以太坊價格 以太坊價格
Ctrl+D 以太坊價格
ads

STO:探討 | 比特幣的醉漢價值:價值預測模型S2F是否是虛假的假設?

Author:

Time:1900/1/1 0:00:00

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

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

Patrick Hansen:歐洲央行正在邀請技術專家參加技術會談,探討CBDC的設計方案:金色財經報道,Presight Capital的加密風險投資顧問Patrick Hansen在社交媒體上表示,歐洲央行正在邀請技術專家參加技術會談,探討CBDC的設計方案,會談的重點是增強隱私的技術在零售支付結算中的應用。申請截止到7月20日。[2022/7/11 2:05:00]

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

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

HyperPay MooN:錢包安全性思考維度應當進行深層次探討:11月6日消息,HyperPay 技術總監 MooN在做客《HyperPay焦點》欄目時提及:錢包的安全性考量應當涉及以下幾個方面:一、團隊實力,看創始成員的背景、履歷和口碑,看技術團隊占比是否高;二、安全策略及安全審計,錢包做了哪些安全防護措施,是否進行了冷熱錢包分離,是否通過了業內知名安全團隊的安全審計,最好提供審計報告;三、投資機構,如果有知名的投資機構投資也能間接說明團隊比較靠譜;四、錢包屬性,錢包是中心化錢包還是去中心化錢包,去中心化相對更安全;五、核心資產模塊是否開源;六、資產的公開和透明程度;七、合作伙伴,通過合作伙伴的實力和數量也能間接提現團隊的靠譜程度;八、商業模式或者業務說明,這一項針對一些中心化錢包的理財服務,如果錢包提供了很高的理財收益,但是又沒有說清楚收益是怎么來的,就要特別注意;九、是否有硬件錢包,硬件錢包可以讓資產管理更加安全。[2020/11/6 11:51:36]

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。

CFTC技術咨詢委員會將召開會議探討虛擬貨幣等問題:金色財經報道,美國商品期貨交易委員會(CFTC)下屬科技咨詢委員會(TAC)近日宣布,將于7月16日舉行遠程電話會議。TAC將聽取TAC小組委員會代表發表有關自動和現代交易市場、分布式賬本技術和市場基礎結構、虛擬貨幣以及網絡安全的演講。公眾可以在7月23日之前提交與此次會議相關的公眾評論。[2020/7/9]

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

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。

浩云科技:公司與廣州大學合作探討區塊鏈在金融物聯等領域應用:浩云科技(300448.SZ)在互動平臺回答投資者提問時表示,公司與廣州大學共建公共安全智能實驗室,探討區塊鏈技術在智慧司法、金融物聯等業務領域的應用。[2020/3/21]

在這個階段,我們不能因為異方差而拒絕H0。

誤差的正態性

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。

動態 | 日本區塊鏈促進協會就Facebook的Libra項目進行多方探討:據Crypto.Watch 7月1日消息,日本區塊鏈促進協會(BCCC)舉行了有關Facebook的Libra項目的研討會。與會者大石表示,在越南,Libra完全沒有成為話題。越南可說是典型的“不能信任銀行的國家”,由于大部分人都沒有銀行賬戶,從這一點來說該國應該是Libra的目標。另外,即使越南人對Libra本身不感興趣或無法理解,但如果作為Facebook的一種功能被引入的話也有可能進行普及; 與會者杉井表示:Libra將是一種可編程的貨幣,首先該服務能夠進行支付,完成支付后再利用智能合約對分配處理等進行自動化。如果Libra能作為全球貨幣使用,將可以大幅更新現有的經濟系統。另外,Libra具有匿名性。若要通過公認的轉售商買賣Libra則需要進行KYC,最成問題的是個人匯款。在這一點上,可以通過授權轉售商向發送者提供“匯款認可代幣”的規范來系統地執行KYC,預想將來能夠實現這樣的機制。 對于Libra能否普及的問題,與會者意見不一。有人認為Libra在技術和內容上不但無聊,而且還存在諸多困難,很可能會“曇花一現”;也有人認為Libra會被相對使用,但最好是圍繞用例進行。[2019/7/7]

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

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。

------

風險警示:藍狐筆記所有文章都不能作為投資建議或推薦,投資有風險,投資應該考慮個人風險承受能力,建議對項目進行深入考察,慎重做好自己的投資決策。

Tags:TOCSTOFLOWFLOTOC價格Yap Stoneflow幣有沒有前途TFLOW價格

以太坊價格
POW:曾引發.com泡沫的“自指模型”,會讓以太坊重走AOL的衰亡之路么

最近,一個關于以太坊是不是區塊鏈世界的AOL的帖子引起了很多人的討論。AOL曾是美國最大的在線流媒體公司之一,也是引起.com泡沫的導火索,市值最高沖到了3500億美金,但在.com泡沫后股價一.

1900/1/1 0:00:00
數字貨幣:觀點:比特幣既是“風險資產”也是“避險資產”

近日看到這樣一種觀點“BTC既是風險資產也是避險資產”,這個觀點其實可以推廣到所有的數字貨幣,“數字貨幣既是風險資產也是避險資產”。這兩種看起來矛盾的說法實際上是從不同的時間段來看的.

1900/1/1 0:00:00
MAR:美國銀行鐘情區塊鏈,國際貿易區塊鏈聯盟Marco Polo再添新丁

據Coindesk9月19日報道,美國銀行已加入國際貿易區塊鏈聯盟MarcoPolo。 圖片來源:visualhuntMarcoPolo由初創企業R3和TradeIX共同創立,基于R3的Cord.

1900/1/1 0:00:00
加密貨幣:瑞士監管變卦,Libra成“燙手山芋”?

近日,瑞士金融市場監管機構對媒體表示,Facebook旗下的數字貨幣項目Libra必須接受瑞士的反洗錢審查,同時該項目的進程必須要經過法律的質詢后才能開展.

1900/1/1 0:00:00
VAL:礦機芯片的秘密:從原子結構說起的精彩故事

本文講一下一個神奇的小部件:芯片。 你用過芯片嗎? 什么是文化,如果說文化就是“日用而不知”的習慣,那么,芯片就是當代人類的文化.

1900/1/1 0:00:00
BOT:對標社交媒體支付,閃電網絡服務Bottle Pay獲200萬美元投資

隨著比特幣閃電網絡的不斷普及和發展,BottlePay背后的團隊BlockMatrix正在采取新一步行動,讓“比特幣支付變得更容易,且對所有人可用”.

1900/1/1 0:00:00
ads