Від законів потужності до мереж ШІ: чому складні моделі ціни Bitcoin запам'ятовують ринковий шум

Прогнозування ціни Bitcoin накопичило незвично різноманітну колекцію методів.

Є базові моделі дефіциту, які перетворюють графік зменшення винагороди на ціну, та звичайні ончейн-моделі, які перетворюють активність адрес або транзакцій на вартість.

Суперечливі графіки потужності малюють висхідний коридор через історію Bitcoin, а системи машинного навчання вводять ринкові та макроекономічні дані в надзвичайно складне програмне забезпечення.

Кожен з цих підходів вступає в змагання з прогнозування цін проти дуже поверхневого, спрощеного суперника: наївних прогнозів, які використовують лише поточну ринкову інформацію. Прогноз ціни може використовувати ціну сьогодні, прогноз повернення може використовувати нуль, а прогноз напрямку може використовувати випадкову прогулянку.

Багато академічної літератури намагалися перевершити його, як тільки модель виходить з періоду, для якого вона була розроблена.

Препринт травня 2026 року, що переглядає дослідження прогнозування Bitcoin Карлоса Бакеро з Університету Порту, досяг досить гнітючого висновку: у всьому рецензованому запису жодна модель не продемонструвала тривалу перевагу над відповідним наївним еталоном на горизонтах від одного до шести місяців у кількох ринкових режимах.

Література містить сотні статей, тоді як Бакеро вибрав 23 для детального вивчення на основі їх методів, впливу або використання справжньої оцінки поза вибіркою. Сам огляд все ще чекає на рецензування, що є важливим відмінністю, коли одним з його центральних аргументів є те, що прогнози потребують більш сильної оцінки.

Прогнози короткострокового потоку замовлень та щоденних повернень займають окрему галузь, і деякі з них справді мають прогностичну цінність. Онлайн-дискусії часто змішують їх з прогнозами цін на довгострокову перспективу та моделями оцінки, хоча кожне завдання вимагає різних відповідей.

Формула, що описує історичний шлях Bitcoin, мало говорить про напрямок завтрашнього дня, тоді як модель щоденного напрямку мало говорить про ціну через шість місяців.

Найлегший суперник у фінансах

Наївне прогнозування працює, оскільки фінансові ціни є постійними, тому модель, що прогнозує $100,100 завтра, коли Bitcoin торгується за $100,000 сьогодні, може виробити невелику процентну помилку, навіть якщо вона майже нічого не дізналася про напрямок або повернення.

Сьогоднішня ціна була б майже такою ж точною, а оцінка лише першої моделі надає їй кредит за інформацію, яку ринок вже надав.

Еталон стає більш вимогливим, оскільки горизонт розширюється, оскільки Bitcoin може рухатися різко протягом місяця, надаючи прогнозисту можливість додати цінність, тоді як зв'язки, які модель вивчає, зникають, оскільки ринок еволюціонує.

Правило, налаштоване на цикл, що ведеться роздрібною торгівлею 2017 року, зіткнулося з іншою структурою деривативів у 2021 році, а спотові ETF створили ще один шлях для капіталу та відкриття цін у 2024 році. Кожна епоха постачає історичні дані з версії ринку, яка більше не існує в такій самій формі.

Ця проблема, відома як нестійкість, виникає, коли зв'язки між змінними не залишаються достатньо стабільними, щоб минулі спостереження описували майбутнє.

Користувацька база Bitcoin та ліквідність еволюціонували з часом, тоді як регулювання та доступ змінили, хто може його торгувати і як. Модель може захопити зв'язок під час одного періоду і втратити його, коли ринок навколо активу еволюціонує.

Франческо Пуеті, Фабріціо Пітторіно та Мануель Роверi досягли подібного результату в дослідженні, що порівнює статистичні, машинно-навчальні та глибокі прогнози. Вони застосували 12 підходів до п'яти основних криптовалют на горизонтах одного дня, семи днів та 30 днів.

Прості наївні моделі постійно давали кращі прогнози, ніж ARIMA, Prophet, випадкові ліси, XGBoost, мережі LSTM та N-BEATS.

Результат говорить більше про доступну інформацію, ніж про складність кожного методу. Складна модель може додати цінність, коли існують стабільні шаблони, які вона може вивчити, і вона може запам'ятовувати шум, коли ці шаблони слабкі або тимчасові.

Біткоїн пропонує величезні обсяги даних, але кількість незалежних ринкових циклів, через які він пройшов, все ще досить мала. Мільйони хвилинних барів продовжують повторювати спостереження з того ж ведмежого ринку 2018 року або того ж шоку ліквідності 2020 року.

Як тестування назад стає кришталевою кулею для прогнозування ціни біткоїна

Багато моделей біткоїна виглядають найсильнішими, коли їх творці побачили весь історичний період, використаний для їх побудови. Дослідники можуть спробувати різні змінні та вікна огляду, змінити дату початку або замінити одну архітектуру на іншу перед публікацією найкращого результату.

Переможець міг виявити стійкий зв'язок, але він також міг виграти велику лотерею, проведену на тій же ціновій історії, результат, відомий як перенавчання тестування назад.

Девід Бейлі та його співавтори формалізували цю проблему у своєму дослідженні ймовірності перенавчання тестування назад. Спроба більшої кількості варіацій моделей підвищує шанси на знаходження відмінного історичного результату випадково. Вибір переможця та представлення його результатів самостійно приховує кількість невдалих спроб, які зробили переможця можливим.

Один хронологічний розподіл пропонує мало захисту, оскільки дослідник може навчити модель на даних 2020 року та оцінити модель у 2021 році, отримуючи, здавалося б, результат поза вибіркою, який багато в чому зобов'язаний одному бичачому ринку.

Оцінка в ході є більш сильною, оскільки модель повторно навчається на минулих даних і прогнозує наступний невидимий період. Кілька неперекриваючих вікон утримання є ще сильнішими, оскільки вони змушують той же метод стикатися з бичачими ринками, крахами, бічними періодами та різними умовами ліквідності.

Серед рецензованих статей, які вивчав Бакеро, жодна не оцінювала той же підхід через кілька неперекриваючих вікон утримання, що охоплюють різні режими. Найсильніші статті використовували ковзну або оцінку в ході протягом одного безперервного періоду поза вибіркою.

Ці методи надають реальні докази, але одна загальна помилка все ще може приховувати невдачу в одній частині за успіхом в іншій.

Витік інформації також може призвести до помилкового впевненості, оскільки ознака, розрахована з майбутніми даними, може дати моделі слабке уявлення про відповідь. Ви стикаєтеся з тією ж проблемою, коли нормалізуєте змінні по всій вибірці, а перекриваючі вікна повернення можуть перенести майбутні спостереження через межу навчання.

Помилка може бути настільки тонкою, що переживе рецензію, особливо коли складна архітектура ставить кілька перетворень між сирими даними та звітом про прогноз.

Сам показник може лестити моделі, коли ствердження про 99% точності стосується того, наскільки близько прогнозований рівень ціни слідує за фактичною ціною, що є відносно простим завданням для постійної серії.

Трейдери цікавляться напрямком і розміром руху, а також вартістю дій на ньому. Моделі, які прогнозують $100,500, коли біткоїн рухається з $100,000 до $99,500, мають невелику цінову помилку і все ще здійснюють неправильну угоду.

Формули, які переживають свої прогнози

Найвідоміші оцінкові рамки біткоїна процвітають, оскільки вони перетворюють те, що очевидно є дуже складним активом, на приємне, інтуїтивне пояснення.

Наприклад, модель stock-to-flow говорить, що дефіцит є тим, що рухає цінність, при кожному зменшенні нове постачання зменшується відносно існуючого запасу.

Моделі в стилі Меткалфа говорять, що мережа стає більш цінною в міру розширення її користувацької бази.

Закон потужності говорить, що довга історія біткоїна слідує стабільному математичному зв'язку між ціною та часом.

Кожна з цих ідей містить правдоподібну економічну інтуїцію, але її прогнозна запис залежить від того, чи витримує підігнаний зв'язок нові дані і чи простіші пояснення враховують той же результат.

Огляд Александра Шелтона 2024 року, що пройшов рецензування, виявив, що змінні stock-to-flow та Меткалфа допомогли пояснити прибутковість у вибірці, але мали обмежену або нульову прогностичну здатність за межами вибірки.

Коли в регресію stock-to-flow були введені часові ефекти, її статистична сила зникла. Співвідношення пропозиції Bitcoin зростає за заздалегідь визначеним графіком, а його ціна також зростала протягом більшої частини його історії, що робить дві часові серії економічно пов'язаними.

Ми спостерігали цю слабкість на ринку задовго до того, як вона з'явилася в офіційному огляді. Модель stock-to-flow відхилилася від ціни Bitcoin, оскільки актив торгувався нижче свого прогнозованого шляху протягом років.

Постійне відхилення можна поглинути, переосмисливши вихід як довгострокову цінність або середнє за циклом, хоча кожне таке переосмислення ускладнює оцінку початкового цінового твердження. Графік порівнює ціну Bitcoin з моделлю stock-to-flow та варіацією моделі з 2010 по 2026 рік. Джерело: CoinGlass

Закон Меткалфа стикається з пов'язаною проблемою ідентифікації, оскільки активність мережі та ціна можуть зростати разом, коли прийняття підвищує цінність, коли вища ціна приваблює користувачів або коли обидві змінні слідують спільному часовому шляху.

Савва Шанаєв та його співавтори використовували інструментальні змінні в шести активів proof-of-work у дослідженні витрат на видобуток, активності мережі та цінності криптовалюти. Після того, як вони вирішили проблему автокореляції та двосторонніх зв'язків між активністю та ціною, позитивні ефекти, приписувані хешрейту та кількості транзакцій, зникли.

Моделі степеневих законів перебувають у набагато складнішій позиції, оскільки їх коридори захопили більшу частину історичного шляху Bitcoin і забезпечують практичну візуальну мову для обговорення того, де ціна знаходиться відносно довгострокової кривої.

Звіти про модель степеневого закону Bitcoin також показали, як структура ринку ери ETF може змінювати сили, що впливають на ціну в межах цього коридору. Графік показує ціну Bitcoin з 2011 року в межах логарифмічної підтримки, опору та лінійно-регресійних смуг, спроектованих до 2040 року. Джерело: Bitbo

Академічна проблема полягає в силі висновку. Високий R-квадрат на лог-лог графіку встановлює, що лінія підходить до спостережуваної вибірки. Формальна підтримка степеневого закону також вимагає доказів про розподіл залишків та порівняння з іншими часовими функціями.

Дослідникам тоді потрібно буде вивчити чутливість до дати початку та продуктивність на майбутніх спостереженнях. Огляд Бакиро виявив, що сучасна література про степеневий закон Bitcoin ще не завершила цю роботу.

Чесний стандарт прогнозування публікував би наївний еталон поряд з моделлю та звітував би про кожний ринковий режим окремо. Торгові витрати повинні бути включені в результати, тоді як публічний код і дані дозволяють іншим дослідникам відтворити це.

Стаття також повинна розкрити, скільки варіацій було спробувано, оскільки ця кількість визначає, наскільки несподіваним є виграшний зворотний тест. Наративи оцінки потрібно відокремити від точкових прогнозів, а звітний діапазон повинен відображати невизначеність активу.

Будь-який коригувальний термін повинен дозволяти значення нуля, дозволяючи моделі зробити висновок, що сьогоднішня ціна є її найкращим прогнозом.

Цей висновок завжди буде важко сприймати онлайн, оскільки він не пропонує драматичної мети і жодної дати для обведення в коло. Він має одну перевагу, яку базар прогнозів рідко рекламує: він точно говорить нам, скільки модель знає, виходячи з ціни, вже видимої всім.

Цей контент надано лише для загальних інформаційних цілей і не є фінансовою, інвестиційною, юридичною чи податковою консультацією. Події, нагороди, онлайн-акцій або пов’язану інформацію, згадана тут, не слід розглядати як рекомендацію, прохання чи запрошення до купівлі, продажу, торгівлі чи інших операцій з криптоактивами. Криптоактиви є дуже волатильними та можуть призвести до збитків. Доступність послуг, продуктів WEEX та пов’язаних із ними подій може відрізнятися залежно від регіону. Ви несете відповідальність за забезпечення відповідності вашої участі чинному місцевому законодавству та нормативним актам.