比特幣供應動態深度分析
深入分析比特幣供應動態，包括長期持有者行為模式、交易所比特幣流入流出、供應緊張程度指標與市場週期分析。
比特幣供應動態深度分析：長期持有者、交易所流向與供應週期
概述
比特幣的貨幣政策是明確且可預測的——總量固定 2100 萬枚，每四年減半一次。然而，深入理解比特幣的供應動態，包括長期持有者（HODLers）的行為模式、交易所的比特幣流入流出、供應緊張程度指標等，對於把握比特幣市場週期和價格走勢至關重要。本文從數據驅動的角度，深入分析比特幣的供應動態，幫助投資者和研究者理解比特幣市場的微觀結構。
一、比特幣供應結構解析
1.1 比特幣供應的層次分類
比特幣的供應並非均勻分布，而是存在顯著的層次結構。讓我們從多個維度分析比特幣的供應分類。
比特幣供應層次結構：
┌─────────────────────────────────────────────────────────────────────┐
│ 比特幣供應層次金字塔 │
├─────────────────────────────────────────────────────────────────────┤
│ │
│ ┌─────────┐ │
│ │ 休眠幣 │ 5-7 年未移動 ~300萬 BTC │
│ │(Lost BTC)│ │
│ └────┬────┘ │
│ │ │
│ ┌─────────┴─────────┐ │
│ │ 長期持有者供應 │ > 1 年未動 ~1000萬 BTC │
│ │ (HODL Supply) │ │
│ └────────┬─────────┘ │
│ │ │
│ ┌─────────────┴─────────────┐ │
│ │ 短期持有者供應 │ < 1 年移動 ~500萬 BTC │
│ │ (Short-term Holder) │ │
│ └─────────────┬─────────────┘ │
│ │ │
│ ┌─────────────────┴─────────────────┐ │
│ │ 交易所可交易供應 │ ~300-400萬 BTC │
│ │ (Exchange Tradable) │ │
│ └───────────────────────────────────┘ │
│ │
│ 總流通供應：~1960萬 BTC (扣除估計的 300-400萬 休眠幣) │
│ │
└─────────────────────────────────────────────────────────────────────┘1.2 休眠比特幣分析
休眠比特幣是指長期（通常定義為 5 年以上）未在區塊鏈上移動的比特幣。這些比特幣可能因為私鑰丟失、持有者去世或其他原因而成為「永久」無法移動的資產。
#!/usr/bin/env python3
"""
比特幣休眠供應分析
分析長期未移動的比特幣數量及趨勢
"""
import pandas as pd
import numpy as np
from datetime import datetime, timedelta
import requests
class DormantSupplyAnalysis:
"""
比特幣休眠供應分析類
"""
def __init__(self):
self.blockchain_data = None
def fetch_utxo_data(self):
"""
獲取比特幣 UTXO 數據
實際實現需要連接比特幣節點或使用區塊鏈 API
這裡使用模擬數據進行概念說明
"""
# 模擬 UTXO 數據集
np.random.seed(42)
# 總 UTXO 數量（實際值約 1.5 億個）
n_utxos = 100000
# 生成隨機的 UTXO 年齡
# 使用，指數分佈模擬真實情況
ages_days = np.random.exponential(scale=500, size=n_utxos)
ages_days = np.clip(ages_days, 1, 5000)
# 生成隨機的 UTXO 金額（比特幣）
# 使用對數正態分佈
amounts = np.random.lognormal(mean=-3, sigma=2, size=n_utxos)
amounts = np.clip(amounts, 0.0001, 10000)
df = pd.DataFrame({
'utxo_id': range(n_utxos),
'amount_btc': amounts,
'age_days': ages_days
})
return df
def calculate_dormant_supply(self, threshold_years=5):
"""
計算休眠比特幣供應
參數:
- threshold_years: 休眠閾值（年）
"""
df = self.fetch_utxo_data()
threshold_days = threshold_years * 365
# 分類 UTXO
dormant = df[df['age_days'] >= threshold_days]
active = df[df['age_days'] < threshold_days]
return {
'dormant_supply_btc': dormant['amount_btc'].sum(),
'active_supply_btc': active['amount_btc'].sum(),
'dormant_utxo_count': len(dormant),
'active_utxo_count': len(active),
'dormant_percentage': (dormant['amount_btc'].sum() / df['amount_btc'].sum()) * 100,
'threshold_years': threshold_years
}
def age_distribution_analysis(self):
"""
分析比特幣 UTXO 年齡分佈
"""
df = self.fetch_utxo_data()
# 年齡分組
age_groups = {
'< 1 month': (0, 30),
'1-3 months': (30, 90),
'3-6 months': (90, 180),
'6-12 months': (180, 365),
'1-2 years': (365, 730),
'2-3 years': (730, 1095),
'3-5 years': (1095, 1825),
'5-7 years': (1825, 2555),
'> 7 years': (2555, float('inf'))
}
results = {}
total_supply = df['amount_btc'].sum()
for group_name, (min_age, max_age) in age_groups.items():
group_df = df[(df['age_days'] >= min_age) & (df['age_days'] < max_age)]
group_supply = group_df['amount_btc'].sum()
results[group_name] = {
'supply_btc': group_supply,
'percentage': (group_supply / total_supply) * 100,
'utxo_count': len(group_df),
'avg_amount': group_df['amount_btc'].mean() if len(group_df) > 0 else 0
}
return results
def dormant_supply_trend(self, lookback_days=365):
"""
計算休眠供應的趨勢變化
這需要歷史數據的支援
"""
# 簡化實現：基於當前數據推斷
current_dormant = self.calculate_dormant_supply(threshold_years=5)
# 估算歷史趨勢（實際需要真實歷史數據）
# 假設每年有約 2-3% 的比特幣進入休眠
annual_dormant_rate = 0.025
trend = {
'current_dormant_btc': current_dormant['dormant_supply_btc'],
'estimated_annual_increase': current_dormant['dormant_supply_btc'] * annual_dormant_rate,
'projected_1_year': current_dormant['dormant_supply_btc'] * (1 + annual_dormant_rate),
'projected_5_years': current_dormant['dormant_supply_btc'] * ((1 + annual_dormant_rate) ** 5),
'note': '基於歷史趨勢推斷，實際值可能有所不同'
}
return trend
def lost_bitcoin_estimation(self):
"""
估算丟失的比特幣數量
方法：
1. 最後一次移動超過 10 年的比特幣視為可能丟失
2. 考慮早期比特幣的流動性模式
"""
# 10 年閾值
very_old = self.calculate_dormant_supply(threshold_years=10)
# 早期比特幣（2010 年以前開採的）
# 這是一個估算值
early_miners_estimate = {
'block_reward_era_1': 50, # 2009-2012 每區塊 50 BTC
'blocks_era_1': 210000 * 0.9, # 約 90% 的區塊
'total_early_btc': 210000 * 50 * 0.9,
'estimated_lost_era_1': 210000 * 50 * 0.9 * 0.3, # 假設 30% 丟失
}
return {
'>10_year_dormant': very_old['dormant_supply_btc'],
'estimated_early_lost': early_miners_estimate['estimated_lost_era_1'],
'total_lost_estimate': (
very_old['dormant_supply_btc'] * 0.5 + # 50% 可能真的丟失
early_miners_estimate['estimated_lost_era_1']
),
'lost_percentage_of_circulating': (
(very_old['dormant_supply_btc'] * 0.5 + early_miners_estimate['estimated_lost_era_1']) /
19600000 * 100
)
}1.3 長期持有者供應分析
長期持有者（Long-term Holders, LTH）是指持有比特幣超過 155 天（約 5 個月）的投資者群體。這一群體的行為對比特幣的市場週期有重要影響。
# 長期持有者供應分析
class LongTermHolderAnalysis:
"""
比特幣長期持有者分析
"""
def __init__(self):
self.price_data = None
def define_long_term_holders(self, threshold_days=155):
"""
定義長期持有者
標準：比特幣未移動超過 155 天（約 5 個月）
"""
self.threshold_days = threshold_days
def calculate_lth_supply(self, blockchain_data):
"""
計算長期持有者持有的比特幣數量
"""
# 根據 UTXO 年齡計算
lth_utxos = blockchain_data[
blockchain_data['age_days'] >= self.threshold_days
]
lth_supply = lth_utxos['amount_btc'].sum()
total_supply = blockchain_data['amount_btc'].sum()
return {
'lth_supply_btc': lth_supply,
'total_supply_btc': total_supply,
'lth_percentage': (lth_supply / total_supply) * 100,
'threshold_days': self.threshold_days
}
def lth_supply_ratio_analysis(self, historical_data):
"""
長期持有者供應比率分析
LTH 供應比率是評估市場週期的重要指標：
- 高 LTH 比率：累積階段，拋售壓力低
- 低 LTH 比率：分配階段，拋售壓力高
"""
# 模擬歷史數據分析
results = []
for date, row in historical_data.iterrows():
lth_ratio = row['lth_supply'] / row['total_supply']
#TH 比率判 根據 L斷市場階段
if lth_ratio > 0.75:
stage = 'accumulation'
elif lth_ratio > 0.60:
stage = 'bull_market'
elif lth_ratio > 0.45:
stage = 'distribution'
else:
stage = 'bear_market'
results.append({
'date': date,
'lth_supply_ratio': lth_ratio,
'stage': stage,
'btc_price': row.get('price', 0)
})
return pd.DataFrame(results)
def lth_cost_basis_analysis(self):
"""
長期持有者成本基礎分析
計算 LTH 群體的平均買入價格
"""
# 這需要複雜的鏈上數據分析
# 簡化實現：
# 假設數據
price_data = {
'2017_bull': {'price': 20000, 'lth_percent': 0.30},
'2018_bear': {'price': 3500, 'lth_percent': 0.55},
'2019_bull': {'price': 13000, 'lth_percent': 0.45},
'2020_covid': {'price': 5000, 'lth_percent': 0.65},
'2021_bull': {'price': 69000, 'lth_percent': 0.35},
'2022_bear': {'price': 16000, 'lth_percent': 0.70},
'2023_recovery': {'price': 45000, 'lth_percent': 0.55},
'2024_new_high': {'price': 100000, 'lth_percent': 0.40}
}
results = []
for period, data in price_data.items():
# 估算 LTH 平均成本
# 這是一個簡化的近似
if data['lth_percent'] < 0.5:
# 低 LTH 比率通常在價格高點
estimated_cost = data['price'] * 0.5
else:
# 高 LTH 比率通常在價格低點
estimated_cost = data['price'] * 0.3
results.append({
'period': period,
'btc_price': data['price'],
'lth_percent': data['lth_percent'] * 100,
'estimated_lth_cost_basis': estimated_cost,
'unrealized_gain_pct': ((data['price'] - estimated_cost) / estimated_cost) * 100
})
return pd.DataFrame(results)
def lth_market_dynamics(self, price_history, lth_history):
"""
長期持有者與市場動態關係分析
"""
merged = pd.merge(price_history, lth_history, on='date')
# 計算相關性
price_returns = merged['price'].pct_change()
lth_changes = merged['lth_supply'].pct_change()
correlation = price_returns.corr(lth_changes)
# 分析 LTH 比率變化對價格的影響
# 領先/落後關係
results = {
'correlation_price_lth': correlation,
'interpretation': self._interpret_correlation(correlation)
}
return results
def _interpret_correlation(self, corr):
"""
解讀相關性
"""
if corr > 0.3:
return "正相關：LTH 供應增加時價格傾向上漲"
elif corr < -0.3:
return "負相關：LTH 供應增加時價格傾向下跌"
else:
return "弱相關：LTH 供應與價格沒有明顯線性關係"二、交易所比特幣流向分析
2.1 交易所流入流出機制
交易所是比特幣市場的核心樞紐，交易所的比特幣流入流出數據是判斷市場情緒的重要指標。
# 交易所比特幣流向分析
class ExchangeFlowAnalysis:
"""
比特幣交易所流向分析
"""
def __init__(self):
self.exchanges = [
'Binance', 'Coinbase', 'Kraken',
'Bitfinex', 'Gemini', 'KuCoin'
]
def fetch_exchange_data(self, exchange, start_date, end_date):
"""
獲取交易所比特幣餘額變化數據
數據來源：區塊鏈分析公司或交易所公開錢包地址
"""
# 模擬數據
np.random.seed(42)
dates = pd.date_range(start=start_date, end=end_date, freq='D')
# 模擬餘額變化（真實數據波動更大）
base_balance = np.random.uniform(50000, 500000)
balances = []
current = base_balance
for _ in dates:
change = np.random.normal(0, current * 0.02)
current = max(0, current + change)
balances.append(current)
df = pd.DataFrame({
'date': dates,
'exchange': exchange,
'btc_balance': balances,
'daily_change': np.diff([base_balance] + balances)
})
return df
def calculate_net_flows(self, exchange_data):
"""
計算淨流入/淨流出
正值：淨流入（投資者存入比特幣到交易所）
負值：淨流出（投資者從交易所提走比特幣）
"""
results = []
for exchange in exchange_data['exchange'].unique():
exchange_df = exchange_data[exchange_data['exchange'] == exchange]
# 日變化的總和
total_inflow = exchange_df[exchange_df['daily_change'] > 0]['daily_change'].sum()
total_outflow = abs(
exchange_df[exchange_df['daily_change'] < 0]['daily_change'].sum()
)
net_flow = total_inflow - total_outflow
results.append({
'exchange': exchange,
'total_inflow': total_inflow,
'total_outflow': total_outflow,
'net_flow': net_flow,
'current_balance': exchange_df['btc_balance'].iloc[-1]
})
return pd.DataFrame(results)
def aggregate_market_flows(self, all_exchange_data):
"""
計算市場整體流向
"""
daily_flows = all_exchange_data.groupby('date')['daily_change'].sum()
# 計算累計淨流入
cumulative_flows = daily_flows.cumsum()
return {
'daily_flows': daily_flows,
'cumulative_flows': cumulative_flows,
'total_net_inflow': cumulative_flows.iloc[-1],
'flow_trend': 'accumulation' if cumulative_flows.iloc[-1] > 0 else 'distribution'
}
def flow_price_correlation(self, price_data, flow_data):
"""
分析流向與價格的相關性
假設：
- 交易所比特幣餘額增加 -> 潛在拋售壓力增加
- 交易所比特幣餘額減少 -> 潛在拋售壓力減少
"""
merged = pd.merge(
price_data[['date', 'price']],
flow_data.groupby('date')['daily_change'].sum().reset_index(),
on='date'
).dropna()
# 計算相關性
price_change = merged['price'].pct_change()
flow_change = merged['daily_change']
correlation = price_change.corr(flow_change)
# 領先落後分析
lead_corrs = {}
for lead in range(-7, 8):
if lead < 0:
corr = price_change.iloc[abs(lead):].corr(
flow_change.iloc[:lead].reset_index(drop=True)
)
elif lead > 0:
corr = price_change.iloc[:-lead].reset_index(drop=True).corr(
flow_change.iloc[lead:].reset_index(drop=True)
)
else:
corr = price_change.corr(flow_change)
lead_corrs[lead] = corr
return {
'contemporaneous_correlation': correlation,
'lead_lag_correlations': lead_corrs,
'interpretation': self._interpret_flow_correlation(lead_corrs)
}
def _interpret_flow_correlation(self, lead_corrs):
"""
解讀流向相關性
"""
best_lead = max(lead_corrs.items(), key=lambda x: abs(x[1]) if not np.isnan(x[1]) else 0)
if best_lead[1] > 0.3:
return f"價格上漲伴隨交易所流入增加（最佳領先期: {best_lead[0]} 天）"
elif best_lead[1] < -0.3:
return f"價格上漲伴隨交易所流出增加（最佳領先期: {best_lead[0]} 天）- 可能是機構增持"
else:
return "流向與價格沒有顯著相關性"2.2 交易所餘額趨勢分析
# 交易所比特幣餘額趨勢分析
class ExchangeBalanceTrend:
"""
交易所比特幣餘額趨勢分析
"""
def __init__(self):
pass
def calculate_balance_metrics(self, exchange_balance_history):
"""
計算交易所餘額的關鍵指標
"""
results = []
for exchange in exchange_balance_history['exchange'].unique():
data = exchange_balance_history[
exchange_balance_history['exchange'] == exchange
].sort_values('date')
# 計算趨勢
data['balance_change_30d'] = data['btc_balance'].diff(30)
data['balance_change_pct_30d'] = data['btc_balance'].pct_change(30)
# 計算波動性
volatility_30d = data['btc_balance'].rolling(30).std()
# 趨勢判斷
if data['balance_change_pct_30d'].iloc[-1] > 0.05:
trend = 'increasing'
elif data['balance_change_pct_30d'].iloc[-1] < -0.05:
trend = 'decreasing'
else:
trend = 'stable'
results.append({
'exchange': exchange,
'current_balance': data['btc_balance'].iloc[-1],
'change_30d': data['balance_change_30d'].iloc[-1],
'change_pct_30d': data['balance_change_pct_30d'].iloc[-1] * 100,
'volatility_30d': volatility_30d.iloc[-1],
'trend': trend
})
return pd.DataFrame(results)
def market_depth_analysis(self, exchange_balances, total_supply=19600000):
"""
市場深度分析
交易所比特幣餘額 / 總流通供應
"""
total_exchange_balance = exchange_balances['current_balance'].sum()
return {
'total_exchange_balance': total_exchange_balance,
'exchange_supply_ratio': (total_exchange_balance / total_supply) * 100,
'days_of_volume': self._estimate_days_of_volume(
total_exchange_balance,
exchange_balances
),
'liquidity_assessment': self._assess_liquidity(
total_exchange_balance / total_supply
)
}
def _estimate_days_of_volume(self, balance, exchange_data):
"""
估算交易所餘額相當於多少天的交易量
"""
# 假設日交易量約為流通供應的 2-5%
daily_volume_ratio = 0.035 # 3.5%
estimated_daily_volume = 19600000 * daily_volume_ratio
return balance / estimated_daily_volume
def _assess_liquidity(self, exchange_ratio):
"""
評估流動性
"""
if exchange_ratio < 0.10:
return '極低流動性 - 比特幣可能被長期持有'
elif exchange_ratio < 0.20:
return '較低流動性 - 大部分比特幣被持有'
elif exchange_ratio < 0.30:
return '適中流動性'
else:
return '較高流動性 - 更多比特幣在市場上交易'
def institutional_indicator(self, exchange_data):
"""
機構活動指標
某些交易所（如 Coinbase Prime）的餘額變化可能反映機構活動
"""
institutional_exchanges = ['Coinbase', 'BitGo', 'Fidelity']
retail_exchanges = ['Coinbase (Standard)', 'Binance', 'Kraken']
inst_data = exchange_data[
exchange_data['exchange'].isin(institutional_exchanges)
]
retail_data = exchange_data[
exchange_data['exchange'].isin(retail_exchanges)
]
inst_balance = inst_data['current_balance'].sum()
retail_balance = retail_data['current_balance'].sum()
return {
'institutional_balance': inst_balance,
'retail_balance': retail_balance,
'institutional_ratio': (inst_balance / (inst_balance + retail_balance)) * 100,
'institutional_trend': 'increasing' if inst_balance > retail_balance * 0.3 else 'stable'
}三、比特幣供應週期模型
3.1 減半週期與供應衝擊
比特幣減半是理解比特幣供應動態的關鍵事件。讓我們量化分析減半對比特幣供應的影響。
# 比特幣減半與供應分析
class HalvingSupplyAnalysis:
"""
比特幣減半週期供應分析
"""
# 減半時間表（區塊高度）
HALVING_HEIGHTS = [210000, 420000, 630000, 840000]
HALVING_DATES = [
datetime(2012, 11, 28),
datetime(2016, 7, 9),
datetime(2020, 5, 11),
datetime(2024, 4, 20)
]
# 每個時代的區塊獎勵
BLOCK_REWARDS = [50, 25, 12.5, 6.25, 3.125]
def __init__(self):
self.current_block_reward = 3.125 # 減半後
def calculate_circulating_supply_at_halving(self, halving_date):
"""
計算減半時的流通供應量
理論公式：
supply = 50 * 210000 * (1 + 1/2 + 1/4 + ...) - 估計丟失
"""
# 減半次數
halving_number = self.HALVING_DATES.index(halving_date) + 1 if halving_date in self.HALVING_DATES else 0
# 計算理論供應（不考慮丟失）
theoretical_supply = 0
for i in range(halving_number):
theoretical_supply += self.BLOCK_REWARDS[i] * 210000
# 考慮每年的區塊（第一個時代是 210,000 區塊，後續各 420,000）
theoretical_supply = 50 * 210000 # 第一個時代
for i in range(1, halving_number):
theoretical_supply += self.BLOCK_REWARDS[i] * 210000 * 2
# 估算流通供應（扣除約 15-20% 的估計丟失）
lost_estimate = 0.15
circulating_supply = theoretical_supply * (1 - lost_estimate)
return {
'halving_number': halving_number,
'theoretical_supply': theoretical_supply,
'estimated_circulating_supply': circulating_supply,
'block_reward': self.BLOCK_REWARDS[halving_number] if halving_number < len(self.BLOCK_REWARDS) else 0,
'lost_estimate_pct': lost_estimate * 100
}
def supply_issuance_analysis(self):
"""
分析比特幣供應發行率
"""
results = []
for i, date in enumerate(self.HALVING_DATES):
halving_supply = self.calculate_circulating_supply_at_halving(date)
# 年化發行率
annual_blocks = 210000 * 2 # 每年區塊數（平均 10 分鐘）
annual_issuance = halving_supply['block_reward'] * annual_blocks
annual_issuance_rate = (annual_issuance / halving_supply['estimated_circulating_supply']) * 100
results.append({
'halving': i + 1,
'date': date,
'block_reward': halving_supply['block_reward'],
'circulating_supply': halving_supply['estimated_circulating_supply'],
'annual_issuance_rate': annual_issuance_rate,
'inflation_rate': annual_issuance_rate / 100 # 純通膨率
})
return pd.DataFrame(results)
def future_supply_projection(self, years_ahead=10):
"""
未來供應預測
"""
current_supply = 19700000 # 近似當前流通量
current_block_reward = 3.125
projections = []
current_date = datetime.now()
for year in range(1, years_ahead + 1):
# 計算年度發行
annual_blocks = 210000 * 2
annual_issuance = current_block_reward * annual_blocks
# 下一次減半（2028 年）
if current_date.year + year >= 2028:
current_block_reward = 1.5625
# 第二次減半（2032 年）
if current_date.year + year >= 2032:
current_block_reward = 0.78125
current_supply += annual_issuance
projections.append({
'year': current_date.year + year,
'projected_supply': min(current_supply, 21000000),
'block_reward': current_block_reward,
'annual_issuance': annual_issuance,
'cumulative_mined': current_supply,
'remaining': 21000000 - current_supply,
'pct_of_total': (current_supply / 21000000) * 100
})
return pd.DataFrame(projections)3.2 供應緊張指標
# 比特幣供應緊張程度指標
class SupplySqueezeIndicator:
"""
比特幣供應緊張程度指標
"""
def __init__(self):
self.price_data = None
self.supply_data = None
def calculate_supply_demand_ratio(self, trading_volume, circulating_supply):
"""
計算供需比率
比率越高表示供應越緊張
"""
daily_volume = trading_volume
supply_ratio = daily_volume / circulating_supply
return {
'supply_demand_ratio': supply_ratio,
'interpretation': self._interpret_ratio(supply_ratio)
}
def _interpret_ratio(self, ratio):
if ratio < 0.01:
return "供應充足 - 買賣壓力相對平衡"
elif ratio < 0.03:
return "供應適中"
elif ratio < 0.05:
return "供應緊張 - 可能推動價格上漲"
else:
return "極度供應緊張 - 價格上漲壓力大"
def realized_cap_hodl_wave(self, price_data, supply_data):
"""
實現市值和 HODL 波形分析
實現市值 (Realized Cap)：
所有比特幣的最後一次移動價值的總和
HODL 波形：
不同年齡段的比特幣供應比例
"""
# 模擬數據
# 實際需要完整的鏈上數據
realized_cap = 0
for age_group, data in supply_data['age_distribution'].items():
# 假設每個年齡段的平均成本
avg_cost = self._estimate_cost_basis(age_group, price_data)
realized_cap += data['supply_btc'] * avg_cost
market_cap = price_data['current_price'] * supply_data['total_supply']
# HODL 波形指標
lth_supply = sum(
data['supply_btc']
for age_group, data in supply_data['age_distribution'].items()
if 'year' in age_group and int(age_group.split('-')[0].replace('>', '')) >= 1
)
return {
'realized_cap': realized_cap,
'market_cap': market_cap,
'mvrv_ratio': market_cap / realized_cap,
'lth_supply_btc': lth_supply,
'lth_supply_ratio': lth_supply / supply_data['total_supply'],
'interpretation': self._interpret_mvrv(market_cap / realized_cap)
}
def _estimate_cost_basis(self, age_group, price_data):
"""
估算不同年齡段比特幣的成本基礎
"""
# 簡化實現
age_map = {
'< 1 month': 0.9,
'1-3 months': 0.8,
'3-6 months': 0.7,
'6-12 months': 0.6,
'1-2 years': 0.4,
'2-3 years': 0.3,
'3-5 years': 0.2,
'5-7 years': 0.15,
'> 7 years': 0.1
}
multiplier = age_map.get(age_group, 0.5)
return price_data['current_price'] * multiplier
def _interpret_mvrv(self, mvrv):
"""
解讀 MVRV 比率
MVRV = 市值 / 實現市值
- MVRV < 1: 比特幣被低估（持有人平均獲利為負）
- MVRV ~ 1.5-2: 合理估值
- MVRV > 3-4: 比特幣被高估
"""
if mvrv < 1:
return "嚴重低估 - 持有人普遍虧損"
elif mvrv < 2:
return "低估 - 增持機會"
elif mvrv < 3:
return "合理估值"
elif mvrv < 4:
return "適度高估"
else:
return "嚴重高估 - 泡沫風險"
def stock_to_flow_model_analysis(self):
"""
庫存流量比模型分析
S2F = Stock (庫存) / Flow (年產量)
"""
# 當前數據
current_stock = 19700000 # BTC
annual_flow = 328500 # 每年約產 6.25 BTC/區塊 * 6*24*365
s2f = current_stock / annual_flow
# S2F 價格模型（基於歷史數據的回歸）
# 價格 = exp(12.5) * S2F^3.3
# 這是一個簡化的模型
predicted_price = np.exp(12.5) * (s2f ** 3.3)
return {
'stock': current_stock,
'flow': annual_flow,
'stock_to_flow': s2f,
'predicted_price': predicted_price,
'current_price': 100000, # 假設
'model_vs_current': (predicted_price / 100000 - 1) * 100
}四、實際應用：市場週期分析框架
4.1 供應動態綜合指標
# 比特幣供應動態綜合儀表板
class SupplyDynamicsDashboard:
"""
比特幣供應動態綜合儀表板
"""
def __init__(self):
pass
def generate_market_cycle_signal(self, indicators):
"""
根據供應動態指標生成市場週期信號
"""
# 評分權重
weights = {
'lth_supply_ratio': 0.25,
'exchange_balance_trend': 0.20,
'mvrv_ratio': 0.25,
'stock_to_flow': 0.15,
'supply_demand_ratio': 0.15
}
# 評分函數
scores = {}
# LTH 供應比率
if indicators['lth_supply_ratio'] > 0.65:
scores['lth_supply_ratio'] = 100 # 累積階段
elif indicators['lth_supply_ratio'] > 0.50:
scores['lth_supply_ratio'] = 60
elif indicators['lth_supply_ratio'] > 0.40:
scores['lth_supply_ratio'] = 40
else:
scores['lth_supply_ratio'] = 20 # 分配階段
# 交易所餘額趨勢
if indicators['exchange_balance_trend'] < -0.05:
scores['exchange_balance_trend'] = 80 # 流出，積极增持
elif indicators['exchange_balance_trend'] < 0:
scores['exchange_balance_trend'] = 60
elif indicators['exchange_balance_trend'] < 0.05:
scores['exchange_balance_trend'] = 40
else:
scores['exchange_balance_trend'] = 20
# MVRV
if indicators['mvrv_ratio'] < 1:
scores['mvrv_ratio'] = 90
elif indicators['mvrv_ratio'] < 1.5:
scores['mvrv_ratio'] = 70
elif indicators['mvrv_ratio'] < 2.5:
scores['mvrv_ratio'] = 50
elif indicators['mvrv_ratio'] < 3.5:
scores['mvrv_ratio'] = 30
else:
scores['mvrv_ratio'] = 10
# 計算加權分數
total_score = sum(
scores[key] * weights[key]
for key in weights.keys()
)
# 生成信號
if total_score > 70:
signal = 'STRONG_BUY'
description = '供應緊張，長期持有者累積，建議增持'
elif total_score > 55:
signal = 'BUY'
description = '供應偏緊，適合建倉'
elif total_score > 40:
signal = 'HOLD'
description = '供應適中，建議觀望'
elif total_score > 25:
signal = 'SELL'
description = '供應過剩，考慮減倉'
else:
signal = 'STRONG_SELL'
description = '嚴重供應過剩，建議大幅減倉'
return {
'signal': signal,
'description': description,
'total_score': total_score,
'component_scores': scores,
'weights': weights
}
def backtest_strategy(self, historical_data, strategy='lth_based'):
"""
回測供應動態策略
"""
results = []
for date, data in historical_data.iterrows():
indicators = {
'lth_supply_ratio': data.get('lth_ratio', 0.5),
'exchange_balance_trend': data.get('exchange_change', 0),
'mvrv_ratio': data.get('mvrv', 2.0),
'stock_to_flow': data.get('s2f', 50),
'supply_demand_ratio': data.get('sd_ratio', 0.02)
}
signal = self.generate_market_cycle_signal(indicators)
# 根據信號決定倉位
if signal['signal'] == 'STRONG_BUY':
position = 1.0
elif signal['signal'] == 'BUY':
position = 0.7
elif signal['signal'] == 'HOLD':
position = 0.5
elif signal['signal'] == 'SELL':
position = 0.3
else:
position = 0.1
results.append({
'date': date,
'signal': signal['signal'],
'position': position,
'btc_price': data.get('price', 0),
'score': signal['total_score']
})
return pd.DataFrame(results)
def calculate_strategy_performance(self, backtest_results, initial_capital=10000):
"""
計算策略績效
"""
df = backtest_results.sort_values('date')
# 計算持倉價值變化
df['position_value'] = initial_capital
for i in range(1, len(df)):
price_change = df.iloc[i]['btc_price'] / df.iloc[i-1]['btc_price']
position_change = df.iloc[i]['position'] / df.iloc[i-1]['position']
df.iloc[i, df.columns.get_loc('position_value')] = (
df.iloc[i-1]['position_value'] * price_change * position_change
)
# 計算關鍵指標
total_return = (df['position_value'].iloc[-1] / initial_capital - 1) * 100
# 最大回撤
cummax = df['position_value'].cummax()
drawdown = (df['position_value'] - cummax) / cummax
max_drawdown = drawdown.min() * 100
# 夏普比率（簡化）
returns = df['position_value'].pct_change().dropna()
sharpe = (returns.mean() / returns.std()) * np.sqrt(252) if returns.std() > 0 else 0
return {
'total_return': total_return,
'max_drawdown': max_drawdown,
'sharpe_ratio': sharpe,
'win_rate': (returns > 0).sum() / len(returns) * 100
}五、結論
本文深入分析了比特幣的供應動態，包括以下關鍵發現：
5.1 主要結論
比特幣供應動態關鍵發現：
┌─────────────────────────────────────────────────────────────────────────┐
│ 供應結構 │
├─────────────────────────────────────────────────────────────────────────┤
│ │
│ • 流通供應：~1960 萬 BTC（扣除約 300-400 萬休眠/丟失幣） │
│ • 長期持有者供應：~1000 萬 BTC（50-55%） │
│ • 交易所可交易供應：~300-400 萬 BTC（15-20%） │
│ │
├─────────────────────────────────────────────────────────────────────────┤
│ 減半週期 │
├─────────────────────────────────────────────────────────────────────────┤
│ │
│ • 減半後發行率持續下降：6.25 → 3.125 → 1.5625 → 0.78125 BTC/區塊 │
│ • 年通膨率從初始的 ~9% 降至當前的 ~1.7% │
│ • 2140 年達到 2100 萬上限 │
│ │
├─────────────────────────────────────────────────────────────────────────┤
│ 市場週期信號 │
├─────────────────────────────────────────────────────────────────────────┤
│ │
│ • LTH 比率 > 60%：累積階段，價格可能上漲 │
│ • 交易所餘額下降：持有人增持，拋售壓力低 │
│ • MVRV < 1.5：比特幣相對低估 │
│ • S2F > 50：比特幣相對稀缺 │
│ │
├─────────────────────────────────────────────────────────────────────────┤
│ 投資啟示 │
├─────────────────────────────────────────────────────────────────────────┤
│ │
│ • 供應動態指標有助於判斷市場週期階段 │
│ • 長期持有者行為是價格走勢的重要領先指標 │
│ • 交易所流向反映短期交易者情緒 │
│ • 綜合多個指標比單一指標更具可靠性 │
│ │
└─────────────────────────────────────────────────────────────────────────┘5.2 數據來源與局限性
數據來源：
1. Blockchain.com - 比特幣區塊鏈數據
2. Glassnode - 鏈上指標
3. CoinMetrics - 網路數據
4. 交易所公開錢包地址
分析局限性：
1. 休眠比特幣難以精確統計
2. 交易所錢包識別可能不完整
3. 歷史數據覆蓋範圍有限
4. 模型預測存在不確定性
建議：
- 將供應動態指標與其他分析方法結合使用
- 關注趨勢變化而非絕對值
- 定期更新數據以反映最新市場狀態參考資料
- Glassnode - "The Week On-chain"
- CoinMetrics - "State of the Network"
- Nakamoto Terminal - Bitcoin Supply Dynamics
- Blockchain.com - Bitcoin Statistics
- Bitcoin Wiki - Controlled Supply
相關文章
- 比特幣減半週期分析 — 理解比特幣減半對價格與市場的影響。
- 比特幣減半與供給側經濟學 — 深入分析比特幣減半機制對供需結構的影響，從經濟學角度理解比特幣的稀缺性邏輯。
- 比特幣鏈上指標實戰應用：從數據到投資決策 — 全面介紹比特幣鏈上指標的計算方法、數據解讀與投資應用，包含活躍地址數、交易量、Stock-to-Flow模型、已實現市值、長期持有者供給等關鍵指標的實作指南。
- 比特幣減半週期量化模型與價格預測方法論完整指南 — 深入探討比特幣減半週期的量化分析框架，從傳統供需模型到現代機器學習方法論，為投資者提供科學化的比特幣價格分析工具與風險管理策略。
- 比特幣減半週期與價格關聯性深度量化分析：時間序列模型、統計檢定與投資策略框架 — 採用嚴謹的量化分析方法，從時間序列統計、迴歸模型、事件研究法等多個角度，深入檢驗比特幣減半對價格的影響。
延伸閱讀與來源
這篇文章對您有幫助嗎？
請告訴我們如何改進：
0 人覺得有帮助
評論
發表評論
注意：由於這是靜態網站，您的評論將儲存在本地瀏覽器中，不會公開顯示。
目前尚無評論，成為第一個發表評論的人吧！