WEB3 Mint To Be - 比特幣鏈上數據分析

主持人：Alex，Mint Ventures 研究合夥人

嘉賓：Colin，自由交易員、鏈上數據研究者

錄制時間：2025.2.15

本期播客提到的一些數據指標和概念：

Glassnode：一個常用的鏈上數據分析平台，需要付費。

已實現市場價格（Realized Price）：基於比特幣最後一次鏈上移動時的價格加權計算得到，反映比特幣的鏈上歷史成本，適合評估市場的整體盈利/虧損狀態。

URPD：已實現價格分布。用於觀察BTC籌碼的價格分布情況。

RUP（Relative unrealized profit）：相對未實現收益。用來衡量比特幣市場中，所有持幣者的未實現利潤佔總市值的比率。

Cointime True Market Mean Price：一個基於 Cointime Economics 體系的鏈上均價指標，旨在通過引入比特幣的"時間權重"來更準確地評估BTC的長期價值，相比BTC的當前市場價格，和已實現市場價格（Realized Price），Cointime 體系下的True Market Mean Price 還綜合考慮時間的影響，適合BTC大週期下的價格。

Shiller ECY：由諾貝爾經濟學獎得主羅伯特·席勒提出的估值指標，用以評估股市的長期回報潛力，並衡量股票相對於其他資產的吸引力，由席勒本益比指標（CAPE）改良而來，主要考量了利率環境的影響。

聲明：本期播客我們所討論的內容不代表各位嘉賓所在機構的觀點，所提到的項目也不構成任何投資建議。

學習鏈上數據分析的契機

**Alex：**今天我們邀請到的嘉賓是自由交易員、鏈上數據研究者 Colin，先請 Colin 跟我們的聽衆打個招呼吧。

**Colin：**大家好，首先感謝 Alex 的邀請。我當初接到這個邀約的時候多少是有一點驚訝的，因爲我本身是一個無名的小散戶，也沒有什麼特別的頭銜，就默默在做自己的交易。我的名字叫 Colin，我在社交媒體上經營一個帳號叫做貝格先生，平時主要會分享一些鏈上數據的教學，針對目前市況的分析，還有一些交易概念的分享。我對自己的定位大概有三個：第一個是事件驅動型的交易者，我平時會思考事件驅動型的交易策略；第二個是鏈上數據的分析師，這個部分也是我主要平常會在社交媒體上分享的內容；第三個比較保守，我自稱爲指數投資者，我會選擇把部分資金配置在美股的大盤，通過這部分資金去投資的 Beta 降低我資產曲線整體的波動，同時保持整體部位一定的防御性。以上大概就是我對自己的定位。

**Alex：**感謝 Colin 的自我介紹。我邀請 Colin 參與節目是因爲在社交媒體上看到他關於比特幣的鏈上數據分析，很有啓發。這是之前我們談論比較少的話題，也是我自己的板塊中比較欠缺的部分。我看了他寫的系列文章，覺得邏輯清晰、言之有物，所以我就去邀請他了。要提醒大家的是，今天無論是我還是嘉賓的觀點，在節目中都帶有很強的主觀性，且信息和觀點都可能在未來發生改變，不同的人對同樣的數據和指標可能會有不同的解讀。本期內容不作爲任何投資建議。本節目會提及一些數據分析平台，僅作爲個人使用的分享和舉例，不作爲商業推薦。本節目沒有收到任何平台的商業贊助。我們進入正題，來聊聊加密資產的鏈上數據分析。剛才說到 Colin 是一位交易員，那你是在什麼情況下開始接觸和學習加密資產的鏈上數據分析的呢？

**Colin：**這個問題我想應該拆成兩個部分來回答。首先第一個，我認爲身邊無論是誰，只要是想要進入或者已經進入金融市場的人，包括我自己，最主要的目標應該都是賺錢，利用盈利改善自己的生活品質。所以我的理念一直都很一致，就是什麼東西能夠對我的盈利帶來幫助，我就去學什麼。通過這種方式提升我整體交易系統的期望值，簡單來說就是什麼東西能賺錢，我就去學。第二塊呢，一開始會接觸到鏈上數據單純就是誤打誤撞，我大概六七年前的時候，當時是完全不懂，這個看一下，那個看一下。在摸索各個領域的時候，我看到很有趣的研究理論就想要去學，當時也是無意間看到比特幣有一個所謂的鏈上數據分析這個領域，我就開始去學習、去研究。學到後期，我會結合在其他領域學到的知識，主要是量化交易開發的部分，把它結合到鏈上數據，然後去開發一些交易的模型，最後再把這些模型融入到我自己的交易系統當中。

**Alex：**那你正式開始接觸鏈上數據分析到目前爲止，比較系統的學習跟研究大概已經多少年了呢？

**Colin：**我覺得這個不好定義，其實我一直都沒有真正系統性地學過。因爲從以前到現在，我自己有遇到一個問題，就是我其實完全沒有看到任何系統性的教學。從最一開始看到這個領域的時候，可能真的是好幾年前了，我那個時候就有發現，但沒有深入去研究，就看了兩三篇文章知道了這個東西。過了一段時間之後，我又回來看到一些更深入的內容，那個時候我在專注研究其他東西，又回來這裏，看到這個蠻有趣，我就繼續研究下去。沒有一個系統性學習的時間，就是東湊西湊這樣子。

**Alex：**了解，那你從學習鏈上數據到把它應用到你實際的投資實戰當中，這個已經持續大概多少時間了呢？

**Colin：**這個界限比較難界定，但我覺得接近兩輪比特幣的週期......也不能算兩輪吧，要看你是從牛市還是熊市開始定義。大概是從 2020、2019 左右開始接觸，但那個時候沒有實際應用，因爲我不敢，那時候對這個東西還不太熟，但是已經開始學。

鏈上數據分析的價值和原理

**Alex：**明白。我們接下來會談到很多具體關於鏈上數據分析的概念，包括一些指數，你日常在使用的鏈上數據觀測平台一般是哪一些？

**Colin：**我現在主要用一個網站，就是 Glassnode。先簡單講一下，它是需要付費的。有兩個付費的等級，一個是專業版的比較貴，我記得一個月要 800 多美金。第二個我有點忘記了，一個月大概三十幾 U 到四十幾 U。它還有一個免費版，但免費版能看到的資訊其實很少。當然除了 Glassnode 還有很多其他的，我最後選擇它是因爲起初在篩選和研究的時候，這個網站最對得上我的胃口。

**Alex：**明白，我在看了 Colin 的很多信息之後，我自己也去註冊了 Glassnode，成爲他們的付費會員。確實我感覺他們的數據非常豐富，另外即時性也比較好。那麼我們來聊第二個問題，剛講到你是一個交易員嘛，你重視的是它對投資實戰的幫助。那麼鏈上數據分析在你的投資當中的核心價值是什麼？背後的原理是什麼？請你給我們介紹一下。

**Colin：**好的。首先先講第一個，就是鏈上數據分析的價值跟原理。這兩個我打算合並在一起講，因爲其實蠻簡單的。我們的傳統金融市場，不管是交易股票、期貨、債券選擇權、甚至房地產，或者是一些原物料，比特幣跟它們有一個最根本性的差別，就是它採用的是區塊鏈技術。這個技術最重要、最常被大家拿出來說的價值就是它的透明性。所有這些比特幣的轉移資訊是公開透明的，所以你可以直接在鏈上看到比如說 300 個比特幣從一個地址轉到另一個地址，這是可以在區塊鏈瀏覽器上查到的。雖然我沒有辦法知道這一串地址背後是誰，但是這個不重要，因爲其實沒有任何一個單一個體可以影響整個比特幣的價格走勢跟它的趨勢。所以正常來說，我們去研究鏈上數據的時候，看的是這個市場的整體，是看他的趨勢，看羣體的共識跟行爲。即便我不知道這個地址或者那個地址的背後是誰，但我可以通過匯總全部的地址去分析他們這些籌碼的流向，看他們是否已經獲利了結或者是停損，他們的盈利狀況怎麼樣，虧損狀況怎麼樣，他們更傾向於在哪一個價位買入大量的比特幣或者他們不喜歡在哪一個價位買入比特幣，這些數據其實都是看得到的。這個是我認爲比特幣鏈上數據分析相對於其他金融市場來講最大的價值，因爲其他市場做不到這件事。

**Alex：**確實這點很重要。像我們做加密投資，跟我們看股票或者其他產品一樣，同樣要去分析基本面。就像你剛剛所說的，鏈上數據是透明的，所有人都可以去觀測。如果其他的專業投資人都去看鏈上的數據，你不看，那就相當於你在投資當中比別人少一項很重要的武器。

鏈上數據分析的難點

**Alex：**在你實戰去做鏈上數據分析的時候，你覺得它主要的難點和挑戰可能是什麼？

**Colin：**我覺得這個問題問得非常好，我打算分成兩個部分來回答。首先第一個部分是比較好解決的，是在學習上會有一個比較困難的點，就是基礎知識。對於多數人來說，包括當時的我，因爲我前面有提過，很難找到一個真正系統性的教學。當然我沒有去線下詢問有沒有這一類的付費課程，但是有的話我應該也不太敢買，因爲我自己做交易到現在，我其實不太會付費去購買一些課程。我沒有接觸過任何系統性教學的課程，所以其實所有的內容都是要自己去挖掘、去探索。鏈上數據的種類有很多，在研究的過程中，我自己的理念是會去把每一個我看過的指標背後的計算方式跟原理都搞清楚。這其實是一個非常花時間的過程，因爲你光看到某一個指標，它會給你一個計算公式，我的想法是去推敲出這個計算公式背後到底在想什麼，它幹嘛要這樣子設計。我把這一些指標搞清楚之後，接下來還要做第二件事情叫篩選。如果有量化策略開發相關經驗的人或者有研究過指標相關的人，其實就會知道一件事情，就是很多指標的相關性是非常高的。相關性太高會造成一個問題，就是你在判讀上很容易產生雜訊，或者你會過度解讀。舉例來說好了，假設我今天有一個逃頂的系統，這個逃頂的系統可能有 1 號到 10 號的 10 個訊號，假設如果 1 號到 4 號的相關性太高，會造成一個問題。例如說比特幣的價格今天發生了某一種行爲或者是變化，它可能會直接讓 1 號到 4 號同時亮燈，這個其實就很麻煩。因爲如果他們相關性太高，這就是一個必然的現象。如果今天 10 個燈裏面亮了 4 個，你就說這很危險，但其實這不太合理，因爲本來就會亮啊。如果你沒有根據相關性把它們做切割的話，這個現象是非常容易發生的。我在研究完每個指標跟數據的原理之後，其實直接看計算公式就知道它們的相關性高不高，我根據相關性把它切割。例如說這 5 個相關性很高，那我就會把它稍微切割篩選一下，最後選出一兩個。

這第一部分其實算好解