จากกฎพลังไปจนถึงเครือข่าย AI ทำไมโมเดลราคาบิตคอยน์ที่ซับซ้อนถึงจดจำเสียงรบกวนของตลาด

การคาดการณ์ราคาบิตคอยน์ได้สะสมวิธีการที่มีสีสันอย่างไม่ธรรมดา

คุณมีโมเดลความขาดแคลนพื้นฐานที่แปลงตารางการลดครึ่งหนึ่งเป็นราคา และโมเดลบนบล็อกเชนทั่วไปที่แปลงกิจกรรมที่อยู่หรือการทำธุรกรรมเป็นมูลค่า

กราฟพลังที่มีการโต้แย้งสูงดึงทางเดินที่เพิ่มขึ้นผ่านประวัติศาสตร์ของบิตคอยน์ และระบบการเรียนรู้ของเครื่องจะป้อนข้อมูลตลาดและข้อมูลมหภาคเข้าสู่ซอฟต์แวร์ที่ซับซ้อนอย่างไม่น่าเชื่อ

แต่ละวิธีการเหล่านี้เข้าร่วมการแข่งขันการคาดการณ์ราคาโดยมีคู่แข่งที่ตื้นเขินและเรียบง่าย: การคาดการณ์ที่ไม่ซับซ้อนซึ่งใช้เพียงข้อมูลตลาดปัจจุบัน การคาดการณ์ราคาสามารถใช้ราคาวันนี้ การคาดการณ์ผลตอบแทนสามารถใช้ศูนย์ และการคาดการณ์ทิศทางสามารถใช้การเดินแบบสุ่ม

วรรณกรรมทางวิชาการส่วนใหญ่มีความยากลำบากในการเอาชนะมันเมื่อโมเดลออกจากช่วงเวลาที่มันถูกออกแบบมา

เอกสารพิมพ์ล่วงหน้าของเดือนพฤษภาคม 2026 ที่ตรวจสอบการวิจัยการคาดการณ์บิตคอยน์โดย Carlos Baquero จากมหาวิทยาลัยปอร์โต้ได้ข้อสรุปที่น่าตกใจ: ในบันทึกที่ผ่านการตรวจสอบโดยเพื่อน ไม่มีโมเดลใดแสดงให้เห็นถึงความเหนือกว่าที่ยั่งยืนเมื่อเปรียบเทียบกับเกณฑ์ที่ไม่ซับซ้อนที่เหมาะสมในช่วงเวลา 1 ถึง 6 เดือนในหลายตลาด

วรรณกรรมมีเอกสารหลายร้อยฉบับ ในขณะที่ Baquero เลือก 23 ฉบับสำหรับการตรวจสอบอย่างใกล้ชิดตามวิธีการ อิทธิพล หรือการใช้การประเมินผลนอกตัวอย่างที่แท้จริง การตรวจสอบเองยังรอการตรวจสอบโดยเพื่อน ซึ่งเป็นความแตกต่างที่สำคัญเมื่อหนึ่งในข้อโต้แย้งหลักของมันคือการอ้างสิทธิ์การคาดการณ์ต้องการการประเมินที่เข้มแข็งกว่า

การไหลของคำสั่งในระยะสั้นและการคาดการณ์ผลตอบแทนรายวันอยู่ในสาขาที่แยกต่างหาก และบางส่วนได้สร้างมูลค่าการคาดการณ์ที่แท้จริง การอภิปรายออนไลน์มักจะผสมผสานพวกเขากับการคาดการณ์ราคาที่มีระยะเวลานานกว่าและโมเดลการประเมินค่า แม้ว่าทุกงานจะต้องการคำตอบที่แตกต่างกัน

สูตรที่อธิบายเส้นทางประวัติศาสตร์ของบิตคอยน์บอกเราเพียงเล็กน้อยเกี่ยวกับทิศทางของวันพรุ่งนี้ ในขณะที่โมเดลทิศทางรายวันบอกเราเพียงเล็กน้อยเกี่ยวกับราคาในอีกหกเดือนข้างหน้า

คู่แข่งที่ง่ายที่สุดในด้านการเงิน

การคาดการณ์ที่ไม่ซับซ้อนทำงานได้เพราะราคาทางการเงินมีความคงที่ ดังนั้นโมเดลที่คาดการณ์ $100,100 ในวันพรุ่งนี้เมื่อบิตคอยน์ซื้อขายที่ $100,000 ในวันนี้สามารถผลิตข้อผิดพลาดในเปอร์เซ็นต์เล็กน้อยแม้ว่ามันจะเรียนรู้เกี่ยวกับทิศทางหรือผลตอบแทนแทบไม่ได้เลย

ราคาวันนี้จะมีความแม่นยำเกือบเท่า และการประเมินเฉพาะโมเดลแรกจะให้เครดิตกับข้อมูลที่ตลาดได้จัดหาไว้แล้ว

เกณฑ์จะกลายเป็นที่ต้องการมากขึ้นเมื่อระยะเวลาขยายออกไปเพราะบิตคอยน์สามารถเคลื่อนไหวอย่างรุนแรงในช่วงเดือน ทำให้ผู้คาดการณ์มีพื้นที่ในการเพิ่มมูลค่า ในขณะที่ความสัมพันธ์ที่โมเดลเรียนรู้จะเสื่อมสลายเมื่อมีการพัฒนาตลาด

กฎที่ปรับให้เข้ากับวงจรที่นำโดยผู้ค้าปลีกในปี 2017 พบโครงสร้างอนุพันธ์ที่แตกต่างในปี 2021 และ ETF สปอตสร้างเส้นทางใหม่สำหรับการค้นหาทุนและราคาในปี 2024 แต่ละยุคให้ข้อมูลประวัติจากเวอร์ชันของตลาดที่ไม่อยู่ในรูปแบบเดียวกันอีกต่อไป

ปัญหานี้เรียกว่าความไม่คงที่ ปรากฏขึ้นเมื่อความสัมพันธ์ระหว่างตัวแปรไม่คงที่พอที่จะทำให้การสังเกตในอดีตสามารถอธิบายอนาคตได้

ฐานผู้ใช้และสภาพคล่องของบิตคอยน์ได้พัฒนาขึ้นตามเวลา ในขณะที่การควบคุมและการเข้าถึงได้เปลี่ยนแปลงว่าใครสามารถซื้อขายได้และอย่างไร โมเดลสามารถจับความสัมพันธ์ในช่วงเวลาหนึ่งและสูญเสียมันเมื่อมีการพัฒนาตลาดรอบสินทรัพย์

Francesco Puoti, Fabrizio Pittorino และ Manuel Roveri ได้ผลลัพธ์ที่คล้ายกันในการศึกษาเปรียบเทียบการคาดการณ์ทางสถิติ การเรียนรู้ของเครื่อง และการเรียนรู้เชิงลึก พวกเขาใช้ 12 วิธีการกับสกุลเงินดิจิทัลหลักห้าสกุลในระยะเวลา 1 วัน 7 วัน และ 30 วัน

โมเดลที่ไม่ซับซ้อนง่ายๆ มักจะผลิตการคาดการณ์ที่ดีกว่า ARIMA, Prophet, random forests, XGBoost, LSTM networks และ N-BEATS

ผลลัพธ์บอกอะไรเกี่ยวกับข้อมูลที่มีอยู่มากกว่าความซับซ้อนของแต่ละวิธีการ โมเดลที่ซับซ้อนสามารถเพิ่มมูลค่าเมื่อมีรูปแบบที่เสถียรให้เรียนรู้ และมันสามารถจดจำเสียงรบกวนเมื่อรูปแบบเหล่านั้นอ่อนแอหรือชั่วคราว

Bitcoin มีข้อมูลจำนวนมหาศาล แต่จำนวนรอบตลาดอิสระที่มันผ่านมานั้นยังค่อนข้างน้อย แถบเวลาหลายล้านนาทียังคงทำซ้ำการสังเกตจากตลาดหมีในปี 2018 หรือการช็อกสภาพคล่องในปี 2020 เดียวกัน

วิธีที่การทดสอบย้อนหลังกลายเป็นลูกแก้วคริสตัลในการคาดการณ์ราคา Bitcoin

โมเดล Bitcoin หลายตัวดูแข็งแกร่งที่สุดเมื่อผู้สร้างได้เห็นช่วงเวลาทางประวัติศาสตร์ทั้งหมดที่ใช้ในการสร้างมัน นักวิจัยสามารถลองตัวแปรและหน้าต่างการมองย้อนกลับที่แตกต่างกัน เปลี่ยนวันที่เริ่มต้น หรือเปลี่ยนสถาปัตยกรรมหนึ่งเป็นอีกหนึ่งก่อนที่จะเผยแพร่ผลลัพธ์ที่ดีที่สุด

ผู้ชนะอาจค้นพบความสัมพันธ์ที่ยั่งยืน แต่ก็อาจชนะลอตเตอรี่ขนาดใหญ่ที่จัดขึ้นบนประวัติราคาที่เดียวกัน ซึ่งเป็นผลลัพธ์ที่รู้จักกันในชื่อการปรับแต่งการทดสอบย้อนหลัง (backtest overfitting)

David Bailey และผู้เขียนร่วมของเขาได้ทำให้ปัญหานี้เป็นทางการในงานวิจัยของพวกเขาเกี่ยวกับความน่าจะเป็นของการปรับแต่งการทดสอบย้อนหลัง การลองตัวแปรโมเดลมากขึ้นจะเพิ่มโอกาสในการค้นพบผลลัพธ์ทางประวัติศาสตร์ที่ยอดเยี่ยมผ่านโชค การเลือกผู้ชนะและนำเสนอผลการดำเนินงานเพียงอย่างเดียวจะซ่อนจำนวนความพยายามที่ล้มเหลวซึ่งทำให้ผู้ชนะเป็นไปได้

การแบ่งเวลาเชิงพาณิชย์เพียงครั้งเดียวให้การป้องกันน้อยมาก เพราะนักวิจัยสามารถฝึกฝนผ่านปี 2020 และประเมินโมเดลในปี 2021 สร้างผลลัพธ์ที่ดูเหมือนจะอยู่นอกตัวอย่างซึ่งมีประสิทธิภาพมากมายจากตลาดกระทิงเพียงตลาดเดียว

การประเมินแบบเดินไปข้างหน้า (walk-forward evaluation) แข็งแกร่งกว่าเพราะโมเดลจะฝึกฝนซ้ำ ๆ บนข้อมูลในอดีตและคาดการณ์ช่วงเวลาที่ไม่เห็นถัดไป หน้าต่างการถือครองที่ไม่ทับซ้อนกันหลาย ๆ อันจะแข็งแกร่งขึ้นอีกครั้งเพราะมันบังคับให้วิธีการเดียวกันต้องเผชิญกับตลาดกระทิง การล่มสลาย ช่วงเวลาที่ไม่เคลื่อนไหว และสภาพคล่องที่แตกต่างกัน

ในเอกสารที่ผ่านการตรวจสอบโดยเพื่อนที่ Baquero ตรวจสอบ ไม่มีเอกสารใดที่ประเมินวิธีการเดียวกันในหลาย ๆ หน้าต่างการถือครองที่ไม่ทับซ้อนกันซึ่งครอบคลุมระบอบที่แตกต่างกัน เอกสารที่แข็งแกร่งที่สุดใช้การประเมินแบบกลิ้งหรือเดินไปข้างหน้าผ่านช่วงเวลานอกตัวอย่างที่ต่อเนื่อง

วิธีการเหล่านั้นให้หลักฐานจริง แต่ข้อผิดพลาดรวมเดียวอาจยังคงซ่อนความล้มเหลวในส่วนหนึ่งไว้เบื้องหลังความสำเร็จในอีกส่วนหนึ่ง

การรั่วไหลของข้อมูล (information leakage) ยังสามารถนำไปสู่ความมั่นใจที่ผิดพลาด เพราะฟีเจอร์ที่คำนวณด้วยข้อมูลในอนาคตสามารถให้มุมมองที่เบาบางเกี่ยวกับคำตอบ โมเดลจะประสบปัญหาเดียวกันเมื่อคุณทำให้ตัวแปรเป็นมาตรฐานทั่วทั้งตัวอย่างทั้งหมด และหน้าต่างผลตอบแทนที่ทับซ้อนกันสามารถนำข้อมูลในอนาคตข้ามขอบเขตการฝึก

ข้อผิดพลาดอาจละเอียดอ่อนพอที่จะอยู่รอดในการตรวจสอบโดยเพื่อน โดยเฉพาะเมื่อสถาปัตยกรรมที่ซับซ้อนวางการเปลี่ยนแปลงหลายอย่างระหว่างข้อมูลดิบและการคาดการณ์ที่รายงาน

มาตรวัดเองอาจทำให้โมเดลดูดีเมื่อการอ้างสิทธิ์ความแม่นยำ 99% หมายถึงความใกล้เคียงที่ระดับราคาที่คาดการณ์ติดตามราคาจริง ซึ่งเป็นงานที่ค่อนข้างง่ายสำหรับชุดที่มีความต่อเนื่อง

เทรดเดอร์สนใจในทิศทางและขนาดของการเคลื่อนไหว รวมถึงต้นทุนในการดำเนินการ โมเดลที่คาดการณ์ $100,500 เมื่อ Bitcoin เคลื่อนที่จาก $100,000 ไปที่ $99,500 มีข้อผิดพลาดด้านราคาเล็กน้อยและยังคงทำการซื้อขายที่ผิด

สูตรที่อยู่รอดหลังการคาดการณ์ของพวกเขา

กรอบการประเมินมูลค่าที่รู้จักกันดีที่สุดของ Bitcoin เจริญรุ่งเรืองเพราะมันเปลี่ยนสินทรัพย์ที่ชัดเจนว่าเป็นสินทรัพย์ที่ซับซ้อนมากให้กลายเป็นคำอธิบายที่เข้าใจง่ายและชัดเจน

ตัวอย่างเช่น stock-to-flow กล่าวว่าความขาดแคลนคือสิ่งที่ขับเคลื่อนมูลค่า โดยการแบ่งครึ่งแต่ละครั้งจะลดอุปทานใหม่เมื่อเปรียบเทียบกับสต็อกที่มีอยู่

โมเดลแบบ Metcalfe กล่าวว่าระบบเครือข่ายจะมีมูลค่ามากขึ้นเมื่อฐานผู้ใช้ของมันขยายตัว

กฎพลังงานกล่าวว่าประวัติศาสตร์อันยาวนานของ Bitcoin ติดตามความสัมพันธ์ทางคณิตศาสตร์ที่เสถียรระหว่างราคาและเวลา

แต่ละแนวคิดเหล่านี้มีสัญชาตญาณทางเศรษฐกิจที่น่าเชื่อถือ แต่บันทึกการคาดการณ์ของมันขึ้นอยู่กับว่าความสัมพันธ์ที่ปรับเข้ากับข้อมูลใหม่ได้หรือไม่ และว่าคำอธิบายที่ง่ายกว่ามีส่วนร่วมในผลลัพธ์เดียวกันหรือไม่

การศึกษาที่ผ่านการตรวจสอบโดยเพื่อนของ Alexander Shelton ในปี 2024 พบว่า ตัวแปร stock-to-flow และ Metcalfe ช่วยอธิบายผลตอบแทนในกลุ่มตัวอย่าง แต่มีความสามารถในการคาดการณ์ที่จำกัดหรือไม่มีเลยในกลุ่มตัวอย่างนอก

เมื่อมีการนำผลกระทบด้านเวลาเข้าสู่การถดถอย stock-to-flow แรงทางสถิติของมันก็หายไป อัตราส่วนการจัดหาของ Bitcoin เพิ่มขึ้นตามกำหนดการที่กำหนดไว้ล่วงหน้า และราคาของมันก็เพิ่มขึ้นในช่วงเวลาส่วนใหญ่ของประวัติศาสตร์ ทำให้สองชุดข้อมูลที่เชื่อมโยงกันทางเวลา ดูเหมือนจะเชื่อมโยงทางเศรษฐกิจ

เราสังเกตเห็นจุดอ่อนในตลาดนี้นานก่อนที่มันจะปรากฏในรีวิวอย่างเป็นทางการ โมเดล stock-to-flow แยกออกจากราคาของ Bitcoin เมื่อสินทรัพย์ซื้อขายต่ำกว่าทางที่คาดการณ์ไว้เป็นเวลาหลายปี

การเบี่ยงเบนที่ต่อเนื่องสามารถถูกดูดซึมได้โดยการกำหนดผลลัพธ์ใหม่เป็นมูลค่าระยะยาวหรือค่าเฉลี่ยของรอบ แม้ว่าการกำหนดใหม่แต่ละครั้งจะทำให้การอ้างสิทธิ์ราคาดั้งเดิมยากขึ้นในการประเมิน แผนภูมิเปรียบเทียบราคาของ Bitcoin กับโมเดล stock-to-flow และความแปรปรวนของโมเดลตั้งแต่ปี 2010 ถึง 2026 แหล่งที่มา: CoinGlass

กฎของ Metcalfe เผชิญกับปัญหาการระบุที่เกี่ยวข้อง เพราะกิจกรรมในเครือข่ายและราคาอาจเพิ่มขึ้นพร้อมกันเมื่อการนำไปใช้เพิ่มมูลค่า เมื่อราคาสูงขึ้นดึงดูดผู้ใช้ หรือเมื่อทั้งสองตัวแปรตามเส้นทางเวลาที่เหมือนกัน

Savva Shanaev และผู้เขียนร่วมของเขาใช้ตัวแปรเชิงเครื่องมือในสินทรัพย์ proof-of-work หกประเภทในการศึกษาค่าใช้จ่ายในการขุด กิจกรรมในเครือข่าย และมูลค่าของคริปโต เมื่อพวกเขาแก้ไขปัญหาการมีอ autocorrelation และความสัมพันธ์สองทางระหว่างกิจกรรมและราคา ผลกระทบเชิงบวกที่อ้างถึง hashrate และจำนวนธุรกรรมก็หายไป

โมเดลพลังงานมีตำแหน่งที่ซับซ้อนมากขึ้น เพราะทางเดินของพวกเขาได้จับเส้นทางประวัติศาสตร์ของ Bitcoin ไว้มากมายและให้ภาษาทางภาพที่ใช้ได้จริงในการพูดคุยเกี่ยวกับตำแหน่งของราคาเมื่อเปรียบเทียบกับเส้นโค้งระยะยาว

รายงานเกี่ยวกับโมเดลพลังงานของ Bitcoin ยังแสดงให้เห็นว่าโครงสร้างตลาดในยุค ETF สามารถเปลี่ยนแปลงแรงที่เคลื่อนที่ราคาในทางเดินนั้นได้ แผนภูมิแสดงราคาของ Bitcoin ตั้งแต่ปี 2011 ภายในการสนับสนุนเชิงลอการิธึม การต้านทาน และแถบการถดถอยเชิงเส้นที่คาดการณ์ไว้จนถึงปี 2040 แหล่งที่มา: Bitbo

ปัญหาทางวิชาการอยู่ที่ความแข็งแกร่งของการอนุมาน ค่า R-squared ที่สูงในแผนภูมิ log-log แสดงให้เห็นว่าบรรทัดนั้นเหมาะสมกับตัวอย่างที่สังเกตได้ การสนับสนุนอย่างเป็นทางการสำหรับกฎพลังงานยังต้องการหลักฐานเกี่ยวกับการกระจายของเศษส่วนและการเปรียบเทียบกับฟังก์ชันเวลาอื่น ๆ

นักวิจัยจะต้องตรวจสอบความไวต่อวันที่เริ่มต้นและประสิทธิภาพในสังเกตการณ์ในอนาคต การตรวจสอบของ Baquero พบว่า วรรณกรรมกฎพลังงานของ Bitcoin ในปัจจุบันยังไม่ได้ทำงานนั้นเสร็จสิ้น

มาตรฐานการคาดการณ์ที่ซื่อสัตย์จะเผยแพร่เกณฑ์พื้นฐานที่ไร้เดียงสาข้างโมเดลและรายงานทุกระบอบตลาดแยกกัน ค่าใช้จ่ายในการซื้อขายควรอยู่ในผลลัพธ์ ขณะที่โค้ดสาธารณะและข้อมูลช่วยให้นักวิจัยคนอื่นสามารถทำซ้ำได้

เอกสารควรเปิดเผยว่ามีการพยายามกี่รูปแบบ เนื่องจากจำนวนนี้กำหนดว่าการทดสอบย้อนหลังที่ชนะนั้นน่าประหลาดใจเพียงใด เรื่องราวการประเมินค่าจำเป็นต้องแยกออกจากการคาดการณ์จุด และช่วงที่รายงานควรสะท้อนถึงความไม่แน่นอนของสินทรัพย์

คำแก้ไขใด ๆ ควรอนุญาตให้มีมูลค่าเป็นศูนย์ ทำให้โมเดลสรุปว่าราคาของวันนี้คือการคาดการณ์ที่ดีที่สุดของมัน

ข้อสรุปนั้นจะต้องต่อสู้เสมอในโลกออนไลน์ เพราะมันไม่มีเป้าหมายที่น่าตื่นเต้นและไม่มีวันที่จะทำเครื่องหมาย มันมีข้อได้เปรียบหนึ่งที่ตลาดการคาดการณ์ไม่ค่อยโฆษณา: มันบอกเราอย่างชัดเจนว่ารูปแบบนั้นรู้มากเพียงใดนอกเหนือจากราคาที่มองเห็นได้แล้วทุกคน

เนื้อหานี้จัดทำขึ้นเพื่อวัตถุประสงค์ด้านการให้ข้อมูลทั่วไปเท่านั้น และไม่ถือเป็นคำแนะนำด้านการเงิน การลงทุน กฎหมาย หรือภาษี อีเวนต์ รีวอร์ด โปรโมชันออนไลน์ หรือข้อมูลที่เกี่ยวข้องใดๆ ที่กล่าวถึงในที่นี้ ไม่ควรถือเป็นคำแนะนำ การชักชวน หรือคำเชิญชวนให้ซื้อ ขาย เทรด หรือดำเนินการอื่นใดเกี่ยวกับสินทรัพย์คริปโต สินทรัพย์คริปโตมีความผันผวนสูงและอาจส่งผลให้เกิดการขาดทุน ความพร้อมให้บริการของบริการ ผลิตภัณฑ์ และอีเวนต์ที่เกี่ยวข้องของ WEEX อาจแตกต่างกันไปตามภูมิภาค คุณมีหน้าที่ตรวจสอบให้แน่ใจว่าการเข้าร่วมของคุณเป็นไปตามกฎหมายและข้อบังคับท้องถิ่นที่ใช้บังคับ