Glassnode：评估比特币牛市的风险

来源：CryptoVizArt, Glassnode；编译：邓通，金色财经

摘要

• 在本文中，我们介绍了一个新的风险评估框架，该框架利用一套涵盖短期和长期风险周期的核心链上工具。

• 借助这个新框架，我们的目标是为投资者和分析师等提供一个强大的模型，从数据驱动的角度评估回撤风险。

• 总之，我们将所有考虑的指标编译成热图，以评估各种数据类别的风险融合情况。

宏观风险分析

分析师可以使用许多模型和指标来评估周期中任何给定点的市场风险。 在本文中，在这篇文章中，我们将特别考虑比特币现货价格大幅下跌的“风险”。

因此，“高风险（红色）”被定义为市场可能陷入投机泡沫的点。 相比之下，“低风险（绿色）”环境被认为是大部分投机性过剩已被清除的环境，市场更有可能处于底部形成模式内。

价格泡沫

作为第一个构建块，我们监控价格与两个长期均值回归基线的偏差：

MVRV 模型（红色）：该模型衡量现货价格与市场整体成本基础（已实现价格）之间的比率。

Mayer Multiple （蓝色）：利用 200D-SMA 作为技术周期中线，衡量相对于该基线的溢价或折价。

在下图中，我们结合 MVRV 和 Mayer Multiple (MM) 模型定义了以下风险类别。

风险分析框架

风险极高（红色）

价格高于两个模型（MVRV > 1 且 MM >1），并且 Mayer 倍数的交易比其累积平均值高两个标准差（MM > +2 STD）。

高风险（橘色）

价格高于模型（MVRV > 1 且 MM >1），并且 Mayer 倍数低于其累积平均值的两个标准差（1.0 < MM < +2 STD）。

低风险（黄色）

价格高于已实现价格 (MVRV>1)，但低于 200 天均线水平 (MM<1)。

风险极低（绿色）

价格低于已实现价格 (MVRV<1) 和 200D-MA 水平 (MM<1)。

目前现货价格为 42,900 美元，实现价格和 200 天移动平均线交易价格分别为 22,800 美元和 34,100 美元。 这使市场处于高风险环境中。

衡量供应盈利能力

利润中的供应百分比 (PSIP) （蓝色） 指标衡量成本基础低于当前现货价格的代币比例。 随着投资者看到获利的动机不断增强，该指标可以帮助识别抛售压力增加的潜在风险。

风险分析框架

风险极高（红色）

PSIP 与其历史平均值相差不止一个标准差。

（PSIP > 90%）

高风险（橘色）

PSIP 比历史平均值高出不到一个标准差。

（75% < PSIP < 90%）

低风险（黄色）

PSIP 低于历史平均值，但高于统计下限。

（58% < PSIP < 75%）

风险极低（绿色）

PSIP 比历史平均值低不止一个标准差。

（PSIP < 58%）

当该指标交易高于上限时，从历史上看，它与市场进入牛市的“欣快阶段”保持一致。 在最近围绕现货 ETF 推出的市场反弹期间，该指标达到了极高风险 ，随后价格收缩至 38,000 美元。

衡量恐惧和贪婪

量化市场上日益增长的恐惧和贪婪情绪相关风险的另一个强大工具是未实现净损益 (NUPL) 指标。 该指标检查净利润或亏损总额的美元价值占市值的百分比。

因此，在使用利润中的供应百分比估算出盈利数后，我们可以使用 NUPL 来衡量投资者盈利的大小。

风险分析框架

风险极高（红色）

NUPL 超过 4 年平均水平一个标准差，表明市场处于欣快阶段，未实现利润达到极端水平（NUPL > 0.59）。

高风险（橘色）

NUPL 位于上限和 4 年平均水平之间，表明市场处于净利润状态，但低于统计高水平 (0.35 < NUPL < 0.59)。

低风险（黄色）

NUPL 已低于 4 年平均水平，但高于统计低水平 (0.12 < NUPL < 0.35)。

风险极低（绿色）

NUPL 已跌破统计低带，这在历史上与熊市的底部发现阶段一致（NUPL < 0.12）。

继 2023 年 10 月的反弹之后，NUPL 进入高风险范围，达到 0.47 的值。 尽管利润持有的代币数量大幅增加，但美元利润的规模并未达到极高风险状态。 这表明，在 2023 年下半年，很大一部分代币是在约 3 万美元的整合范围内以成本基础积累的。

已实现损益

下一步是评估市场参与者如何调整他们的支出模式，实现损益比（RPLR）是实现这一目标的绝佳指南针。

该指标跟踪链上发生的获利和亏损事件之间的比率。 我们使用该比率的 14D-MA 来消除日常噪音，并更清楚地识别投资者行为的宏观变化。

风险分析框架

风险极高（红色）

RPLR 高于 9，意味着链上移动的币 90% 以上都用于盈利，这是市场需求达到枯竭的典型特征（RPLR > 9）。

高风险（橘色）

RPLR 低于 9 且高于 3，表明 75%-90% 的代币都在盈利中转移。 这种结构在市场高峰前后经常出现（3 < RPLR < 9）。

低风险（黄色）

RPLR 已降至 3 的中线以下，这通常发生在市场经历高风险和低风险状态之间的过渡时 (1 < RPLR < 3)。

风险极低（绿色）

RPLR 交易低于 1，表明代币在亏损中占据主导地位，这是投资者投降的信号，在熊市后期很常见。

随着价格触及最近的 48,400 美元峰值，该指标最近标记了极高风险状态。 目前已实现盈亏比为 4.1，处于高风险状态。

活动风险分析

稍微改变一下方式，我们现在将通过需求的视角来评估风险，并使用一系列与网络活动相关的采用指标来衡量。

对区块空间的需求

鉴于比特币网络中的区块空间有限，衡量需求的一个有效方法是通过检查费用市场。 通常，随着下一个区块的竞争加剧，需求的持续增长会导致费用持续上涨。

矿工费用收入二元指标（MFR-BI）显示过去 30 天内费用市场压力逐日增加的天数比例。

风险分析框架

风险极高（红色）

上个月，MFR-BI 有超过 58% (+1 STD) 的天数在升温。 这表明投资者支出的紧迫性正在增加（MFR-BI > 58%）。

高风险（橘色）

MFR-BI 介于历史平均值和统计上限之间 (48% < MFR-BI < 58%)。

低风险（黄色）

MFR-BI 已降至历史平均水平以下，表明费用市场的竞争正在减弱（42% < MFR-BI < 48%）。

风险极低（绿色）

MFR-BI 已跌破 42%（-1 STD）的低统计范围，表明投资者转移资本的紧迫性下降（MFR-BI < 42%）。

投机势头

作为活动风险分析套件的最后一个组成部分，我们重新审视了交易所交易量动量指标，该指标比较了从/转入所有交易所的月度和年度平均交易量。 该工具可以代表市场的投机兴趣。

该风险指标衡量较快的月度移动平均线 (30D-MA) 相对于较慢的年度移动平均线 (365-MA) 的变化幅度和方向。

风险分析框架

风险极高（红色）

当月均线高于年均线并持续上升时，风险系数被认为非常高（MA-365D < MA-30D 和 MA-30D）。

高风险（橘色）

当月平均交易价格高于年平均水平但正在下降时，风险因素被标记为高（MA-365 < MA-30D 和 MA-30D）。

低风险（黄色）

当月平均值低于年平均值但正在增加时，风险因子被标记为低（MA-30D < MA-365D 和 MA-30D ）。

风险极低（绿色）

当月平均值低于年平均值但正在下降时，风险因子被标记为非常低（MA-30D < MA-65D 和 MA-30D ）。

自 10 月份以来，交易所流入量的月平均值一直呈强劲上升趋势，使该指标处于极高风险状态。 这表明市场目前处于相对投机状态。

短期和长期风险分析

上述风险分析考虑的是相对宏观和全局的视角。 在下一节中，我们将考虑短期和长期持有者群体的行为，更详细地评估模式。

新投资者获利

重新审视之前报告（WoC 38, 2023 和 WoC 50, 2023）中得出的结论，短期持有者往往对塑造近期价格走势（例如局部顶部和底部）具有巨大影响力。

因此，我们采用因果方法来发现高（或低）风险区间。 这是基于两步评估：

• 这些新投资者持有的未实现利润（或损失）（支出激励）。

• 新投资者锁定的已实现利润（和损失）（实际支出）。

我们从短期持有者供应盈亏比（STH-SPLR）开始，它反映了新投资者持有的供应量利润与损失之间的平衡。

风险分析框架

风险极高（红色）

STH-SPLR 大于 9，表明 90% 的新投资者代币都在盈利，创造了强烈的消费动机（STH-SPLR > 9）。

高风险（橘色）

STH-SPLR 介于 1 到 9 之间，表明 50% 到 90% 的新投资者代币盈利，并且支出风险中等（1 < STH-SPLR < 9）。

低风险（黄色）

STH-SPLR 介于 0.11 和 1 之间，表明新投资者供应的 10% 到 50% 是盈利的，这使得他们持有的大部分资金处于水下（0.11 < STH-SPLR <1）。

风险极低 （绿色）

STH-SPLR 跌破 0.11，表明超过 90% 的新投资者供应处于亏损状态，这是熊市后期的典型情况 (STH-SPLR < 0.11)。

随着 ETF 投机活动达到顶峰，该指标最近预示着 2023 年 10 月中旬至 2024 年 1 月中旬之间存在极高风险状况。 这表明绝大多数新投资者都实现了盈利，获利回吐的可能性增加。 此后，这种情况已经冷却至中性低风险范围。

锁定短期收益

下一步是关注这些短期持有者的实际支出，通过其已实现的利润或损失来衡量。 下图重点介绍了自 2016 年 1 月以来的高获利了结（或亏损）制度的示例。如图所示，这些高支出时期往往与强劲反弹和调整同时发生。

我们使用 90 天的 Z 分数函数对这些指标进行转换和标准化，该函数标准化了短期持有者以美元计价的活动。 该技术有助于发现短期持有者支出何时超出统计极端值，这可以转化为市场内潜在的局部顶部和底部形成。

请注意，为了改善该风险指标的视觉效果，我们反转了已实现损失 z 分数（乘以 -1）。

风险分析框架

风险极高（红色）

利润 Z 得分中的 STH 比 90D 平均值高出 +2 个标准差以上，表明存在重大获利了结（STH 实现利润 Z 得分 > 2）。

高风险（橘色）

利润 Z 得分中的 STH 介于 90D 平均值和 +2 标准差水平之间，表明适度获利回吐 (1 < STH 实现利润 Z 得分 < 2)。

低风险（黄色）

利润 Z 得分中的 STH 降至 90D 平均值以下，表明获利了结显着减少，通常伴随着已实现损失的增加。 （STH-已实现利润 Z 分数 < 1）

风险极低（绿色）

与低风险类似，利润 Z 得分中的 STH 降至 90D 平均值以下，同时，已实现损失增加至高于 90D 平均值 +2 个标准差（STH 实现利润 Z 得分 < 1 且 STH-实现损失 Z-分数 > 2，注意反向视觉方面）。

根据该指标，ETF 推出后近期价格调整至 38,000 美元，导致市场风险显著降低。 STH 已实现利润 Z 得分当前为 -1.22，而 STH 已实现利润 Z 得分为 -0.24。 这将当前的市场结构置于低风险制度中。

老手锁定利润

我们引入了与上述短期持有者风险评估类似的框架，但它在之前的报告 (WoC-22-2023) 中重点关注长期持有者 (LTH)。 目标是评估长期持有者持有的未实现利润何时达到统计上的极端水平，然后追踪该群体是否相应地增加支出。

第一个指标使用长期持有者 MVRV 比率衡量 LTH 的未实现利润部分。 这衡量了市场价格与平均 LTH 成本基础之间的差异。

风险分析框架

风险极高（红色）

LTH-MVRV 大于 3.5，表明 LTH 的平均未实现利润为 250%。 当市场收回之前的 ATH (LTH-MVRV > 3.5) 时，通常会达到该范围。

高风险（橘色）

LTH-MVRV 在 1.5 和 3.5 之间交易。 这种情况通常出现在熊市和牛市的早期阶段 (1.5 < LTH-MVRV <3.5)。

低风险（黄色）

LTH-MVRV 交易在 1.0 和 1.5 之间，表明 LTH 平均盈利仅微薄，典型的是熊市后期和牛市早期 (1 < LTH-MVRV <1.5)。

风险极低（绿色）

LTH-MVRV 交易价格低于 1.0，因为现货价格跌破平均 LTH 成本基础。 这通常凸显了卖方疲惫和投资者投降的状态（LTH-MVRV < 1）。

在 FTX 崩盘后经历了充满挑战的复苏后，该指标已升至 2.06，进入高风险状态。 如前所述，这些水平通常出现在牛市的早期阶段，因为长期投资者会恢复到相对有意义的盈利水平。

长期持有者支出

在本风险分析研究的最后一步中，我们构建了一个二元指标来评估 LTH 支出何时持续增长。 长期持有者发送二元指标 (LTH-SBI) 跟踪 LTH 支出足以在持续 7 天内减少 LTH 供应总量的时期。

当 LTH 供应减少时，表明长期休眠的供应重新进入液体循环，以抵消新的需求。

风险分析框架

风险极高（红色）

LTH-SBI 达到 0.85 以上，表明 LTH 在过去 7 天中有 6 天增加了支出。 这种模式与老手抓住机会以高价锁定利润（LTH-SBI > 0.85）有关。

高风险（橘色）

LTH-SBI 在 0.50 和 0.85 之间交易，表明过去 7 天中至少 3.5 天内 LTH 支出略有增加（0.50 < LTH-SBI < 0.85）。

低风险（黄色）

LTH-SBI 在 0.14 和 0.50 之间交易，表明上周发生的 LTH 支出程度相对较小（0.14 < LTH-SBI < 0.50）。

风险极低（绿色）

LTH-SBI 跌破 0.14，表明 LTH 支出极小，并且上周其总供应量减少的天数为 1 天或更少（LTH-SBI < 0.14）。

ETF 投机反弹至 48,400 美元，将该风险指标从低风险推至高风险范围。 当前值为 0.7，表明随着投资者和 ETF 重新平衡（即来自 GBTC）转移代币所有权，LTH 的支出有所增加。

结论

在这篇文章中，我们开发了一个评估比特币市场下跌风险的程序。 这些风险因素考虑了广泛的数据和投资者行为类别，有助于为分析师和投资者建立框架。

虽然每个指标都可以单独使用，但组合起来通常可以更全面地了解市场状况。 下图将这些汇总成过去 5 年各种风险指标的热图视图。 由此，我们可以将指标与值得注意的顶部和底部进行比较，可以看到显著的汇合。

这些级别和转换旨在作为初始指南，并应由分析师和从业者进行迭代，以针对特定的兴趣点进行优化。