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)

本文为链上数据学堂系列文章第 7 篇，共有 10 篇。带您一步步认识链上数据分析，欢迎有兴趣的读者追踪本系列文章。

相关阅读：《链上数据学堂（六）：一套崭新、Ark 参与研究的 BTC 神奇定价方法论 (I)》

- Cointime Price 系列文章共三篇，本文为第二篇

- 本文将介绍 Cointime Price 在逃顶中的应用方法  

- 本文将介绍个人设计的偏离度模型

Cointime Price 概念源自 Cointime Economics，采用「时间加权」的方式评估 BTC 的公允价格。

相比单纯的 LTH（长期持有者）和 STH（短期持有者），Cointime Price 更具弹性，且更加敏感，同时，该模型还能有效排除远古时期已丢失 BTC 的影响。

第一篇文章详细介绍了 Cointime Price 及其抄底应用，如果已经理解概念，那就正式进入今天的主题：逃顶应用

Cointime Price Deviation（Cointime Price 偏离度）是我在研究链上数据时自行设计的模型之一，并已被应用在每周逃顶分析的周报中。

下文将讲解模型设计原理，以及如何利用该模型判断 BTC 顶部。本文所有内容均为原创研究，研究过程不易，还请各位多多支持

为什么要衡量偏离程度？

- Cointime Price 高度代表 BTC 筹码的真实持仓成本，特别是长期持有者（LTH）的持仓成本。

- 由于长期持有者对 Cointime Price 影响更大，当 BTC 现价大幅高于 Cointime Price 时，长期持有者的获利了结动机会上升，可能引发派发行为。

· 计算公式：偏离率 =（现价 - Cointime Price）/ 现价

· 观察偏离率（派发比率）

如图，我们可以得到派发比率曲线（紫线）。我们可以看到：每当派发比率处于高位，往往对应 BTC 顶部。

那么，如何定义「高位」呢？接下来，我们用统计学方法来解决这个问题

如果我们观察历史数据，会发现 Deviation 的高位并不固定，在每轮牛市中，Deviation 峰值都略有下降。因此，单纯使用固定数值来定义「高位」是不严谨的。

在解決上，我采用统计学「标准差」的概念：

· 计算历史 Deviation 数据的均值和标准差。

· 定义「均值 + n 个标准差」为「高位（顶部信号）」，记作 Threshold。

· 对 Deviation 数据进行均线平滑化，减少噪音。

· 当 Deviation 的均线值 > Threshold 时，触发顶部信号。

· 为何采用标准差？

· Deviation 的历史走势具有均值回归的特性（如图）。

· 标准差衡量波动性，当 BTC 价格波动变小时，Threshold 也会动态调整，更具弹性。

如上图，进行上述的处理后，我们可以得到这样一张图。

· 补充说明

- 第 2 点「均值 + n 个标准差」中的 n 为可调参数：当 n 越大，顶点信号出现的概率越低，模型更严格。

- 第 3 点的均线平滑处理：主要过滤市场短期波动，提高信号可靠性。

如图，当紫线（派发比率）超出橙线（Threshold）时，对应的 BTC 价格往往处于阶段性顶部。

本文是 Cointime Price 系列 的第二篇，延续前文的概念，分享了个人如何利用 Cointime Price 设计逃顶模型。

· 总结核心观点：  

- Cointime Price Deviation 通过量化 BTC 现价与 Cointime Price 的偏离，推测长期持有者的派发动机，用于判断 BTC 顶部。

- 采用「标准差」方法动态定义顶部信号，确保模型更具适应性。

- 模型已实际应用于周报，并能有效捕捉 BTC 高位信号。

后续计划：  

- 本系列第三篇文章将继续探讨 Cointime Price 在逃顶中的应用，敬请期待