От законов силы до ИИ-сетей: почему сложные модели цен на биткойн запоминают рыночный шум

Прогнозирование цен на биткойн накопило необычно разнообразные методы.

Существуют базовые модели дефицита, которые преобразуют график халвинга в цену, и обычные ончейн-модели, которые превращают активность адресов или транзакций в ценность.

Сильно оспариваемые графики законов силы рисуют восходящий коридор через историю биткойна, а системы машинного обучения вводят рыночные и макроэкономические данные в невероятно сложное программное обеспечение.

Каждый из этих подходов участвует в конкурсе прогнозирования цен против очень поверхностного, упрощенного соперника: наивных прогнозов, которые используют только текущую рыночную информацию. Прогноз цены может использовать сегодняшнюю цену, прогноз доходности может использовать ноль, а прогноз направления может использовать случайное блуждание.

Многочисленная академическая литература испытывала трудности с тем, чтобы превзойти его, как только модель покидала период, для которого она была разработана.

Предварительная версия исследования прогнозирования биткойна, проведенная Карлосом Бакеро из Университета Порту в мае 2026 года, пришла к довольно печальному выводу: среди рецензируемых публикаций ни одна модель не продемонстрировала устойчивое превосходство над соответствующим наивным эталоном на горизонтах от одного до шести месяцев в различных рыночных режимах.

Литература содержит сотни статей, в то время как Бакеро выбрал 23 для тщательного изучения на основе их методов, влияния или использования подлинной оценки вне выборки. Сам обзор все еще ожидает рецензирования, что является важным отличием, когда одним из его центральных аргументов является то, что прогнозы требуют более строгой оценки.

Прогнозы краткосрочного потока заказов и ежедневной доходности занимают отдельную область, и некоторые из них действительно обеспечили предсказательную ценность. Онлайн-дискуссии часто смешивают их с долгосрочными прогнозами цен и моделями оценки, хотя каждая задача требует другого ответа.

Формула, описывающая исторический путь биткойна, мало говорит о направлении завтрашнего дня, в то время как модель ежедневного направления говорит мало о цене через шесть месяцев.

Самый простой соперник в финансах

Наивное прогнозирование работает, потому что финансовые цены являются устойчивыми, поэтому модель, предсказывающая $100,100 завтра, когда биткойн торгуется по $100,000 сегодня, может производить небольшую процентную ошибку, даже когда она почти ничего не узнала о направлении или доходности.

Сегодняшняя цена была бы почти столь же точной, и оценка только первой модели дает ей кредит за информацию, которую рынок уже предоставил.

Эталон становится более требовательным по мере расширения горизонта, потому что биткойн может резко колебаться в течение месяца, предоставляя прогнозисту возможность добавить ценность, в то время как отношения, которые модель изучает, распадаются по мере эволюции рынка.

Правило, откалиброванное на цикл, возглавляемый розничной торговлей в 2017 году, столкнулось с другой структурой производных в 2021 году, а спотовые ETF создали другой путь для капитала и ценового открытия в 2024 году. Каждая эпоха предоставляет исторические данные из версии рынка, которая больше не существует в том же виде.

Эта проблема, известная как нестционарность, возникает, когда отношения между переменными не остаются достаточно стабильными, чтобы прошлые наблюдения могли описывать будущее.

База пользователей биткойна и ликвидность со временем эволюционировали, в то время как регулирование и доступ изменили то, кто может торговать им и как. Модель может захватить отношение в один период и потерять его, когда рынок вокруг актива эволюционирует.

Франческо Пиути, Фабрицио Питторино и Мануэль Ровери достигли аналогичного результата в исследовании, сравнивающем статистические, машинные и глубокие прогнозы. Они применили 12 подходов к пяти основным криптовалютам на горизонтах в один день, семь дней и 30 дней.

Простые наивные модели последовательно давали лучшие прогнозы, чем ARIMA, Prophet, случайные леса, XGBoost, сети LSTM и N-BEATS.

Результат говорит больше о доступной информации, чем о сложности каждого метода. Сложная модель может добавлять ценность, когда существуют стабильные шаблоны, которые она может изучить, и она может запоминать шум, когда эти шаблоны слабы или временные.

Биткойн предлагает огромное количество данных, но количество независимых рыночных циклов, через которые он прошел, все еще довольно мало. Миллионы минутных баров продолжают повторять наблюдения из того же медвежьего рынка 2018 года или того же шока ликвидности 2020 года.

Как бэктест становится хрустальным шаром для прогнозирования цены Биткойна

Многие модели Биткойна выглядят наиболее убедительно, когда их создатели видели весь исторический период, использованный для их построения. Исследователи могут пробовать различные переменные и временные окна, изменять дату начала или заменять одну архитектуру на другую, прежде чем опубликовать лучший результат.

Победитель мог обнаружить устойчивую зависимость, но он также мог выиграть в крупной лотерее, проведенной на той же ценовой истории, результат, известный как переобучение бэктеста.

Дэвид Бейли и его соавторы формализовали эту проблему в своем исследовании вероятности переобучения бэктеста. Попытка большего количества вариаций модели повышает шансы на нахождение отличного исторического результата случайным образом. Выбор победителя и представление его производительности в одиночку скрывает количество неудачных попыток, которые сделали победителя возможным.

Единственное хронологическое разделение предлагает мало защиты, потому что исследователь может обучаться до 2020 года и оценивать модель в 2021 году, получая, казалось бы, результат вне выборки, который во многом обязан своей производительностью одному бычьему рынку.

Оценка с использованием метода walk-forward более надежна, потому что модель многократно переобучается на прошлых данных и прогнозирует следующий невидимый период. Множественные неперекрывающиеся окна удержания еще более надежны, потому что они заставляют один и тот же метод сталкиваться с бычьими рынками, крахами, боковыми периодами и различными условиями ликвидности.

Среди рецензируемых статей, которые изучал Бакеро, ни одна не оценивала один и тот же подход через несколько неперекрывающихся окон удержания, охватывающих разные режимы. Наиболее сильные статьи использовали скользящую или walk-forward оценку на протяжении одного непрерывного периода вне выборки.

Эти методы предоставляют реальные доказательства, но одна агрегированная ошибка все еще может скрывать неудачу в одном разделе за успехом в другом.

Утечка информации также может привести к ложной уверенности, потому что функция, рассчитанная с использованием будущих данных, может дать модели смутное представление о ответе. Вы сталкиваетесь с той же проблемой, когда нормализуете переменные по всей выборке, и перекрывающиеся окна доходности могут переносить будущие наблюдения через границу обучения.

Ошибка может быть достаточно тонкой, чтобы пережить рецензирование, особенно когда сложная архитектура ставит несколько преобразований между сырыми данными и отчетным прогнозом.

Сам метрический показатель может льстить модели, когда утверждение о 99% точности относится к тому, насколько близко предсказанный уровень цены следует за фактической ценой, что относительно легко для постоянной серии.

Трейдеры заботятся о направлении и размере движения, а также о стоимости действий на основе этого. Модели, которые предсказывают $100,500, когда Биткойн движется от $100,000 до $99,500, имеют небольшую ценовую ошибку и все равно совершают неправильную сделку.

Формулы, которые переживают свои прогнозы

Наиболее известные оценочные модели Биткойна процветают, потому что они превращают то, что очевидно, в очень сложный актив, в приятное, интуитивное объяснение.

Например, stock-to-flow говорит, что дефицит является тем, что движет ценностью, при этом каждое уменьшение вдвое снижает новое предложение относительно существующего запаса.

Модели в стиле Меткалфа говорят, что сеть становится более ценной по мере расширения ее пользовательской базы.

Закон мощности говорит, что долгая история Биткойна следует стабильной математической зависимости между ценой и временем.

Каждая из этих идей содержит правдоподобную экономическую интуицию, но ее прогнозирующая запись зависит от того, выживает ли подогнанная зависимость на новых данных и учитывают ли более простые объяснения тот же результат.

Экзамен Александра Шелтона, рецензируемый в 2024 году, показал, что переменные stock-to-flow и Меткалфа помогли объяснить доходность в выборке, но предложили ограниченные или нулевые предсказательные способности вне выборки.

Как только временные эффекты вошли в регрессию stock-to-flow, его статистическая сила исчезла. Соотношение предложения Биткойна увеличивается по заранее установленному графику, и его цена также росла большую часть своей истории, что делает две временные связанные серии экономически связанными.

Мы увидели эту слабость на рынке задолго до того, как она появилась в официальном обзоре. Модель stock-to-flow отклонилась от цены Биткойна, когда актив торговался ниже своего предполагаемого пути в течение многих лет.

Постоянное расхождение может быть поглощено переопределением выхода как долгосрочной ценности или среднего цикла, хотя каждое переопределение усложняет оценку первоначального ценового утверждения. График сравнивает цену Биткойна с моделью stock-to-flow и вариацией модели с 2010 по 2026 год. Источник: CoinGlass

Закон Меткалфа сталкивается с аналогичной проблемой идентификации, поскольку активность сети и цена могут расти вместе, когда принятие повышает ценность, когда более высокая цена привлекает пользователей, или когда обе переменные следуют общему временно́му пути.

Савва Шанаев и его соавторы использовали инструментальные переменные по шести активам с доказательством работы в исследовании затрат на майнинг, активности сети и ценности криптовалюты. Как только они учли автокорреляцию и двусторонние отношения между активностью и ценой, положительные эффекты, приписываемые хешрейту и количеству транзакций, исчезли.

Модели степенной зависимости находятся в гораздо более сложной позиции, поскольку их коридоры захватили большую часть исторического пути Биткойна и предоставляют практический визуальный язык для обсуждения того, где цена находится относительно долгосрочной кривой.

Отчеты о модели степенной зависимости Биткойна также показали, как структура рынка эпохи ETF может изменить силы, движущие ценой внутри этого коридора. График отображает цену Биткойна с 2011 года в пределах логарифмической поддержки, сопротивления и линейных регрессионных полос, проецируемых до 2040 года. Источник: Bitbo

Академическая проблема заключается в силе вывода. Высокий R-квадрат на лог-лог графике устанавливает, что линия соответствует наблюдаемой выборке. Формальная поддержка степенной зависимости также требует доказательств о распределении остатков и сравнений с другими временными функциями.

Исследователям тогда нужно будет изучить чувствительность к начальной дате и производительность на будущих наблюдениях. Обзор Бакиро показал, что текущая литература по степенной зависимости Биткойна еще не завершила эту работу.

Честный стандарт прогнозирования должен публиковать наивный эталон рядом с моделью и сообщать о каждом рыночном режиме отдельно. Торговые издержки должны быть включены в результаты, в то время как публичный код и данные позволяют другим исследователям воспроизводить это.

Статья также должна раскрывать, сколько вариаций было попытано, поскольку это число определяет, насколько удивительным на самом деле является выигрышный бэктест. Наративы оценки должны быть отделены от точечных прогнозов, и сообщаемый диапазон должен отражать неопределенность актива.

Любой корректирующий термин должен позволять значение ноль, позволяя модели заключить, что сегодняшняя цена является ее лучшим прогнозом.

Это заключение всегда будет испытывать трудности в интернете, потому что оно не предлагает драматической цели и даты, которую можно обвести в кружок. У него есть одно преимущество, которое рынок прогнозов редко рекламирует: оно точно говорит нам, сколько модель знает помимо цены, уже видимой для всех.

Этот контент предоставляется исключительно в общих информационных целях и не является финансовым, инвестиционным, юридическим или налоговым советом. Любые мероприятия, вознаграждения, онлайн-акции или связанная с ними информация, упомянутые в настоящем документе, не должны рассматриваться как рекомендация, приглашение к покупке, продаже, торговле или иной сделке с какими-либо криптоактивами. Криптоактивы очень волатильны и могут привести к убыткам. Доступность услуг, продуктов WEEX и связанных с ними событий может варьироваться в зависимости от региона. Вы несете ответственность за обеспечение того, чтобы ваше участие соответствовало применимым местным законам и нормативным актам.