ชื่อเรื่องเดิม: "Chain Data Academy (IX): Market Barometer RUPL (I) - Data Introduction & Bargain Hunting Application"

ผู้เขียนเดิม: คุณ Berg, Chain Data Analyst

บทความนี้เป็นบทความที่ 9 ในชุด Chain Data Academy โดยมีทั้งหมด 10 บทความ เราจะพาคุณทีละขั้นตอนเพื่อทำความเข้าใจการวิเคราะห์ข้อมูลบนเครือข่าย ผู้สนใจสามารถติดตามบทความชุดนี้ได้

การอ่านที่เกี่ยวข้อง: "On-chain Data School (VIII): A Brand-new BTC Magic Pricing Methodology (III) Involving Ark's Research"

TLDR  

- บทความชุด RUPL จะแบ่งออกเป็น 2 บทความ ซึ่งเป็นบทความแรก  

- RUPL สามารถนำเสนอสถานการณ์กำไรที่ยังไม่เกิดขึ้นจริงในปัจจุบันในตลาด  

- การสังเกต RUPL ช่วยให้คุณสามารถค้นหากฎการทำงานของจุดสูงสุดและจุดต่ำสุดของตลาดได้  

- บทความนี้จะแบ่งปันโมเดลการเลือกจุดต่ำสุดที่ออกแบบขึ้นโดยอิงจาก RUPL  

1. RUPL คืออะไร?  

RUPL ชื่อเต็มคือ Relative Unrealized Profit & Loss ซึ่งในภาษาจีนหมายถึง "กำไรและขาดทุนที่ยังไม่เกิดขึ้นจริง" ตัวบ่งชี้นี้สามารถแบ่งออกได้เป็นสองส่วนคือ RUP และ RUL

นำวิธีการคำนวณของ RUP มาเป็นตัวอย่าง:

1. เปรียบเทียบราคาปัจจุบันกับราคาเมื่อโอน $BTC แต่ละหน่วยครั้งล่าสุด และจัดประเภทชิปด้วย "ราคาปัจจุบัน> ราคาโอนล่าสุด" เป็นชิปที่ทำกำไรได้  

2. คูณจำนวนกำไรของชิปที่ทำกำไรได้แต่ละตัวด้วยปริมาณที่สอดคล้องกันเพื่อรับกำไรที่ยังไม่เกิดขึ้นจริง  

3. สุดท้ายข้อมูลก็จะได้มาตรฐานตามมูลค่าตลาดในขณะนั้น

กล่าวอีกนัยหนึ่ง กำไรที่ยังไม่เกิดขึ้นจริง คือ กำไรที่ยังไม่เกิดขึ้นจริงทั้งหมดในตลาดปัจจุบัน และ RUP จะทำให้เป็นมาตรฐานตามมูลค่าตลาดเพื่อเปรียบเทียบความสามารถในการทำกำไรของตลาดในช่วงเวลาต่างๆ ในแนวนอน อัลกอริทึมของ RUL จะเหมือนกับอัลกอริทึมของ RUP และจะไม่มีการทำซ้ำในบทความนี้

ดังที่แสดงในรูปที่ 1 ด้านบน เส้นสีเขียวคือ RUP และเส้นสีแดงคือ RUL จะเห็นได้ว่าราคามีความสัมพันธ์เชิงบวกอย่างมากกับ RUP และมีความสัมพันธ์เชิงลบอย่างมากกับ RUL เรื่องนี้สมเหตุสมผลเพราะเมื่อราคาของเหรียญเพิ่มขึ้น ชิปที่ทำกำไรและกำไรที่ยังไม่เกิดขึ้นจริงก็จะเพิ่มขึ้นตามไปด้วย

อย่างไรก็ตาม หากเราสังเกตตัวเลขข้างต้นเพิ่มเติม เราจะพบว่า RUL สูงกว่า RUP ในช่วงเวลาบางช่วง (นั่นคือ เส้นสีแดงสูงกว่าเส้นสีเขียว ตามที่แสดงในกล่องสีเหลืองในภาพ) ซึ่งหมายความว่าตลาดโดยรวมอยู่ในภาวะขาดทุนที่ยังไม่เกิดขึ้นจริง แล้วช่วงเวลาดังกล่าวมีความสำคัญพิเศษหรือเปล่า? กรุณาอ่านต่อ

2. แอปพลิเคชันการเลือกอันดับสุดท้ายของ RUPL

ดังที่กล่าวไว้ข้างต้น มีคำกล่าวที่ว่า: "ฉันโลภเมื่อคนอื่นกลัว" เมื่อชิปส่วนใหญ่ในตลาดอยู่ในภาวะขาดทุน นั่นอาจเป็นช่วงเวลาที่ดีสำหรับเราที่จะเข้าสู่ตลาดและรวบรวมชิป

ดังที่แสดงในรูปที่ 2 ด้านบน ฉันได้วาดแผนภูมินี้หลังจากทำเครื่องหมายช่วงเวลาของ RUL > RUP ในรูปที่ 1 จะเห็นได้ชัดเจนว่าเมื่อ RUL> RUP จะเกือบจะถึงจุดต่ำสุดในประวัติศาสตร์ของรอบแล้ว

นี่ไม่ใช่กรณีของการพยายามค้นหาดาบโดยการตัดเท้า เหตุผลก็คือ:

"เมื่อตลาดโดยรวมอยู่ในภาวะขาดทุน นั่นหมายความว่านักลงทุนที่ถือชิปราคาถูกจำนวนมากได้กระจายหุ้นจนเกือบหมดแล้ว และนักลงทุนที่ติดอยู่ก็มักจะไม่เต็มใจที่จะขายเพราะราคาต่ำเกินไป อารมณ์ทั้งสองอย่างนี้เชื่อมโยงกัน ส่งผลให้แรงขายลดลงอย่างรวดเร็ว ดังนั้น ตราบใดที่มีการแทรกแซงการซื้อเพียงเล็กน้อย ก็เป็นไปได้ที่จะผลักดันให้แนวโน้มกลับตัวและเริ่มเพิ่มขึ้น"

ตรรกะนี้คล้ายคลึงกับกลยุทธ์การตกปลาที่อยู่ก้นทะเลของ LTH-RP ที่แบ่งปันไว้ก่อนหน้านี้มาก ผู้อ่านที่สนใจสามารถอ้างอิงโพสต์นี้: "On-chain Data School (II): ผู้ถือครองที่ทำเงินได้เสมอซื้อ BTC เท่าไร? 》

3. การแบ่งปันตรรกะการออกแบบโมเดลการเลือกจากด้านล่าง  

ต่อไปเราจะไม่ดูที่ RUL ในตอนนี้ แต่ให้สังเกตแผนภูมิ RUP เพียงอย่างเดียว เราจะพบว่า RUP มีช่วงตัวเลขที่ค่อนข้างใกล้เคียงที่จุดต่ำสุดในประวัติศาสตร์:

ตัวอย่างเช่น ฉันเพิ่มเส้นแนวนอน 0.4 ลงในแผนภูมิ และคุณสามารถเห็นพื้นที่ของ RUP < 0.4 ได้อย่างชัดเจน (0.4 ที่นี่เป็นพารามิเตอร์โมเดล ซึ่งปรับได้และจะกล่าวถึงในภายหลัง)

เนื่องจากเราพบว่า RUP มีช่วงล่างที่ชัดเจน เราจึงสามารถเพิ่มเงื่อนไขของ RUP < 0.4 ไปจากเงื่อนไขเดิมของ RUP < RUL ดำเนินการกรองสัญญาณรองและรับผลลัพธ์ต่อไปนี้:

นี่เป็นวิธีการที่ใช้กันทั่วไปในการออกแบบโมเดล จุดประสงค์คือเพื่อให้ได้ผลลัพธ์ที่แม่นยำยิ่งขึ้นผ่านการคัดกรองสัญญาณและทำให้สัญญาณเอาต์พุตของแบบจำลองมีค่ามากขึ้นสำหรับการอ้างอิง

รูปด้านบนแสดงการรวมกันของ (RUP < 0.4) + (RUP < RUL) แม้ว่าผลการกรองจะไม่สำคัญมากนัก แต่ก็ยังสามารถเห็นได้ว่ามีความเข้มงวดมากกว่าการใช้ RUP < ครองคนเดียว หากลดลง 0.4 (เช่น เป็น 0.38) โมเดลจะมีความเข้มงวดมากขึ้น แต่ควรใส่ใจกับปัญหาของการโอเวอร์ฟิตติ้งในระหว่างการปรับแต่งพารามิเตอร์ เพราะการปรับแต่งโมเดลอย่างไม่รอบคอบตามข้อมูลในประวัติอาจทำให้โมเดลล้มเหลวในอนาคตได้

ภาคผนวก: Overfitting คือ "overfitting" ซึ่งคล้ายกับสิ่งที่เรามักพูดว่า "การแกะสลักเรือเพื่อค้นหาดาบ"

สี่. บทสรุป  

บทความนี้เป็นบทความแรกในซีรีส์ RUPL โดยจะแนะนำการกำหนดและวิธีการคำนวณของตัวบ่งชี้ RUPL เป็นหลัก และแบ่งปันตรรกะของโมเดลการเลือกอันดับสุดท้ายที่ออกแบบขึ้นโดยอิงจากตัวบ่งชี้ตัวนี้

ในบทความถัดไป ฉันจะแนะนำการประยุกต์ใช้ในทางปฏิบัติของการหลีกหนีจากจุดสูงสุดโดยอิงจาก RUPL และทบทวนและวิเคราะห์จุดสูงสุดของรอบประวัติศาสตร์ รับรองว่าจะเต็มไปด้วยข้อมูลที่เป็นประโยชน์แน่นอน ติดตามกันไว้นะครับ

ลิงก์ต้นฉบับ

ยินดีต้อนรับสู่ชุมชนทางการของ BlockBeats:

กลุ่ม Telegram สมัครสมาชิก: https://t.me/theblockbeats

กลุ่ม Telegram พูดคุย: https://t.me/BlockBeats_App

บัญชี Twitter ทางการ: https://twitter.com/BlockBeatsAsia