Проверка степенного закона Bitcoin: устойчивость и прогнозы

Сводка

В исследовании проверяются утверждения о том, что цена Bitcoin со временем следует степенному закону, и оценивается, насколько эта закономерность структурно устойчива и полезна для прогнозирования. Применяется протокол Клаузета — Шалиси — Ньюмана к распределениям Bitcoin, существенным для анализа хвостов, и разрабатываются три адаптации для временной области. Представленные тесты распределений отвергают степенные законы для балансов UTXO и абсолютной дневной доходности, отдавая предпочтение логнормальным моделям; оценки показателей времени также заметно меняются при изменении начала отсчёта. Авторы обнаруживают, что стандартные диагностические методы не позволяют отличить степенной закон от набора сигмоидных кривых на одних и тех же данных.

При сравнении активов цена Bitcoin — единственный из проверенных рядов, для которого кривая роста с одной компонентой не превосходит степенной закон. Квартальный тест устойчивости волн отвергает нулевую гипотезу, согласно которой действует степенной закон вместе с AR(1), на указанном уровне, однако авторы отмечают, что результат неустойчив к поправке Бонферрони. В сравнении с применением walk-forward-анализа модель с несколькими сигмоидами, показавшая лучший результат внутри выборки, даёт слабые прогнозы, тогда как степенной закон превосходит стандартные базовые модели на горизонтах 12–24 месяцев. Эти результаты относятся к данным, кандидатным моделям и схеме оценки данного исследования.

Ключевые идеи

• Исследование оценивает степенные законы распределений Bitcoin и подгонку степенного закона во временной области.
• Подгонка степенного закона меняется при выборе начала отсчёта, что ограничивает его интерпретацию как структурной закономерности, не зависящей от сдвига.
• Представленные тесты распределений отдают предпочтение логнормальным моделям для балансов UTXO и абсолютной дневной доходности.
• Высокое качество подгонки внутри выборки не гарантирует более точные долгосрочные прогнозы среди проверенных моделей.
• На указанных горизонтах прогнозирования степенной закон превосходит стандартные базовые модели, но одно межрыночное опровержение неустойчиво к поправке Бонферрони.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.