比特幣的醉漢價值_比特幣:FLO

編者按：本文來自藍狐筆記，作者：Nick，編譯：HQ，星球日報經授權發布。前言：S2F是用來對比特幣價值進行預測的模型。那么，S2F是否是虛假的假設？本文則試圖對此進行證偽，最后它的結論是：“比特幣就像是醉漢，而Stock-to-Flow就是回家的路。”本文作者是Nick，由藍狐筆記“HQ”翻譯。摘要本文將探討比特幣的價值是否存在stock-to-flow的關系。對所提出的對數模型的統計有效性、各變量的平穩性以及潛在的虛假關系都進行了檢驗。建立了一個向量誤差修正模型，并與stock-to-flow模型進行了比較。盡管這些模型中，有些在Akaike信息標準方面超過了原始模型，但它們都未能對stock-to-flow是比特幣價值的一個重要非虛假預測因素的假設進行否定。比率模型是指可用資產或儲備資產的數量除以每年生產的數量，Stock-to-Flow比率是一個重要的指標，因為S2F中較高的指標值反映了資產每年通貨膨脹發生率的降低。）注意所有分析均使用Stata14完成不構成投資建議簡介

科學方法對大多數人來說是難以理解的，畢竟這是反直覺的。它的最終結論可能不反映個人信仰。這個方法需要一個基礎來理解這個基本概念：存在錯誤是允許的。這應該是學校里教的東西。如果我們害怕出錯，就永遠不會提出新的建議。因此，科學發現的歷史，是由其“機緣巧合的本質”所決定的。人們偶然發現的事情，可能和他們最初打算做的事情一樣重要。他們最初的想法也許是不正確的、或沒有定論的，但他們在探索的過程中發現的東西為后繼者建立了框架。根據偉大的現代科學哲學家卡爾·波普爾的說法，檢驗一個假設是否存在錯誤的結果，是唯一可靠的方法，可以為論證它是正確的論點增加份量。如果嚴格而重復的檢驗不能證明一個假設是錯誤的，那么每次檢驗假設一個更高的可能性是正確的。這個概念叫做可證偽性。本文旨在對比特幣價值的stock-to-flow模型進行證偽，該模型是在“比特幣價值稀缺性模型”中被定義的。對問題進行定義

比特幣閃電網通道數量為36280個:金色財經報道，據1ML數據，當前比特幣閃電網絡節點數為12163個，過去30天內增加2.13%；通道數量為36280個，過去30天內增加1.0%；網絡容量達到956.00個BTC，過去30天內增加5%。[2020/4/19]

要證偽一個假設，首先我們必須說明它是什么：零假設：比特幣的價值是比特幣stock-to-flow的函數備選假設：比特幣的價值不是比特幣stock-to-flow的函數S2F模型的作者通過在比特幣市值的自然對數和stock-to-flow的自然對數上擬合一個普通最小二乘回歸來檢驗H0。對于這兩個變量中的對數轉換，除了對數模型可以用冪律表示外，沒有其他的方法或任何已知的推理可以表示。該模型沒有考慮由于非平穩性而產生虛假關系的可能。方法

在本文中，我們將使用正態回歸探索該模型，并確定對數轉換是否必要、或是否適當，并探索可能的混淆變量、交互作用和敏感性。另一個有待探討的問題是非平穩性。平穩性是大多數統計模型的假設。這是一個在任何時刻都沒有趨勢的概念，例如，對時間來說，平均值是沒有趨勢的。在進行平穩性分析之后，我們將探討協整的可能性。符號說明

可用的數學符號是相對有限的。估計統計參數的常用符號是在頂部加一頂帽子。相反，我們將估計定義為。例如β的估計值=。如果我們表示的是一個4x4矩陣，我們將用表示等。下標項用@-eg表示，比如向量X中的第10個位置，我們通常用10下標X，即X@10。普通最小二乘法

聲音 | 寶二爺：應該一個家庭一個比特幣 而不是集中在大戶手里:寶二爺今日在微博表示：按照地址統計不是很準確，大部分用戶不用錢包，比特幣都存在交易所，現在長期持有一個比特幣的用戶是主力投資者，一個家庭一個比特幣，簡單粗暴，分散比特幣，而不是集中在大戶人家。[2019/5/6]

普通最小二乘回歸，是一種估計兩個或多個變量之間線性關系的方法。首先，定義一個線性模型，它是X的某個函數Y，但有一些誤差。Y=βX+ε其中Y是因變量，X是自變量，ε是誤差項，β是X的乘數。OLS的目標是估計β，并使ε最小化。為了使成為可靠的估計數，必須滿足一些基本假設：1.因變量和自變量之間存在線性關系2.誤差是同質的3.誤差正態分布，平均值為零4.誤差不存在自相關線性

我們首先看看市值與stock-to-flow之比的非轉換散點圖圖1-市值與stocktoflow之比。數據太稀疏，無法確定關系。在圖1中，我們有了一個很好的理由來使用市場價值的對數——因為跨度太大了。取市場價值的對數并重新繪制，可以得到一個我們非常熟悉的對數圖模式。圖2-市值對數與SF之比。一個清晰的對數模式出現了。取stock-to-flow的對數并再次繪制，我們得到了圖3，存在明顯的線性模式。圖3-出現了明顯的線性關系這證明了“對數-對數”的這種轉換是唯一真正能顯示良好線性關系的方法。另一種轉換是取兩者的平方根。這個模式如圖4所示。圖4-平方根轉換顯然，對數變換最適合滿足第一個假設的要求。因此，初步分析不能拒絕H0。下圖5展示了對數擬合回歸的結果，其中=圖5-對數回歸結果使用該模型，我們現在可以估計殘差和擬合值，并檢驗其他假設。同方差性

徐明星辟謠：“拿1500個比特幣投資MGD項目又反悔”系媒體胡說八道:據火訊財經訊報道，今日，OK集團CEO徐明星發朋友圈稱遭李豐拖欠1500比特幣借款，將對其采取法律手段。之后，有媒體引用李豐回應稱“徐明星當時是拿1500個比特幣投資了MGD項目，現在項目還沒上線，徐明星卻反悔了，想要回去，自己不同意，徐明星卻撕破臉皮。”下午，徐明星發布朋友圈并貼圖辟謠稱，媒體胡說八道。李豐也稱“這些都是媒體胡編，連P帶編，我沒有說過任何話。”[2018/6/20]

如果誤差項中的恒定方差的假設是真的，那么誤差項的預測值中的每一個值，都會隨機地在0左右移動。因此，使用RVF圖是一種簡單有效的圖形方法，來確定這一假設的準確性。在圖6中，我們看到的是一個模式的一小點，而不是隨機散射，這表示誤差項的一個非恒定方差。圖6-RVF圖。這個圖的走勢表示可能存在問題。這樣的異方差性，會導致系數的估計值具有更大的方差，因此不太精確，并且導致p值比它們原本的更加顯著，因為OLS程序沒有檢測到增加的方差。因此，當我們計算t值和F值的時候，我們對方差進行低估，從而得到更高的顯著性。這也對的95%置信區間產生影響，β本身是方差的函數。在這個階段，繼續使用回歸來理解這些問題的存在是合適的。我們可以用別的一些方法來處理這些問題-例如，自舉法、或方差的魯棒性估計值。圖7-異方差的影響，魯棒性估計所示如圖7所示，雖然方差小幅增加，但在很大程度上，異方差并不會有那么大的不利影響。在這個階段，我們不能因為異方差而拒絕H0。誤差的正態性

穆迪：諸多交易所和機構面臨管理風險 比特幣期貨波動性被削弱:信用評級機構穆迪：諸多交易所、清算機構和零售經紀商面臨管理風險，這削弱了比特幣期貨的波動性。[2018/2/15]

誤差項的正態分布且平均值為零的假設，比線性或齊次性的假設更不重要。非偏態殘差的非正態性，會使置信區間過于樂觀。如果殘差有偏差，那么你的結果可能會有一點偏差。然而，從圖8和圖9可以看出，殘差有足夠的正態性。平均值表面上為零，雖然正式測試可能會拒絕正態性的假設，但它們與正態曲線的擬合程度足以使置信區間不受影響。圖8-覆蓋正態分布的誤差項直方圖。圖9——誤差項的正態分位數圖。圓點離直線越近，正常擬合效果越好。杠桿

杠桿是這樣一個概念：回歸中并非所有數據點對系數的估計都有同等的貢獻。一些高杠桿率的點可能會顯著地改變系數，這取決于它們是否存在。在圖10中，我們可以很清楚地看到，從早期開始，出現了一些令人擔憂的問題。這一點也不奇怪，S2F的作者在前面說過，收集早期的價值存在一些問題。圖10-杠桿與殘差平方之比如果我們在沒有這些點的情況下進行重新回歸，并且由于我們知道存在異方差問題，那么我們應該使用魯棒性估計值。圖11-去除高杠桿的點，實質上是改變對的估計，并改進了赤池信息準則。在圖11中，我們可以看到，通過去掉這三個點后，的估計值大不相同，赤池信息準則也大不相同，這表明盡管R2較低，但這是一個更好的模型。OLS結論

基本診斷表明：原始OLS中存在一些小的可修復的問題。現階段我們不能拒絕H0。平穩性平穩過程被稱為0階積分。非平穩過程是I(1)或更多。在這種情況下，整合更像是“可憐”的——它是滯后差異的總和。I(1)意味著如果我們從序列中的每個值減去第一個滯后值，我們將有一個I(0)的過程。眾所周知，非平穩時間序列上的回歸是可以識別出虛假關系的。在下面的圖12和13中，我們可以看到我們不能拒絕ADF檢驗的零假設。ADF檢驗的零假設是指數據是非平穩的。也就是說，我們不能說數據是平穩的。圖12和13——對ln(市值)和ln(SF)單位根的GLSADF檢驗。KPSS檢驗是ADF檢驗平穩性的補充檢驗。這個檢驗有一個零假設，即數據是平穩的。如圖14和15所示，我們可以拒絕兩個變量中大多數滯后的平穩性。圖14和15-針對零平穩性的KPSS檢驗這些檢驗證明了這兩個序列毫無疑問是非平穩的。但這有點問題，如果這個序列不是趨勢平穩的，那么OLS可能會被誤導去發現一個虛假關系。我們可以做的一件事情是：取每個變量的對數月差，然后重新做OLS。然而，由于這一問題在計量經濟學中普遍存在，我們有一個更具有魯棒性的框架——即所謂的協整。協整

比特幣日內暴跌3000元:財聯社4日訊，據火幣網平臺，比特幣日內自最高點跌3000元，最低至26000元。稍前，央行等七部委正式定性，ICO本質上是未經批準非法公開融資行為。[2017/9/5]

協整是一種處理一對I(1)過程、并確定是否存在關系、以及該關系是什么的方法。為了理解協整，我們舉一個簡單例子——醉漢和他的狗。想象一個醉漢用皮帶牽著他的狗回家，醉漢毫無方向地走來走去。狗走路也是相當隨機：嗅樹，吠叫，追逐抓撓一只小狗等等。不過，狗的整體方向會在酒鬼的皮帶長度的范圍內。因此我們可以估計，在醉漢回家路上的任何一點上，狗都將在醉漢的皮帶長度內。這種簡化類比的就是一個粗略的協整——狗和主人一起移動。不同于相關性，假設一只流浪狗，在回家路上95%的時間都跟著醉漢的狗在走，然后跑去追一輛車到了鎮子的另一邊。流浪狗和醉漢之間的路徑有著很強的關聯性，不管醉漢曾經有過多少個在外面晃蕩的夜晚，這種關系并不意味著什么，也不能用來預測醉漢將會在哪里，在過程中的某些部分，它是真的，而在另外一些部分，它是非常不準確的。為了找到醉漢，首先，我們將看到我們的模型應該使用什么樣的滯后順序規范。圖16-滯后順序規范。用于確定AIC最小值。我們在這里確定了：最合適的滯后規范是2階AIC最小值。接下來，我們需要確定是否存在協整關系，Johansen框架是很好的工具。圖17-Johansens協整測試圖17的結果，說明lnvalue和lnSF之間至少存在一個協整。我們將VECM定義為：Δy@t=αβ`y@t-1+Σ(Γ@iΔy@t-1)+v+δt+ε@t圖18-關于整體模型方程的信息圖19-短期參數及其各種統計數據的估計圖20-模型的協整方程圖21:VECM的Akaike信息標準根據在上述的數據，我們可以估計：==,=,and=.總的來說，結果表明該模型非常適合。協整方程中的ln(SF)系數和調整參數都具有統計顯著性。調整參數表明，當協整方程的預測值為正數時，由于協整方程中的ln(value)系數為負，ln(value)低于其平衡值。系數L.ce1的估計值為-0.14。因此，當比特幣的價值過低時，它很快就會上升回到lnSF。系數L.ce1估計值為0.028，意味著當比特幣價值過低時，它會向均衡方向調整。圖22-協整方程隨時間的估計在上圖中，我們可以看到協整方程是趨向于零的。雖然它在形式上可能不是靜止的，但它確實在接近平穩狀態。來自STATA手冊：具有K個內生變量和r個協整方程的VECM伴隨矩陣具有Kr單位特征值。如果過程是穩定的，則剩余r特征值的系數嚴格小于1。由于特征值的系數沒有總分布，因此很難確定系數與另一個系數是否接近。圖23-伴隨矩陣的根特征值圖顯示，剩余特征值都不接近單位圓。穩定性檢查并不能說明我們的模型是存在指定錯誤的。圖24-脈沖響應函數上圖表明，stock-to-flow價值的正交沖擊，對比特幣的價值具有永久性影響。這就是我們的底線。Stock-to-flow不是一個隨機變量，它是一個隨時間變化的已知值的函數。stock-to-flow不會受到沖擊，即它的價值可以由提前計算得到精確值。然而，這個模型提供了非常有力的證據，證明了在stock-to-flow與比特幣價值之間存在著一種基本的非虛假關系。局限性

在這項研究中，我們沒有考慮任何混淆變量。鑒于上述證據，任何混淆都不太可能對我們的結論產生重大影響——我們不能拒絕H0。我們不能說“stock-to-flow與比特幣價值之間沒有關系”。如果是這樣的話，就不存在協整方程了。結論

雖然本文提出的一些模型在Akaike信息準則方面超過了原始模型，但所有這些模型都未能否定“stock-to-flow是比特幣價值的重要非虛假預測因素”的這個假設。用一個比喻來說明這一點：如果我們把比特幣的價值看作一個醉漢，那么stock-to-flow并不是他真正的跟班狗，而更像是他走的路。醉漢會在路上到處游蕩，有時會停下來、滑倒、錯過一個拐彎處、甚至在路上抄近路等；但總的來說，他會沿著這條路的方向回家。簡而言之，比特幣就像是醉漢，而Stock-to-Flow就是回家的路。

Tags：比特幣TOCFLOWFLO波場幣和比特幣的區別在哪里spartanprotocolSunflower FarmersDoge Floki Coin

TUSD