WEB3 Mint To Be - 比特币链上数据分析

主持人：Alex，Mint Ventures 研究合伙人

嘉宾：Colin，自由交易员、链上数据研究者

录制时间：2025.2.15

本期播客提到的一些数据指标和概念：

Glassnode：一个常用的链上数据分析平台，需要付费。

已实现市场价格（Realized Price）：基于比特币最后一次链上移动时的价格加权计算得到，反映比特币的链上历史成本，适合评估市场的整体盈利/亏损状态。

URPD：已实现价格分布。用于观察BTC筹码的价格分布情况。

RUP（Relative unrealized profit）：相对未实现收益。用来衡量比特币市场中，所有持币者的未实现利润占总市值的比率。

Cointime True Market Mean Price：一个基于 Cointime Economics 体系的链上均价指标，旨在通过引入比特币的"时间权重"来更准确地评估BTC的长期价值，相比BTC的当前市场价格，和已实现市场价格（Realized Price），Cointime 体系下的True Market Mean Price 还综合考虑时间的影响，适合BTC大周期下的价格。

Shiller ECY：由诺贝尔经济学奖得主罗伯特·席勒提出的估值指标，用以评估股市的长期回报潜力，并衡量股票相对于其他资产的吸引力，由席勒本益比指标（CAPE）改良而来，主要考量了利率环境的影响。

声明：本期播客我们所讨论的内容不代表各位嘉宾所在机构的观点，所提到的项目也不构成任何投资建议。

学习链上数据分析的契机

**Alex：**今天我们邀请到的嘉宾是自由交易员、链上数据研究者 Colin，先请 Colin 跟我们的听众打个招呼吧。

**Colin：**大家好，首先感谢 Alex 的邀请。我当初接到这个邀约的时候多少是有一点惊讶的，因为我本身是一个无名的小散户，也没有什么特别的头衔，就默默在做自己的交易。我的名字叫 Colin，我在社交媒体上经营一个账号叫做贝格先生，平时主要会分享一些链上数据的教学，针对目前市况的分析，还有一些交易概念的分享。我对自己的定位大概有三个：第一个是事件驱动型的交易者，我平时会思考事件驱动型的交易策略；第二个是链上数据的分析师，这个部分也是我主要平常会在社交媒体上分享的内容；第三个比较保守，我自称为指数投资者，我会选择把部分资金配置在美股的大盘，通过这部分资金去投资的 Beta 降低我资产曲线整体的波动，同时保持整体部位一定的防御性。以上大概就是我对自己的定位。

**Alex：**感谢 Colin 的自我介绍。我邀请 Colin 参与节目是因为在社交媒体上看到他关于比特币的链上数据分析，很有启发。这是之前我们谈论比较少的话题，也是我自己的板块中比较欠缺的部分。我看了他写的系列文章，觉得逻辑清晰、言之有物，所以我就去邀请他了。要提醒大家的是，今天无论是我还是嘉宾的观点，在节目中都带有很强的主观性，且信息和观点都可能在未来发生改变，不同的人对同样的数据和指标可能会有不同的解读。本期内容不作为任何投资建议。本节目会提及一些数据分析平台，仅作为个人使用的分享和举例，不作为商业推荐。本节目没有收到任何平台的商业赞助。我们进入正题，来聊聊加密资产的链上数据分析。刚才说到 Colin 是一位交易员，那你是在什么情况下开始接触和学习加密资产的链上数据分析的呢？

**Colin：**这个问题我想应该拆成两个部分来回答。首先第一个，我认为身边无论是谁，只要是想要进入或者已经进入金融市场的人，包括我自己，最主要的目标应该都是赚钱，利用盈利改善自己的生活品质。所以我的理念一直都很一致，就是什么东西能够对我的盈利带来帮助，我就去学什么。通过这种方式提升我整体交易系统的期望值，简单来说就是什么东西能赚钱，我就去学。第二块呢，一开始会接触到链上数据单纯就是误打误撞，我大概六七年前的时候，当时是完全不懂，这个看一下，那个看一下。在摸索各个领域的时候，我看到很有趣的研究理论就想要去学，当时也是无意间看到比特币有一个所谓的链上数据分析这个领域，我就开始去学习、去研究。学到后期，我会结合在其他领域学到的知识，主要是量化交易开发的部分，把它结合到链上数据，然后去开发一些交易的模型，最后再把这些模型融入到我自己的交易系统当中。

**Alex：**那你正式开始接触链上数据分析到目前为止，比较系统的学习跟研究大概已经多少年了呢？

**Colin：**我觉得这个不好定义，其实我一直都没有真正系统性地学过。因为从以前到现在，我自己有遇到一个问题，就是我其实完全没有看到任何系统性的教学。从最一开始看到这个领域的时候，可能真的是好几年前了，我那个时候就有发现，但没有深入去研究，就看了两三篇文章知道了这个东西。过了一段时间之后，我又回来看到一些更深入的内容，那个时候我在专注研究其他东西，又回来这里，看到这个蛮有趣，我就继续研究下去。没有一个系统性学习的时间，就是东凑西凑这样子。

**Alex：**了解，那你从学习链上数据到把它应用到你实际的投资实战当中，这个已经持续大概多少时间了呢？

**Colin：**这个界限比较难界定，但我觉得接近两轮比特币的周期......也不能算两轮吧，要看你是从牛市还是熊市开始定义。大概是从 2020、2019 左右开始接触，但那个时候没有实际应用，因为我不敢，那时候对这个东西还不太熟，但是已经开始学。

链上数据分析的价值和原理

**Alex：**明白。我们接下来会谈到很多具体关于链上数据分析的概念，包括一些指数，你日常在使用的链上数据观测平台一般是哪一些？

**Colin：**我现在主要用一个网站，就是 Glassnode。先简单讲一下，它是需要付费的。有两个付费的等级，一个是专业版的比较贵，我记得一个月要 800 多美金。第二个我有点忘记了，一个月大概三十几 U 到四十几 U。它还有一个免费版，但免费版能看到的资讯其实很少。当然除了 Glassnode 还有很多其他的，我最后选择它是因为起初在筛选和研究的时候，这个网站最对得上我的胃口。

**Alex：**明白，我在看了 Colin 的很多信息之后，我自己也去注册了 Glassnode，成为他们的付费会员。确实我感觉他们的数据非常丰富，另外即时性也比较好。那么我们来聊第二个问题，刚讲到你是一个交易员嘛，你重视的是它对投资实战的帮助。那么链上数据分析在你的投资当中的核心价值是什么？背后的原理是什么？请你给我们介绍一下。

**Colin：**好的。首先先讲第一个，就是链上数据分析的价值跟原理。这两个我打算合并在一起讲，因为其实蛮简单的。我们的传统金融市场，不管是交易股票、期货、债券选择权、甚至房地产，或者是一些原物料，比特币跟它们有一个最根本性的差别，就是它采用的是区块链技术。这个技术最重要、最常被大家拿出来说的价值就是它的透明性。所有这些比特币的转移资讯是公开透明的，所以你可以直接在链上看到比如说 300 个比特币从一个地址转到另一个地址，这是可以在区块链浏览器上查到的。虽然我没有办法知道这一串地址背后是谁，但是这个不重要，因为其实没有任何一个单一个体可以影响整个比特币的价格走势跟它的趋势。所以正常来说，我们去研究链上数据的时候，看的是这个市场的整体，是看他的趋势，看群体的共识跟行为。即便我不知道这个地址或者那个地址的背后是谁，但我可以通过汇总全部的地址去分析他们这些筹码的流向，看他们是否已经获利了结或者是停损，他们的盈利状况怎么样，亏损状况怎么样，他们更倾向于在哪一个价位买入大量的比特币或者他们不喜欢在哪一个价位买入比特币，这些数据其实都是看得到的。这个是我认为比特币链上数据分析相对于其他金融市场来讲最大的价值，因为其他市场做不到这件事。

**Alex：**确实这点很重要。像我们做加密投资，跟我们看股票或者其他产品一样，同样要去分析基本面。就像你刚刚所说的，链上数据是透明的，所有人都可以去观测。如果其他的专业投资人都去看链上的数据，你不看，那就相当于你在投资当中比别人少一项很重要的武器。

链上数据分析的难点

**Alex：**在你实战去做链上数据分析的时候，你觉得它主要的难点和挑战可能是什么？

**Colin：**我觉得这个问题问得非常好，我打算分成两个部分来回答。首先第一个部分是比较好解决的，是在学习上会有一个比较困难的点，就是基础知识。对于多数人来说，包括当时的我，因为我前面有提过，很难找到一个真正系统性的教学。当然我没有去线下询问有没有这一类的付费课程，但是有的话我应该也不太敢买，因为我自己做交易到现在，我其实不太会付费去购买一些课程。我没有接触过任何系统性教学的课程，所以其实所有的内容都是要自己去挖掘、去探索。链上数据的种类有很多，在研究的过程中，我自己的理念是会去把每一个我看过的指标背后的计算方式跟原理都搞清楚。这其实是一个非常花时间的过程，因为你光看到某一个指标，它会给你一个计算公式，我的想法是去推敲出这个计算公式背后到底在想什么，它干嘛要这样子设计。我把这一些指标搞清楚之后，接下来还要做第二件事情叫筛选。如果有量化策略开发相关经验的人或者有研究过指标相关的人，其实就会知道一件事情，就是很多指标的相关性是非常高的。相关性太高会造成一个问题，就是你在判读上很容易产生杂讯，或者你会过度解读。举例来说好了，假设我今天有一个逃顶的系统，这个逃顶的系统可能有 1 号到 10 号的 10 个讯号，假设如果 1 号到 4 号的相关性太高，会造成一个问题。例如说比特币的价格今天发生了某一种行为或者是变化，它可能会直接让 1 号到 4 号同时亮灯，这个其实就很麻烦。因为如果他们相关性太高，这就是一个必然的现象。如果今天 10 个灯里面亮了 4 个，你就说这很危险，但其实这不太合理，因为本来就会亮啊。如果你没有根据相关性把它们做切割的话，这个现象是非常容易发生的。我在研究完每个指标跟数据的原理之后，其实直接看计算公式就知道它们的相关性高不高，我根据相关性把它切割。例如说这 5 个相关性很高，那我就会把它稍微切割筛选一下，最后选出一两个。

这第一部分其实算好解