Прогнозирование цены Биткоина накопило необычайно красочную коллекцию методов.

Существуют базовые модели дефицита, которые преобразуют график халвинга в цену, и обычные ончейн-модели, превращающие активность адресов или транзакций в стоимость.

Весьма спорные графики степенного закона рисуют восходящий коридор сквозь историю Биткоина, а системы машинного обучения подают рыночные и макроэкономические данные в невероятно сложное программное обеспечение.

Каждый из этих подходов вступает в соревнование по прогнозированию цен против очень поверхностного, упрощенного противника: наивных прогнозов, использующих только текущую рыночную информацию. Прогноз цены может использовать сегодняшнюю цену, прогноз доходности — ноль, а прогноз направления — случайное блуждание.

Большая часть академической литературы с трудом справлялась с превосходством над ним, как только модель выходила за пределы периода, для которого она была разработана.

Предварительная публикация от мая 2026 года, посвященная обзору исследований прогнозирования Биткоина, проведенная Карлосом Бакеро из Университета Порту, пришла к довольно отрезвляющему выводу: в рецензируемой литературе ни одна модель не продемонстрировала устойчивого превосходства над соответствующим наивным бенчмарком на горизонтах от одного до шести месяцев в различных рыночных режимах.

Литература содержит сотни статей, в то время как Бакеро отобрал 23 для тщательного изучения на основе их методов, влияния или использования реальной внешней оценки. Сам обзор все еще ожидает рецензирования, что является важным отличием, поскольку один из его центральных аргументов заключается в том, что претензии на прогнозирование требуют более строгой оценки.

Прогнозы потока ордеров на коротком горизонте и дневной доходности занимают отдельную область, и некоторые из них дали реальную предсказательную ценность. Онлайн-дискуссии часто смешивают их с моделями прогнозирования цен и оценки на более длительных горизонтах, хотя каждая задача требует разного ответа.

Формула, описывающая исторический путь Биткоина, мало что говорит нам о завтрашнем направлении, в то время как модель дневного направления мало что говорит о цене через шесть месяцев.

Самый простой соперник в финансах

Наивное прогнозирование работает, потому что финансовые цены устойчивы, поэтому модель, прогнозирующая завтра 100 100 долларов, когда Биткоин сегодня торгуется по 100 000 долларов, может дать крошечную процентную ошибку, даже если она почти ничего не узнала о направлении или доходности.

Сегодняшняя цена была бы почти столь же точной, а оценка только первой модели дает ей кредит за информацию, которую рынок уже предоставил.

Бенчмарк становится более требовательным по мере расширения горизонта, потому что Биткоин может сильно колебаться в течение месяца, давая прогнозисту пространство для добавления ценности, в то время как взаимосвязи, которые модель изучает, ослабевают по мере развития рынка.

Правило, откалиброванное под цикл 2017 года, ориентированный на розничных инвесторов, столкнулось с другой структурой деривативов в 2021 году, а спотовые ETF создали еще один путь для капитала и открытия цен в 2024 году. Каждая эпоха поставляет исторические данные из версии рынка, которая больше не существует в той же форме.

Эта проблема, известная как нестационарность, возникает, когда взаимосвязи между переменными не остаются достаточно стабильными, чтобы прошлые наблюдения описывали будущее.

База пользователей и ликвидность Биткоина развивались со временем, в то время как регулирование и доступ изменили то, кто может торговать им и как. Модель может уловить взаимосвязь в один период и потерять ее, когда рынок вокруг актива развивается.

Франческо Пуоти, Фабрицио Питторино и Мануэль Ровери пришли к похожему результату в исследовании, сравнивающем статистические, машинное обучение и глубокое обучение прогнозов. Они применили 12 подходов к пяти основным криптовалютам на горизонтах в один день, семь дней и 30 дней.

Простые наивные модели последовательно давали лучшие прогнозы, чем ARIMA, Prophet, случайные леса, XGBoost, сети LSTM и N-BEATS.

Результат говорит больше о доступной информации, чем о сложности каждого метода. Сложная модель может добавить ценность, когда существуют стабильные закономерности, которые она может изучить, и она может запомнить шум, когда эти закономерности слабы или временны.

Биткоин предлагает огромные объемы данных, но количество независимых рыночных циклов, которые он прошел, все еще довольно мало. Миллионы минут баров продолжают повторять наблюдения того же медвежьего рынка 2018 года или того же шока ликвидности 2020 года.

Как бэктест становится хрустальным шаром для прогнозирования цены Биткоина

Многие модели Биткоина выглядят наиболее сильными после того, как их создатели увидели весь исторический период, использованный для их построения. Исследователи могут пробовать различные переменные и окна просмотра, изменять начальную дату или заменять одну архитектуру другой перед публикацией лучшего результата.

Победитель мог обнаружить устойчивую взаимосвязь, но он также мог выиграть в крупной лотерее, проведенной на той же истории цен, что является исходом, известным как переобучение бэктеста.

Дэвид Бейли и его соавторы формализовали проблему в своем исследовании вероятности переобучения бэктеста. Попытка большего количества вариаций модели повышает шансы найти отличный исторический результат случайно. Выбор победителя и представление его производительности отдельно скрывает количество неудачных попыток, которые сделали победителя возможным.

Единое хронологическое разделение обеспечивает небольшую защиту, поскольку исследователь может обучать модель до 2020 года и оценивать ее в 2021 году, получая, казалось бы, внешний результат, который во многом обязан своей производительностью одному бычьему рынку.

Оценка с продвижением вперед сильнее, потому что модель многократно переобучается на прошлых данных и прогнозирует следующий невиданный период. Множественные непересекающиеся окна откладывания еще сильнее, потому что они заставляют один и тот же метод столкнуться с бычьими рынками, обвалами, боковыми периодами и различными условиями ликвидности.

Среди рецензируемых статей, которые рассмотрел Бакеро, ни одна не оценивала один и тот же подход на нескольких непересекающихся окнах откладывания, охватывающих различные режимы. Самые сильные статьи использовали скользящую или продвигающуюся вперед оценку на одном непрерывном внешнем периоде.

Эти методы предоставляют реальные доказательства, но одна агрегированная ошибка все еще может скрывать неудачу в одном разделе за успехом в другом.

Утечка информации также может привести к ложной уверенности, поскольку признак, рассчитанный с использованием будущих данных, может дать модели слабое представление об ответе. Вы получаете ту же проблему, когда нормализуете переменные по всему образцу, а перекрывающиеся окна доходности могут переносить будущие наблюдения через границу обучения.

Ошибка может быть достаточно тонкой, чтобы пережить рецензирование, особенно когда сложная архитектура помещает несколько преобразований между необработанными данными и сообщаемым прогнозом.

Сама метрика может льстить модели, когда утверждение о 99% точности относится к тому, насколько точно прогнозируемый уровень цены следует за фактической ценой, что является относительно легкой задачей для устойчивой серии.

Трейдеры заботятся о направлении и размере движения, а также о стоимости действий на его основе. Модели, которые прогнозируют 100 500 долларов, когда Биткоин движется с 100 000 до 99 500 долларов, имеют небольшую ошибку в цене и все равно совершают неправильную сделку.

Формулы, переживающие свои прогнозы

Наиболее известные системы оценки Биткоина процветают, потому что они превращают явно очень сложный актив в приятное, интуитивно понятное объяснение.

Например, модель «запас-поток» (stock-to-flow) утверждает, что дефицит является движущей силой стоимости, причем каждый халвинг уменьшает новое предложение относительно существующего запаса.

Модели типа Меткалфа утверждают, что сеть становится более ценной по мере расширения ее базы пользователей.

Степенной закон гласит, что долгая история Биткоина следует стабильной математической зависимости между ценой и временем.

Каждая из этих идей содержит правдоподобную экономическую интуицию, но ее прогнозная способность зависит от того, переживет ли подогнанная зависимость новые данные и объясняют ли более простые объяснения тот же результат.

Рецензируемое исследование Александра Шелтона 2024 года по прогнозированию доходности Биткоина показало, что переменные «запас-поток» и Меткалфа помогли объяснить доходность в пределах выборки, но предложили ограниченную или нулевую предсказательную способность вне выборки.

Как только временные эффекты вошли в регрессию «запас-поток», ее статистическая сила исчезла. Коэффициент предложения Биткоина увеличивается по заранее определенному графику, и его цена также росла на протяжении большей части его истории, что делает две связанные со временем серии экономически связанными.

Мы видели эту слабость на рынке задолго до того, как она появилась в формальном обзоре. Модель «запас-поток» ПланБ отклонилась от цены Биткоина, поскольку актив торговался ниже своего прогнозируемого пути в течение нескольких лет.

Устойчивое расхождение может быть поглощено путем переопределения выходных данных как долгосрочной стоимости или среднего значения цикла, хотя каждое переопределение затрудняет оценку первоначального утверждения о цене.

Закон Меткалфа сталкивается со схожей проблемой идентификации, поскольку сетевая активность и цена могут расти вместе, когда принятие повышает ценность, когда более высокая цена привлекает пользователей, или когда обе переменные следуют общему временному пути.

Савва Шанаев и его соавторы использовали инструментальные переменные для шести активов с доказательством работы в исследовании затрат на майнинг, сетевой активности и стоимости криптовалют. Как только они устранили автокорреляцию и двустороннюю связь между активностью и ценой, положительные эффекты, приписываемые хешрейту и количеству транзакций, исчезли.

Модели степенного закона находятся в гораздо более сложной позиции, поскольку их коридоры охватили большую часть исторического пути Биткоина и обеспечивают практический визуальный язык для обсуждения того, где цена находится относительно долгосрочной кривой.

Отчеты о модели степенного закона Биткоина также показали, как рыночная структура эпохи ETF может изменить силы, движущие цену в этом коридоре.

Академическая проблема заключается в силе вывода. Высокий R-квадрат на логарифмическом графике подтверждает, что линия соответствует наблюдаемой выборке. Формальная поддержка степенного закона также требует доказательств распределения остатков и сравнений с другими временными функциями.

Затем исследователям потребуется изучить чувствительность к начальной дате и производительность на будущих наблюдениях. Обзор Бакеро показал, что текущая литература по степенному закону Биткоина еще не завершила эту работу.

Честный стандарт прогнозирования будет публиковать наивный бенчмарк рядом с моделью и сообщать о каждом рыночном режиме отдельно. Торговые издержки должны быть включены в результаты, а общедоступный код и данные позволят другим исследователям воспроизвести их.

В статье также следует раскрыть, сколько вариаций было предпринято, поскольку это число определяет, насколько удивительным является выигрышный бэктест. Истории оценки необходимо отделить от точечных прогнозов, а сообщаемый диапазон должен отражать неопределенность актива.

Любой корректирующий член должен допускать значение ноль, позволяя модели заключить, что сегодняшняя цена является ее лучшим прогнозом.

Этот вывод всегда будет вызывать споры в Интернете, потому что он не предлагает драматической цели и даты для отметки. У него есть одно преимущество, которое базар прогнозов редко рекламирует: он точно говорит нам, сколько модель знает помимо цены, уже видимой всем.

Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.