Glassnode链上周报(2021年第12周) ||加密货币交易员应了解的五种机器学习方法

说明：Glassnode的链上周报，每周都会发布中英文两个版本，但是每次中文版发布的时间要比英文版迟好几天，但是Glassnode的链上分析指标还是非常值得借鉴的，因此在Glassnode的中文链上周报赶上英文版之前，灰狼希望第一时间给大家提供相关信息。查看Glassnode的往期中文版链上周报，请点击这里。

由于链上指标表明情况类似于牛市的下半场或后期，比特币的价格巩固在5.36万美元以上。

随着传统金融巨头摩根士丹利和维萨宣布进一步采用比特币的消息，比特币市场继续在5.36万美元至6.15万美元之间盘整。摩根士丹利已推出三种比特币投资工具，可用于高净值客户和投资公司。维萨紧随万事达卡的脚步，通过维萨网络启用比特币购买。

比特币越来越难以被忽视。

自2018年3月以来，持有1个或更少比特币的比特币地址继续积累其在比特币供应中的份额。 三年前，“sat质押人”占供应量的3.97％，此后又增加了1.23％。 这使得他们目前的所有权份额达到了所有已开采比特币的5.20％。

小额持有者的持续积累表明，通过波动性，持有的意愿很强，从2018年年中到2020年的混乱中，这一趋势从未中断。在2020年3月黑色星期四抛售之后，我们也立即看到0.1到1个比特币持有者的大幅膨胀。

尽管在集会上的支出很少，最高可达4.2万美元，但“sat质押人”却又回到了历史最高的持仓量。

相对地址供应分配实时图

有趣的是，尽管我们继续看到小额持有者积累，但在过去三年中，较大的钱包持有量（＆gt； 100比特币）在网上相对持平。下图显示了由100比特币或更多的地址持有的供应。该组目前总共持有比特币供应量的62.62％，并且在过去12个月中增加了0.87％的总份额。

相对地址供应分配实时图

这些较大的钱包余额也围绕面额进行了洗牌，这可能是冷藏或保管人持有安排的一部分。自2020年12月接近上一个周期的2万美元ATH以来，我们看到较大持有人余额的变化大致相等且相反：

•章鱼到鱼（10～100 比特币）的持有量减少了-5.6万比特币

•海豚到鲨鱼（100～1000比特币）的保有量增加了＋33.1万比特币

•鲸鱼到座头鲸（1000～1万比特币）的持有量减少了-30.7万比特币

•从这些队列的净额来看，我们看到-3.2万比特币略有下降，仅占该队列所占总供应量的0.24％。

•同时，我们的“sat质押人”在同一时间累积了＋2.98万比特币，这表明比特币财富正在逐步转移。

地址持有的供应比较实时图

有关我们估计的比特币供应分布和持有者类别的更多信息，请参见此处的博文。

储备风险指标是高级的周期性指标，可随着周期的变化跟踪持有人的信念。支持储备风险的一般原则如下：

•每个未花费的代币都会累积代币天数，以衡量其休眠的时间。这是衡量强手持有人信念的好工具。

•随着价格上涨，出售和实现这些利润的动机也随之增加。结果，我们通常会看到持有人随着牛市的发展而花钱。

•更有力的人会抵制出售的诱惑，而这种集体行动会增加“机会成本”。持有人每天都主动决定不出售，从而增加了累积的未动用“机会成本”（称为持有银行）。

•储备风险采用当前价格（出售激励）与该累积“机会成本”（持有银行）之间的比率。换句话说，“储备风险”将销售动机与抵制诱惑的持有人的实力进行了比较。

下表显示了准备金风险振荡器，其当前值为0.008，前期高于蓝色突出显示的值。过去的周期峰值通常出现在大于0.02的值上。

随着价格上涨和/或更多持有人花费其代币，储备风险将增加。这代表了比特币从长期持有者到新购买者的“财富转移”。

有关储备风险指标的更多信息，请务必查看＠hansthered的原始论文以及我们在Glassnode学院的笔记。

储备风险实时图

我们还可以查看长期持有者（LTH，蓝色），短期持有者（STH，红色）所拥有的供应的相对比例；并根据上次移动的时间将代币分类为获利（深色）或亏损（浅色）。 请注意，以下图表显示了在损益中的循环供给比例，而不是PnL的大小。

牛市通常在三个不同的阶段遵循类似的“财富转移”路径。我们可以使用这些分形来估计我们在本周期中的什么位置，以作为“储备风险”指标的一个伴奏。

A阶段-最大痛苦：在熊市的深处，比特币持有者的最大横截面处于亏损状态（最浅的浅色区域）。LTH大约在熊的一半处开始累积（立即丢失），如逐渐增加的浅蓝色区域所示。

在投降时，只有40％到45％的LTH代币可获利，这代表了最大的痛苦，并且到目前为止已使所有周期处于最低点。

损益实时图中的长期和短期持有人供应

B阶段-持有高峰：随着牛市的发展，较高的价格会给持有者花钱创造更大的诱惑。在某个阶段，我们遇到了“峰值持有”，这是LTH拥有的代币中最大比例获利的拐点。通常，这对应于打破先前的循环ATH。

在持有峰值之后，我们看到的获利速度要比新持有者来得快。

在每个新的周期中，我们看到更多的供应被LTH锁定。 这既反映了市场的力量、信念的增强、资产类别的成熟度、获得流动性的可用工具，也反映了价格的指数增长和财富创造。

•2011年最高持有＝供应量的55％。

•2013年最高持有＝供应的65％（两次）。

•2021年潜在峰值持有＝供应的75％。

损益实时图中的长期和短期持有人供应

C期-周期顶部：最终，市场达到欣喜的顶部，随着更多的LTH在持有峰值拐点之后花费其代币。这代表了从LTH到较新的投机者的比特币“财富转移”事件，以及休眠供应的重新激活回到流动性循环。

我们可以通过计算峰值持有与在爆破顶部测得的同一指标之间的差，来估计LTH在牛市的最后阶段期间所消耗的供应比例。

可以将其视为“投入”所需的重新激活的供应量：

•2011年高峰：LTH重新激活了约12％的供应量。

•2013年高峰：LTH重新激活了两个高峰的约10％的供应量。

•2017年高峰：LTH重新激活了约17％的供应量。

•2021年当前：到目前为止，LTH已重新激活了9％的供应量。

损益实时图中的长期和短期持有人供给

与储备风险度量类似，这些研究表明情况类似于牛市的下半场或后期。自假设的峰值持有点以来，LTS仅花费了9％，仍然持有较大的相对供应部分。

2017年的峰值供应量几乎是“顶部投入”前消耗供应量的两倍（17％），这反映了巨大的新兴趣和观众的增加。随着比特币曝光率和采用率的持续增长以及超级周期的争论继续，这种比特币的“财富转移”也是值得关注的另一个有趣的分形。

较小持有者的积累不限于比特币。自2020年3月以来，余额小于10 ETH的较小的以太坊持有者累计增加了流通量的＋1.41％。 这些Gwei采集者目前持有供应量的4.58％，并且趋势持续向上和向右移动。

以太坊相对地址供应实时分布图

我们也看到更多长期休眠的ETH供给在吃藕波浪中被消耗。该图显示，自2020年5月以来，6个月以上的ETH供应量一直在稳步下降。除了一些获利回吐之外，可能有一些供应已被部署到DeFi智能合约甚至以太坊2.0抵押合约中 （注意到从2020年底开始的大幅下跌）

以太坊持有波浪实时图

同时，智能合约中的余额在2020年9月正式翻转了中心化交易所的余额。截止到今天，交易所余额持有以太坊的12.94％，而智能合约现在占供应量的五分之一，为21.11％。这表明产品市场符合2020年开始的趋势，自那时起，“DeFi之夏”一直持续锁定以太坊的供应。

智能合约和交易所余额比较图

我们最近开始了双周通讯《未知秘境》。这篇通讯从链上和链下数据的角度对比特币进行报道，并使用精美的图表和简短的评论，读者可以直观地了解市场上正在发生的事情。

即刻前往我们的Substack上查看未知之境，并立即订阅！

指标与资产

•发布的期权交易量和未平仓量指标

•改进了应用于灰度和ETF指标的图表样式（柱形或线形）

•现在请与我们的官方合作伙伴Bitcoin2Go一起阅读这篇德语周报

•关注我们的推特

•加入我的电报群

•关于链上指标和活动图，请访问 Glassnode Studio

•关于交易所核心链上指标和活动的自动提醒，请访问我们的（Glassnode警示推特）

免责声明：本报告不提供任何投资建议。所有数据仅供参考。任何投资决策均不得基于此处提供的信息，您对自己的投资决策负全部责任。

在最近的一篇文章中，我讨论了为著名的OpenAI的GPT-3提供动力的机器学习技术对加密货币市场的相关性。GPT-3能够回答问题、进行语言分析和生成文本，可能是近年来深度学习领域最著名的成就。但是，它决不是最适用于加密加密货币领域。在本文中，我想讨论一些新的深度学习领域，这些领域可以对应用于加密货币的量化模型产生近乎直接的影响。

本文作者：耶稣·罗德里格斯（Jesus Rodriguez）是加密货币资产市场情报平台IntoTheBlock的首席执行官。他曾在大型技术公司和对冲基金中担任领导职务。他是纽约哥伦比亚大学的积极投资者、演讲者、作家和客座讲师。

诸如GPT-3或谷歌的BERT之类的模型是在深度学习领域取得重大突破的结果，这种突破被称为语言预训练和转换模型。可以说，这些技术代表了深度学习行业最近几年的最大里程碑，并且其影响在资本市场中并没有被人们所忽视。

去年，在量化金融领域进行了积极的研究，探索了如何将transformer模型应用于不同的资产类别。但是，这些努力的结果仍然是粗略的，表明transformer远未准备好在金融数据集中运行，并且它们仍然主要适用于文本数据。但是没有理由感到难过。尽管使transformer适应金融场景仍然相对困难，但深度学习领域的其他新领域在应用于包括加密货币在内的各种资产类别的量化模型中时显示出了希望。

从许多角度来看，加密货币似乎就像是基于深度学习的量化模型的理想资产类别。这是因为数字DNA和加密货币资产的透明性，以及加密货币的兴起与机器学习的复兴以及深度学习的出现相吻合。

经过数十年的奋斗和几个所谓的“人工智能（AI）寒冬”，深度学习终于成为现实，并在软件行业的不同领域中成为主流。量化金融一直是新的深度学习技术和研究的最快采用者之一。市场上一些顶级量化基金通常会尝试使用高科技人工智能研究实验室（例如脸书、谷歌或微软）提出的相同类型的想法。

另请参阅：耶稣·罗德里格斯–加密货币量化策略失败的10个理由

现代量化融资中一些最令人兴奋的发展并非来自诸如transformer之类的浮华技术，而是源自为量化场景而开发的令人兴奋的机器学习突破。这些方法中的许多方法都完全适用于加密货币资产量化技术，并且已开始涉足加密货币量化模型。

下面，我列出了深度学习的五个新兴领域，这些领域对于加密货币量化方案特别重要。我试图使说明保持相对简单，并针对加密货币方案进行量身定制。

区块链数据集是加密货币领域中量化模型的唯一alpha来源。从结构的角度来看，区块链数据本质上是分层的，并由一个图形表示，其中节点表示地址，边表示交易。试想一个场景，其中一个定量模型试图根据将资金转移到交易所的地址的特征来预测给定交易所中比特币的波动性。这种模型需要在层次数据上高效地运行。但是大多数机器学习技术都是设计来处理表格数据集的，而不是图形。

图神经网络（GNN）是一门新兴的深度学习学科，其重点是在图数据结构上有效运行的模型。GNN是在2005年才发明的相对较新的深度学习领域。但是，GNN受到Uber、谷歌、微软、DeepMind等公司的大量采用。

在我们的示例场景中，GNN可以使用图作为输入来表示流入和流出交易所的流量，并推断与其价格影响有关的相关知识。在加密货币资产的背景下，GNN具有启用基于区块链数据集的新量化方法的潜力。

机器学习量化模型的局限性之一是缺少大型历史数据集。假设你试图基于其历史交易行为为chainlink（LINK）的价格建立一个预测模型。虽然这个概念似乎很吸引人，但由于LINK在像Coinbase这样的交易所中拥有超过一年的历史交易数据，因此可能会带来挑战。这个小数据集将不足以使大多数深度神经网络概括任何相关知识。

生成模型是一种深度学习方法，专门用于生成与训练数据集的分布相匹配的合成数据。在我们的场景中，假设我们在Coinbase中的link订单簿的分布中训练了一个生成模型，以便生成与真实订单簿的分布相匹配的新订单。

结合真实数据集和合成数据集，我们可以构建足够大的数据集来训练复杂的深度学习模型。生成模型的概念并不是特别新颖，但近年来随着诸如生成对抗神经网络（GAN）之类的流行技术的出现而受到了广泛的关注，该技术已成为图像分类等领域最受欢迎的方法之一。并已成功用于时序金融数据集。

标记数据集在加密货币领域中很稀缺，严重限制了可以在实际场景中构建的机器学习（ML）量化模型的类型。想象一下，我们正在尝试构建一个基于场外交易（OTC）柜台的活动进行价格预测的ML模型。为了训练该模型，我们需要一个大型的标记数据集，其地址属于OTC交易台，这是加密货币市场中只有少数实体拥有的数据集的类型。

半监督学习是一种深度学习技术，专注于创建可以使用较小的标记数据集和大量未标记的数据进行学习的模型。半监督学习类似于老师向一群学生介绍一些概念，而其他概念则留给家庭作业和自学。

在我们的示例场景中，想象一下，我们训练了一个模型，其中包含来自OTC交易台的少量标记交易和大量未标记的交易。我们的半监督学习模型将从标记的数据集中学习关键特征，例如交易规模或频率，并将使用未标记的数据集来扩展训练。

特征提取和选择是任何定量机器学习模型的关键组成部分，并且与诸如加密货币资产预测之类的不太了解的问题特别相关。想象一下，我们正在尝试根据订单记录为比特币的价格建立一个预测模型。

我们工作中最重要的方面之一就是确定哪些属性或特征可以充当预测变量。是中间价格、数量还是其他一百个因素？传统方法是依靠主题专家来手工制作这些特性，但是随着时间的推移，这些功能很难扩展和维护。

表示学习是深度学习的一个领域，专注于自动化实体表示或特征的学习以构建更有效的模型。表示学习不依赖于人类特征建模，而是尝试直接从未标记的数据集中推断特征。在我们的示例中，一种表示学习方法可以分析订单簿并识别成千上万的潜在功能，这些功能可以充当比特币价格的预测指标。种缩放和自动化水平在手工特征工程中是不可能实现的。

在许多方面，创建定量机器学习模型的过程仍然非常主观。让我们以一个模型为例，该模型试图根据一组DeFi协议中的活动来预测以太坊的价格。考虑到问题的性质，数据科学家将对要使用的模型类型和体系结构有一定的偏好。

在我们的场景中，大多数想法都是基于领域知识和关于DeFi协议中的活动如何影响以太坊价格的主观意见。鉴于机器学习是建立在知识基础上的，而知识不是离散的单元，因此对于给定的问题，几乎不可能就一种方法与另一种方法的优点进行辩论。

神经体系结构搜索（NAS）是深度学习的一个领域，它尝试使用机器学习来自动创建模型。使用机器学习来创建机器学习的一种。给定目标问题和数据集，NAS方法将评估数百种可能的神经网络体系结构，并输出具有最有希望的结果的神经网络体系结构。

在我们的示例场景中，NAS方法可以处理在去中心化交易所中合并交易的数据集，并生成一些模型，这些模型可以根据这些记录潜在地预测以太坊的价格。

上述方法代表了一些新兴的和更发达的深度学习领域，它们可能在短期内对加密货币量化模型产生影响。而且这些不是深度学习加密货币量化的唯一领域。

其他深度学习学科，例如强化学习、自我监督学习、甚至transformer，都正在迅速进入量化领域。关于应用于量化模型的深度学习技术的研究和实验无处不在，加密货币将成为这一波创新浪潮的巨大受益者。

Glassnode链上周报(2021年第12周)