Lois de puissance du Bitcoin : robustesse et prévision

Résumé

Cette étude teste les affirmations selon lesquelles le cours du Bitcoin suit une loi de puissance au fil du temps et examine si ce schéma est structurellement robuste ou utile pour les prévisions. Elle applique le protocole de Clauset-Shalizi-Newman aux distributions du Bitcoin pertinentes pour les extrêmes et élabore trois adaptations dans le domaine temporel. Les tests de distribution rapportés rejettent les lois de puissance pour les soldes UTXO et les rendements journaliers absolus, en faveur de modèles lognormaux ; les exposants temporels ajustés varient aussi fortement selon l’origine temporelle choisie. Les auteurs constatent que les diagnostics courants ne permettent pas de distinguer une loi de puissance d’un ensemble de courbes sigmoïdes sur les mêmes données.

Dans les comparaisons entre actifs, le cours du Bitcoin est la seule série testée pour laquelle aucune courbe de croissance à composante unique ne fait mieux que la loi de puissance. Un test trimestriel de stabilité des vagues rejette l’hypothèse nulle loi de puissance plus AR(1) au seuil indiqué, mais les auteurs précisent que ce résultat ne résiste pas à une correction de Bonferroni. Dans les comparaisons walk-forward, le modèle multisigmoïde le plus performant en échantillon prédit mal, tandis que la loi de puissance surpasse les références standard aux horizons de 12 à 24 mois. Ces résultats dépendent des données, des modèles candidats et du protocole d’évaluation de l’étude.

Idées clés

• L’étude évalue les lois de puissance des distributions et les ajustements temporels de lois de puissance pour le Bitcoin.
• Les ajustements par loi de puissance varient selon l’origine temporelle choisie, ce qui empêche une interprétation structurelle invariante à ce choix.
• Les tests de distribution rapportés privilégient les modèles lognormaux pour les soldes UTXO et les rendements journaliers absolus.
• Une bonne qualité d’ajustement en échantillon ne garantit pas de meilleures prévisions à long horizon parmi les modèles testés.
• La loi de puissance surpasse les références standard aux horizons de prévision indiqués, tandis qu’un rejet entre actifs ne résiste pas à la correction de Bonferroni.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.