• 区块链指标定义与数据来源 [page::4]

- 选取了Quandl平台21个区块链指标，如哈希率(HRATE)、挖矿难度(DIFF)、交易成本(CPTRA)等。
- 指标时间序列从2010年至2022年，包含每日数据。

• 区块链指标与比特币价格的非线性相关性分析 [page::5][page::6]

| 指标 | Chatterjee相关系数 |
|----------|-------------------|
| MWNUS | 最高 |
| NTRAT | 次高 |
| DIFF | 较高 |
| MKTCP | 较高 |
| BLCHS | 较高 |
- 哈希率虽为经典指标（Hash Ribbon基础），但并非最高相关指标。

• 区块链“缎带”技术（Ribbon）及其应用 [page::6][page::7][page::8]

- 由长短期（60日、30日）移动平均线交叉产生买卖信号。
- 多数指标通过该技术生成“区块链缎带”。
- MWNUS、NTRAT、BLCHS三指标因单调性未直接应用缎带技术。

• 算法交易中的策略绩效及统计优势 [page::11][page::12][page::13][page::14]

- 以30%盈亏比波动设定止损止盈，模拟2010-2022年交易。
- 长线操作总体表现优于短线操作，部分指标（NADDU、CPTRA等）优于比特币价格（MKPRU）本身。
- 短线策略缺乏统计优势，需结合其他信息改善。

• 四种“调整后”区块链指标的构建与表现提升 [page::15][page::16][page::17][page::18][page::19][page::20]

| 指标 | 处理方法 | 长线胜率 | 短线胜率 | 总收益表现 |
|---------- |------------------|--------|--------|------------------|
| AdCPTRA | 历史极值线性回归归一化 | 大幅提升 | 大幅提升 | 长短策略均优异，短线扭亏为盈 |
| AdMWNUS | 取导数+短周期MA平滑 | 提升中等 | 提升中 | 长线收益显著，短线轻微盈利 |
| AdNTRAT | 取导数+短周期MA平滑 | 中等提升 | 接近持平 | 长线显著收益，短线改善明显 |
| AdBLCHS | 取导数+短周期MA平滑 | 一般 | 表现较差 | 长线稍正，短线亏损 |

• 机器学习模型预测分析 [page::20][page::21][page::22]

- 采用Random Forest与LSTM模型预测10天后比特币收盘价。
- 数据输入包括原始指标与经过缎带和导数转换的“数学纹理”。
- LSTM在数学纹理输入下表现最佳，训练与测试误差较接近，无过拟合明显。
- 重要变量识别显示AdCPTRA为最关键特征，是交易与预测中的核心指标。

• 结论摘要及策略建议 [page::23][page::24]

- 区块链指标特别是调整后的缎带指标在捕捉买入信号和多头交易中展现统计优势，验证了加密货币市场的适应性市场假说。
- 短线卖出信号仍需更多信息辅助。
- 推荐综合多指标信号与机器学习预测结合使用，以构建稳健的算法交易策略。
- 本文代码和数据公开在相关GitHub和Quandl平台，方便复现与后续研究。

1. 元数据与概览 (引言与报告概览)

报告标题： BLOCKCHAIN METRICS AND INDICATORS IN CRYPTOCURRENCY TRADING
作者： Juan C. King, Roberto Dale, José M. Amigó
机构： Universidad Miguel Hernández, España
日期： 未明确，但参考文献中最近为2023年，代码访问时间为2023年7月
主题： 利用区块链网络中的指标（特别是比特币区块链的矿工节点数据）构建新的金融指标，通过算法交易和机器学习模型来提升加密货币交易的性能与预测能力。

核心论点：

• 采用区块链网络的“区块链指标”（如哈希率、挖矿难度、交易成本等）来辅助预测比特币价格趋势，提供市场操作的信号。

- 这些指标来源于公开的、区块链网络自身提供的数据，相比于传统基于价格和成交量的技术指标，能提供统计上的优势。

• 论文创新点在于提出了“区块链缎带”（blockchain ribbons）这一基于区块链指标的指标体系，推广了已有的Hash Ribbon，并结合机器学习模型进行了预测测试。

- 结论支持“适应性市场假说”（AMH），表明加密货币市场存在利用区块链数据获得套利优势的可能，挑战了弱势到半强式有效市场假说（EMH）[page::0-3]

---

2. 逐节深度解读 (章节精读与剖析)

2.1 引言与理论背景（Sections 1 & 2）

• 引入了三类传统金融数学指标：图形形态（Patterns）、振荡器（Oscillators）、指标（Indicators），并回顾其应用及理论基础。

- 讨论市场效率的理论区分，即EMH（有效市场假说）与AMH（适应性市场假说）。

• 论文立足于区块链的公开透明数据，认为在价格对这些信息的反应存在滞后时，可利用区块链指标获得信息优势，即符合AMH观点。

- 简要描述比特币及区块链技术，包括分散式节点验证与奖励机制，说明矿工挖矿难度的演进及其对网络安全与价值的意义[page::1-3]

2.2 数据及指标选择（Section 3）

• 使用数据来源为Quandl（现纳斯达克旗下），涉及21个区块链指标，涵盖交易时间、大小、成本、矿工收入、难度、哈希率、钱包用户数等多维信息。

- 时间序列数据起始区间分布于2010年至2022年。

• 采用Chatterjee非线性依赖系数对各区块链指标同比特币价格的相关度排序（表1）。发现“钱包用户数”（MWNUS）相关性最高，但实际表现需分析验证。

- 说明hash ribbon作为区块链指标的代表，为两个移动平均线的交叉信号而设计。以哈希率为数据基础，结合30天和60天的简单移动平均（SMA）来确定买卖信号[page::4-6]

2.3 区块链缎带（Blockchain ribbons）指标的扩展（Section 3.4）

• 介绍将Hash Ribbon拓展至其他指标的“区块链缎带”，但排除MWNUS、NTRAT和BLCHS，因为这三者是单调函数，不适合移动均线交叉的信号生成。

- MWNUS、NTRAT和BLCHS先单调增长，移动均线不会交叉，故本身不能直接生成买卖信号[page::8-9]。

• 详细举例了CPTRA（交易成本）、DIFF（挖矿难度）、MIREV（矿工收益）等指标的表现，均用60天和30天SMA线绘制，形成买卖提示。

- 特别指出CPTRA存在反复拒绝位的趋势线，对于价格的跌宕起伏有显著指示作用[page::10-11]

2.4 算法交易数值模拟与评价（Section 4）

• 定义买卖操作和收益评估指标，包括最大/最小价格变化、交易收益、交易次数、胜率、止损和目标达成率等。

- 采用简易1:1风险收益比率，止损目标均为30%。

• 表2和表3分析了18个区块链缎带指标在整体及仅长仓交易中的表现，发现指标如NADDU、CPTRA、TRFUS、TRFEE在盈利表现上超过直接用价格指标（MKPRU）。

- 短仓操作则普遍效果差，胜率和收益不佳，说明基于这些指标难以有效捕捉卖出时机[page::12-15]。

• 排除价格整体上涨带来的偏差，将分析区间限定在比特币价格稳定期，发现长仓交易仍具优势，短仓却仍表现低迷。CPTRA指标在长短仓均有较好表现[page::15]

2.5 针对CPTRA及单调指标的改进（Section 5）

• 针对CPTRA通过线性回归拟合其年度局部极大值和极小值，构造了经过归一化调整的“调整CPTRA”指标（AdCPTRA），使指标值在0到1间波动，更适合缎带交叉判定。

- 数值模拟表明，AdCPTRA在长仓性能提升且短仓性能从亏损转为轻微盈利，尽管交易次数减少，但准确率明显提高。

• 对MWNUS、NTRAT和BLCHS利用时间导数并计算较短期均线构造相应调整指标AdMWNUS、AdNTRAT、AdBLCHS，使能捕捉波动并形成交叉信号。

- AdMWNUS和AdNTRAT在长短仓中取得中等甚至优良的统计优势，尤其是AdNTRAT短仓胜率和总收益显著上升；AdBLCHS表现相对逊色[page::16-20]

2.6 机器学习预测模型的性能评测（Section 6）

• 采用两类机器学习模型：基于决策树的随机森林（Random Forest）和深度学习中的长短期记忆神经网络（LSTM）。

- 输入数据分别采用原始区块链指标和经过缎带及衍生计算的数学“纹理”形式两类。预测目标是10天后的比特币收盘价。

• 结果显示，LSTM在“数学纹理”输入条件下表现最佳，训练误差和测试误差均较低，表明能够捕获数据内在趋势，避免过拟合。随机森林在原始数据下过拟合明显。

- 随机森林中变量重要性分析显示，数学预处理后的特征数量减少且更集中，AdCPTRA指标权重最大，显著领先其他指标。其他重要变量包含CPTRA、MWNUS、DIFF等[page::20-23]

2.7 讨论与总结（Sections 7 & 8）

• 研究证实区块链指标可作为有效的加密货币技术指标用以交易，尤其对长仓买入信号准确率高。

- 不宜单独依赖某一指标，多个指标联合应用或配合传统价量指标、预测模型效果更佳。

• 区块链指标对短仓卖出信号捕获能力有限，仍需寻找补充信息源。

- 结合数值模拟和机器学习验证，建议在实际交易策略设计中优先选取表现良好的区块链指标，包括调整版本的AdCPTRA、AdMWNUS和AdNTRAT。

• 研究支持加密货币市场符合适应性市场假说，区块链公开数据虽为公共信息，但其滞后性被用于获得非对称收益。

- 所有的数值模拟和代码公开，确保研究的透明和可复现[page::23-24]

---

3. 图表深度解读

图1. Hash Rate与比特币价格对比图（page 6）

• 描述：黑色实线为Hash Rate（日均哈希率），灰色阴影为比特币价格。

- 解读：哈希率与比特币价格随时间基本呈上涨趋势，但哈希率波动相比价格更剧烈且更为“嘈杂”，显示其原始数据需平滑处理以分析走势。

• 联系文本：此图说明了Hash Ribbon构造的必要性，即通过30日和60日移动平均滤波减少噪音，提取有效信号[page::6]

图2. Hash Ribbon与比特币价格（page 7）

• 描述：Hash Ribbon指标由哈希率的30天（短期，虚线）与60天（长期，实线）简单移动平均构成，与比特币价格历史走势对比。

- 解读：两均线的交叉点提供买入（长信号）和卖出（短信号）的参考，历史上这些信号往往与后续价格上涨或下跌趋势吻合。

• 联系文本：支持了通过区块链数据构建技术指标的思路，且Hash Ribbon为缎带指标雏形[page::7]

图4-6. MWNUS、NTRAT、BLCHS与比特币价格（pages 8-9）

• 描述：三指标与价格叠加，三条指标均呈长期单调上升趋势，且不会出现移动平均线交叉。

- 解读：高相关性来源于二者都随时间增长，无法产生买卖信号，需后续通过差分构造衍生指标。

• 联系文本：证明原始数据部分指标不适合直接构建缎带，需要调整[pages::8-9]

图7. CPTRA缎带与比特币价格（page 10）

• 描述：CPTRA指标30/60日SMAs缠绕价格波动，同时画有连接历年峰值的回归线，展示强阻力区。

- 解读：CPTRA高点对应价格多次受阻回落，显示成本对价格压力的重要作用。

• 联系文本：进一步强化区块链数据对价格行为的预测价值，是后续设计调整指标的基础[page::10]

图8-9. DIFF与MIREV缎带与价格关系（pages 10-11）

• 描述：难度和矿工收入的移动均线构成缎带，长短线交叉信号对应价格涨跌。

- 解读：说明挖矿成本与利润与币价存在动态关联性，适合用于交易信号生成。

• 联系文本：多维度区块链指标联合运用，提升信号准确率[pages::10-11]

线性回归与调整指标（Figures 10-12，pages 16-17）

• 图10-11为CPTRA局部极值（最大值、最小值）年度递增序列的线性拟合，拟合效果显著，证明指标呈稳定增长趋势。

- 图12为归一化后的调整CPTRA指标缎带，数值介于0-1之间，便于利用阈值筛选交易信号区间，且价格在高于0.6区域出现拐点，下穿0.2区域迎来反弹。

• 联系文本：调整指标提高了传统指标的适用性与预示行情反转的能力[pages::16-17]

新调整指标AdMWNUS和AdNTRAT（Figures 13, 14，pages 19-20）

• 通过对单调指标计算时间导数再做平滑处理获得，具备缎带交叉特性，能反映价格短期波动趋势。

- 与价格走势呈现较强的同步性，适合捕捉买卖信号。

• 联系文本：为原本不可用的单调指标赋能，改善交易策略效能[pages::19-20]

---

4. 估值分析

本论文不涉及传统意义上的公司估值分析，因此没有DCF、P/E等估值模型。其“估值”更多指算法交易策略的盈利能力和预测准确度的度量，包括：

• 交易策略中的胜率、利润率、最大回撤（止损）率、风险收益比等财务表现指标。

- 预测模型中的RMSE和MASE误差指标，用于评估机器学习模型对未来价格的预测精度和稳定性。

这些指标帮助定量地评判不同区块链指标及其衍生指标在实际交易和预测中的实际价值和运用效果。[page::12-18, 20-23]

---

5. 风险因素评估

报告对区块链指标及缎带方法在以下方面的局限做了暗示：

• 部分指标（如MWNUS、NTRAT、BLCHS）单调、不具备交叉信号，需人工预处理以发挥作用。核心风险是在指标选择与数据处理阶段可能引入偏误或失效。

- 缎带方法更适合于检测长仓买入时机，对短仓卖出信号的识别能力较弱，实际做空风险较大。基于此，仅利用区块链指标难以获得高胜率的卖出信号。

• 机器学习模型存在过拟合风险，特别是未经过特征工程应用原始数据时；稍有准备的数学预处理有效缓解此风险。

- 交易手续费和滑点影响交易策略净收益，假设1%交易费对高频交易策略影响较大，需考虑。

• 依赖历史数据的回测不保证未来表现，且加密货币市场受外部政策、技术变革影响较大，为隐含风险[page::12-23]

---

6. 批判性视角与细微差别

• 研究肯定了区块链指标价值，但存在“指标表现好坏不一定对应其与价格的相关度”现象（即高相关不必然带来高交易盈利），表现说明指标间存在非线性复杂作用。

- 调整指标如AdCPTRA、AdMWNUS体现了对原始指标的非线性处理，强调数据预处理在指标构建中的关键性。

• 报告聚焦比特币，虽然声称方法适用于其他加密货币，但未展示跨币种的广泛有效性，存在推广上的不确定性。

- 研究主要基于历史数据回测，缺乏实盘验证及考虑市场微结构、情绪等多维驱动因素，预测与交易表现受这些未考虑因素制约。

• 机器学习模型的选择及调参结果虽给出，但未深入探讨可能存在的模型变体或深度优化空间，未来可扩展性有限。

- 对短仓交易表现差的讨论指出了体系内的不足，表明该方法组对于市场多方向行情的捕捉能力需加强[page::12-23]

---

7. 结论性综合

本论文提出并验证了一类基于区块链网络公开数据的创新指标体系——区块链缎带，通过历史数据回测和机器学习预测两方面实证其在比特币交易中的适用性和优势。主要发现总结如下：

• 区块链指标的价值与可操作性：

- 利用区块链网络公开数据（如哈希率、交易成本、矿工收入、钱包用户数等）构建指标，尤其是以传统的移动均线缎带形式表现，能够比单纯价格指标提供更加准确的买入信号。
- 这些指标多呈现非线性关系，采用如Chatterjee系数衡量功能依赖，体现了与价格高度的非线性关联。
- 尽管一些指标高度相关，但直接用于交易的效果有限，经过线性回归调整或导数处理后的“调整指标”更符合实际交易信号生成需求。

• 具体指标表现优劣：

- MWNUS、NTRAT、BLCHS原始数据单调，直接应用不适合。但其时间导数版本AdMWNUS、AdNTRAT改进明显，尤其在中短期波动捕捉上表现良好。
- CPTRA指标经过构造调整（AdCPTRA）后，大幅提升短仓信号表现，成为最重要的单一指标，凭借其对交易成本的敏感性有效捕捉价格高低反转。
- Hash Ribbon等传统指标依然具备参考价值，验证了区块链指标的多样性和互补性。

• 算法交易策略回测结果：

- 使用缎带指标进行买卖的长仓策略总体表现优异，年化收益显著超越单纯价格指标。
- 短仓（做空）信号准确率低，经济回报有限，链上指标仅凭自身难以完成有效的卖出时机捕捉，需结合其他分析手段。
- 交易手续费计算考虑后，缎带指标仍保持明显优势，显示统计套利空间存在。

• 机器学习预测验证：

- LSTM网络在预处理数据（缎带+导数）基础上表现优于随机森林和原始数据条件，误差降低且避免过拟合。
- 变量重要性分析再次强调AdCPTRA等调整指标的核心作用。
- 机器学习模型证实区块链数据不仅适合技术指标构建，也能作为价格预测的有效输入。

• 理论与实践意义：

- 研究支持适应性市场假说，强调在公开透明的区块链领域仍存在信息滞后及利用空间。
- 区块链指标为加密市场提供了独特的量化研究视角和交易策略构建基础。
- 强调结合多指标、多模型以及传统技术分析综合应用以提升交易有效性。

• 图表深度洞察：

- 图1-2展示哈希率指标噪声大，需平滑技术（SMA）辅助信号处理，体现传统金融时间序列分析方法的重要性。
- 图7中CPTRA历史高点连线及其调整指标AdCPTRA（Figures10-12）有效识别阻力区，关联价格大幅波动，成为策略关键信号点。
- Figures13-14显示导数调整后指标AdMWNUS和AdNTRAT捕捉到价格中短期波动，满足市场快速反应需求。
- 表2-6显著揭示多指标回测交易成绩区别及优势互补，评价体系全面覆盖胜率、收益、策略余额，具备较强说服力。[page::6-12, 15-20, 23-24]

---

8. 总体评价

本报告以严谨数据分析和数值仿真充分表明，区块链网络内部的指标不仅能作为价格预测的变量，还能作为交易策略的有效信号源，辅助提升加密货币市场的交易决策水平。其利用公开区块链数据，将传统技术指标的思想与区块链技术深度融合，拓宽了量化金融和机器学习在数字货币领域的应用边界。

报告中对指标的解析细致，数值结果丰富并公开代码，具备良好的科学传播价值。对市场效率理论的讨论扎实，创新指标设计和改进方法实用，为后续研究和实盘应用奠定基础。

对于投资者和量化研究者，该报告提供了可直接借鉴的模型框架和指标体系，明确了当前指标优缺点及改进路径。未来研究可基于此展开更广泛的多币种验证、模型集成及风险管理融合。

---

9. 参考文献出处（摘选）

• 数学相关指标：Chatterjee系数[17]。

- Hash Ribbon原创作者：Charles Edwards[11]。

• 区块链基础技术及挖矿影响研究文献[14,15,18,19]。

- 机器学习模型应用文献[20,21]等。

---

综上，报告通过构建、改进及综合利用基于区块链数据的技术指标，辅以机器学习框架，在加密货币价格预测和交易策略构建上取得显著成效，充分展现了区块链指标在数字资产金融市场的巨大潜力和实际应用价值。
[page::0-25]

报告