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）

作者：貝格先生

🔸TL;DR

• 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，相较于单纯的 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。

1. 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。

2. 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：

(1) 计算历史 Deviation 数值的平均数与标准差

(2) 将“平均数 + n 个标准差”定义为“高位”，下称 Threshold

(3) 再对 Deviation 数值进行均线平滑化处理

(4) 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：

(1) 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

(2) 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。