Pruebas de robustez y valor predictivo de las leyes potenciales de Bitcoin

Resumen

Este estudio pone a prueba las afirmaciones de que el precio de Bitcoin sigue una ley potencial a lo largo del tiempo y examina si el patrón es estructuralmente robusto o útil para predecir. Aplica el protocolo de Clauset–Shalizi–Newman a las distribuciones de Bitcoin relevantes para las colas y desarrolla tres adaptaciones en el dominio temporal. Las pruebas de distribución comunicadas rechazan las leyes potenciales para los saldos de UTXO y los rendimientos diarios absolutos, y favorecen modelos lognormales; los exponentes temporales ajustados también cambian considerablemente cuando cambia el origen temporal. Los autores observan que los diagnósticos habituales no pueden distinguir una ley potencial de una serie de curvas sigmoides en los mismos datos.

En las comparaciones entre activos, el precio de Bitcoin es la única serie probada para la que ninguna curva de crecimiento de un solo componente mejora la ley potencial. Una prueba trimestral de estabilidad ondulatoria rechaza la hipótesis nula de ley potencial más AR(1) con el umbral indicado, pero los autores dicen que el resultado no es robusto a una corrección de Bonferroni. En comparaciones walk-forward, el modelo multisigmoide que mejor ajusta dentro de la muestra predice mal, mientras que la ley potencial supera las referencias estándar en horizontes de 12–24 meses. Estos resultados son específicos de los datos, los modelos candidatos y el diseño de evaluación del estudio.

Ideas clave

• El estudio evalúa tanto las leyes potenciales distributivas como los ajustes de ley potencial en el dominio temporal para Bitcoin.
• Los ajustes de ley potencial varían según el origen temporal elegido, lo que limita una interpretación estructural invariante a desplazamientos.
• Las pruebas de distribución comunicadas favorecen modelos lognormales para los saldos de UTXO y los rendimientos diarios absolutos.
• Un buen ajuste dentro de la muestra no garantiza mejores predicciones a largo plazo entre los modelos probados.
• La ley potencial supera las referencias estándar en los horizontes indicados, mientras que un rechazo entre activos no es robusto a la corrección de Bonferroni.

Etiquetas

# Bitcoin's Power Law: Weak Structure, Strong Forecasts


# Bitcoin's Power Law: Weak Structure, Strong Forecasts









Bitcoin's price has been described as following a power law (PL) in time, $P \sim t^β$ with $\hatβ\approx 5.7$ over 2010-2026. We test this claim using the Clauset-Shalizi-Newman protocol applied to Bitcoin's tail-relevant distributional series, and develop three principled time-domain adaptations of the protocol. We find that (i) the distributional power law is rejected on UTXO balances and daily |returns|, with lognormal preferred decisively; (ii) the fitted time-domain exponent varies by nearly a factor of three across reasonable shifts of the time origin -- it is not specification-robust in the sense required for a shift-invariant structural reading; (iii) standard residual diagnostics and scale-invariance tests proposed in earlier work cannot distinguish a power law from a multi-component sigmoid stack fit to the same data; (iv) Bitcoin price stands apart in a cross-asset comparison spanning Bitcoin on-chain metrics and traditional asset classes: it is the only series in the nine-series in-sample test where no single-component growth curve improves on the power law, and the quarterly $K=3$ wave-stability bootstrap rejects the PL+AR(1) null on Bitcoin at $p = 0.015$ (strict 15% CV threshold) -- a clear cross-asset separation, although not a Bonferroni-robust rejection; and (v) walk-forward Diebold-Mariano evaluation against ten candidates -- including standard time-series baselines (RW with drift, auto-ARIMA, ETS, local-linear-trend) -- shows the in-sample winner (multi-sigmoid) is among the worst long-horizon forecasters, while the simple power law dominates 12-24 month horizons against every standard baseline at $p < 0.05$, precisely because it does not commit to specific wave shapes. The fit-prediction tradeoff is the practical counterpart of the descriptive findings.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.