Bitcoina

Wiele modeli Bitcoina wygląda na najsilniejsze, gdy ich twórcy widzieli cały historyczny okres użyty do ich zbudowania. Badacze mogą próbować różnych zmiennych i okien czasowych, przesuwać datę początkową lub zamieniać jedną architekturę na inną przed opublikowaniem najlepszego wyniku.

Zwycięzca mógł odkryć trwały związek, ale mógł też wygrać dużą loterię przeprowadzoną na tej samej historii cenowej, co jest znane jako nadmierne dopasowanie testów wstecznych.

David Bailey i jego współautorzy sformalizowali problem w swoich badaniach dotyczących prawdopodobieństwa nadmiernego dopasowania testów wstecznych. Próba większej liczby wariantów modelu zwiększa szanse na znalezienie doskonałego wyniku historycznego przez przypadek. Wybieranie zwycięzcy i przedstawianie tylko jego wyników ukrywa liczbę nieudanych prób, które umożliwiły zwycięstwo.

Jedno chronologiczne podział oferuje niewielką ochronę, ponieważ badacz może trenować do 2020 roku i oceniać model w 2021 roku, co prowadzi do pozornie wyników spoza próbki, które w dużej mierze zawdzięczają swoją wydajność jednemu rynkowi byka.

Ocena w trybie walk-forward jest silniejsza, ponieważ model wielokrotnie trenuje na danych z przeszłości i prognozuje następny niewidoczny okres. Wiele niepokrywających się okien próbnych jest jeszcze silniejsze, ponieważ zmusza tę samą metodę do napotkania rynków byka, krachów, okresów bocznych i różnych warunków płynności.

Wśród recenzowanych prac, które zbadał Baquero, żadna nie oceniła tego samego podejścia w kilku niepokrywających się oknach próbnych obejmujących różne reżimy. Najsilniejsze prace stosowały ocenę w trybie rolling lub walk-forward przez jeden ciągły okres spoza próbki.

Te metody dostarczają rzeczywistych dowodów, ale pojedynczy zbiorczy błąd może nadal ukrywać porażkę w jednej sekcji za sukcesem w innej.

Wycieki informacji mogą również prowadzić do fałszywej pewności, ponieważ cecha obliczona na podstawie przyszłych danych może dać modelowi słabe pojęcie o odpowiedzi. Ten sam problem występuje, gdy normalizujesz zmienne w całej próbce, a pokrywające się okna zwrotów mogą przenosić przyszłe obserwacje przez granicę treningu.

Błąd może być na tyle subtelny, że przetrwa recenzję, zwłaszcza gdy skomplikowana architektura wprowadza kilka transformacji między surowymi danymi a zgłoszoną prognozą.

Sam wskaźnik może pochlebiać modelowi, gdy twierdzenie o 99% dokładności odnosi się do tego, jak blisko przewidywany poziom ceny podąża za rzeczywistą ceną, co jest stosunkowo łatwym zadaniem dla trwałej serii.

Handlowcy interesują się kierunkiem i wielkością ruchu, a także kosztem działania na nim. Modele, które przewidują 100 500 USD, gdy Bitcoin przechodzi z 100 000 USD do 99 500 USD, mają mały błąd cenowy i nadal dokonują złego handlu.

Formuły, które przetrwają swoje prognozy

Najbardziej znane ramy wyceny Bitcoina prosperują, ponieważ przekształcają to, co oczywiście jest bardzo skomplikowanym aktywem, w ładne, intuicyjne wyjaśnienie.

Na przykład, stock-to-flow mówi, że niedobór napędza wartość, a każde halving zmniejsza nową podaż w stosunku do istniejącego zapasu.

Modele w stylu Metcalfe'a mówią, że sieć staje się bardziej wartościowa, gdy jej baza użytkowników się rozszerza.

Prawo potęgowe mówi, że długa historia Bitcoina podąża za stabilnym matematycznym związkiem między ceną a czasem.

Każda z tych idei zawiera wiarygodną intuicję ekonomiczną, ale jej rekord prognozowania zależy od tego, czy dopasowany związek przetrwa nowe dane i czy prostsze wyjaśnienia uwzględniają ten sam wynik.

Analiza przeprowadzona przez Alexandra Sheltona w 2024 roku, opublikowana w recenzowanym czasopiśmie, wykazała, że zmienne stock-to-flow i Metcalfe pomogły wyjaśnić zwroty w próbie, ale miały ograniczoną lub zerową zdolność prognozowania poza próbką.

Gdy efekty czasowe zostały uwzględnione w regresji stock-to-flow, jego siła statystyczna zniknęła. Współczynnik podaży Bitcoina rośnie według ustalonego harmonogramu, a jego cena również wzrastała przez dużą część jego historii, co sprawia, że dwa powiązane czasowo szereg wyglądają na ekonomicznie związane.

Zauważyliśmy tę słabość na rynku długo przed jej formalnym przeglądem. Model stock-to-flow oddalił się od ceny Bitcoina, gdy aktywa handlowały poniżej swojej prognozowanej ścieżki przez lata.

Utrzymująca się rozbieżność może być absorbowana przez redefinicję wyniku jako długoterminowej wartości lub średniej cyklu, chociaż każda redefinicja utrudnia ocenę pierwotnego roszczenia cenowego. Wykres porównuje cenę Bitcoina z modelem stock-to-flow i wariancją modelu od 2010 do 2026 roku. Źródło: CoinGlass

Prawo Metcalfe'a stoi przed pokrewnym problemem identyfikacji, ponieważ aktywność sieciowa i cena mogą wzrastać razem, gdy adopcja podnosi wartość, gdy wyższa cena przyciąga użytkowników lub gdy obie zmienne podążają za wspólną ścieżką czasową.

Savva Shanaev i jego współautorzy użyli zmiennych instrumentalnych w badaniu kosztów wydobycia, aktywności sieciowej i wartości kryptowalut w sześciu aktywach proof-of-work. Gdy zajęli się autokorelacją i dwukierunkowym związkiem między aktywnością a ceną, pozytywne efekty przypisane do hashrate i liczby transakcji zniknęły.

Modele prawa potęgowego znajdują się w znacznie bardziej skomplikowanej sytuacji, ponieważ ich korytarze uchwyciły dużą część historycznej ścieżki Bitcoina i zapewniają praktyczny język wizualny do omawiania, gdzie cena leży w stosunku do długoterminowej krzywej.

Raporty na temat modelu prawa potęgowego Bitcoina również pokazały, jak struktura rynku ery ETF może zmieniać siły wpływające na cenę w tym korytarzu. Wykres przedstawia cenę Bitcoina od 2011 roku w ramach wsparcia logarytmicznego, oporu i pasm regresji liniowej prognozowanych do 2040 roku. Źródło: Bitbo

Problem akademicki leży w sile wnioskowania. Wysoki współczynnik R-kwadrat na wykresie log-log ustala, że linia pasuje do obserwowanej próbki. Formalne wsparcie dla prawa potęgowego wymaga również dowodów dotyczących rozkładu reszt i porównań z innymi funkcjami czasowymi.

Badacze musieliby następnie zbadać wrażliwość na datę początkową i wyniki w przyszłych obserwacjach. Przegląd Baquero wykazał, że obecna literatura dotycząca prawa potęgowego Bitcoina nie zakończyła jeszcze tej pracy.

Uczciwy standard prognozowania publikowałby naiwne benchmarki obok modelu i raportowałby każdy reżim rynkowy osobno. Koszty handlowe powinny być uwzględnione w wynikach, podczas gdy publiczny kod i dane pozwalają innym badaczom je powtórzyć.

Artykuł powinien również ujawniać, ile wariacji zostało podjętych, ponieważ ta liczba określa, jak zaskakujący jest rzeczywisty test wsteczny. Narracje wyceny muszą być oddzielone od prognoz punktowych, a zgłoszony zakres powinien odzwierciedlać niepewność aktywów.

Każdy termin korekcyjny powinien pozwalać na wartość zero, pozwalając modelowi dojść do wniosku, że dzisiejsza cena jest jego najlepszą prognozą.

To zakończenie zawsze będzie miało trudności w Internecie, ponieważ nie oferuje dramatycznego celu ani daty do zaznaczenia. Ma jedną zaletę, której rynek prognozowania rzadko reklamuje: mówi nam dokładnie, ile model wie poza ceną już widoczną dla wszystkich.

Niniejsza treść ma charakter wyłącznie informacyjny i nie stanowi porady finansowej, inwestycyjnej, prawnej ani podatkowej. Wszelkie wydarzenia, nagrody, promocje online lub powiązane informacje, o których tu mowa, nie powinny być traktowane jako rekomendacja, zachęta ani zaproszenie do kupna, sprzedaży, wymiany lub innego rodzaju obrotu aktywami kryptograficznymi. Aktywa kryptograficzne charakteryzują się dużą zmiennością i mogą prowadzić do strat. Dostępność usług, produktów i powiązanych wydarzeń WEEX może się różnić w zależności od regionu. Użytkownik jest odpowiedzialny za upewnienie się, że jego udział jest zgodny z obowiązującymi lokalnymi przepisami i regulacjami.