从UTXO走势到MVRV比率，初窥最前沿的加密货币投资思想

前言：

本次演讲整理自 HashBang 与 CYBEX 联合举办的第六期 AMA，演讲嘉宾为区块链和大数据技术专家、加密货币投资人刘毅，其曾任 HP、中国移动**架构师，也是比特币早期投资者，拥有 20 年 A 股和 10 年美股的投资经验。本期演讲主题为《数据分析在加密货币投资中的应用》。

以下为AMA对话原文：

1、第一个问题，我们先来给大家普及下什么是加密货币的数据分析，区块链中有几类数据，数据分析目前的发展现状是怎么样的？

发达国家的资本市场是以机构投资者为主，美国股市自动交易的交易量占比也达到了百分之七八十。二级市场的机构投资都不同程度的依赖数据分析，包括资产定价、风险定价和对冲、量价分析、价格相关性分析等等，在互联网普及之后，还融合了情绪面分析。

在加密资产二级市场，以上分析都仍然有价值。由于加密资产是发行在区块链（公链）上的数字资产，因此又增加了链上分析的维度。链上数据分析非常特殊，理论上来说所有链上交易的数据都是公开一致的，而且高度结构化，没有垃圾不需要清洗，给数据分析带来很大的便利。但是另一方面，链上交易无身份，地址之间不易关联。而且在中心化交易所、二层网络进行的交易，并没有记录在链上。因此对链上数据分析的应用效果也不宜预期过高，它并不是投资者的银弹。

数据分析对两类投资策略有价值。

第一类是量化投资，可以说没有数据分析就不会有量化投资。

其实严格地说，量化投资不是一类策略，而且一种投资方式，与它相对应的是主观投资。但是量化投资的优势是快速精确，不受人的情绪和主观判断的干扰，因此它特别适合短期的趋势投资和套利。所以虽然量化是投资方式的，但是它跟趋势投资和套利这两大类策略密切联系。

第二类是投资策略是基本面投资，在基本面投资中，数据分析居于辅助地位，为估值和择时提供参考。

在传统资本市场，散户（个人投资者）和机构在数据分析方面有巨大的差距。机构投资者投入大量人力物力用于数据采集、清洗、存储、建模、分析，乃至于聘请***的人才应用深度学习等**方法致力于数据分析。可以说无所不用其极，不为别的，就是为了建立哪怕一点点信息优势，然后通过规模化高杠杆的资金操作，把信息优势转化为利润。

加密资产是新出现的市场，还没有巨头玩家，因此一些创业团队，利用先发优势，可以建立起信息优势。他们是未来的币圈机构投资者，或者未来被进入加密资产市场的大玩家整合。

2、去年开始出现很多量化团队，刘毅老师认为这样的团队一般都需要什么样的数据类，什么样的数据可以帮助他们做更好的判断？

加密资产市场是量化交易的沃土，主要有两大原因：

一是加密资产市场的结构跟股票市场有很大的不同。

首先，股票市场的资产及其衍生品的数量远远超过市场数量，虽然也有一只股票在多个市场交易的情况，但仅仅是极少数。加密资产正相反，高流动性资产很少（几十种），但是市场有上万个，因此跨市场套利（搬砖）机会比股票市场要多得多。

而且，股票市场的计价货币通常只有一种（即本国法币）。但是在加密资产市场，基础货币就有多种，*/USDT/ETH/ 交易所平台币，交易对数量BiKi础资产数量高得多，给三角套利创造了很多机会。

**，加密资产 7*24 小时交易，几乎所有交易所都提供数据流和交易 API，极大降低了量化交易的门槛。上面谈的三个因素形成了一个很大的无风险（或低风险）套利的机遇，养活了很多量化团队，哪怕团队的起点并不高，如果进入市场早，还有有可能抓住无风险套利的红利。

所有套利的机会都可以看成是市场定价的失效，无风险（或低风险）套利是可以自行消除的定价失效。但是它的总体空间是有限的，大量的人在做套利，一方面利润会越来越薄，另一方面会增加市场的有效性。因此量化团队之间的竞争焦点，会逐步从瓜分无风险套利红利，走向有风险套利和其他量化交易策略。换个说法就是，会越来越像股票市场的量化交易。在有效程度越来越高的资本市场，没有能够长期稳定获利的量化策略。策略需要不断变化，才能寻找到新的利润空间。在有些情况下，策略和策略之间会直接博弈，甚至出现有针对性地猎杀策略的策略。

作为加密货币投资者，如果你对数据分析感兴趣，希望利用数据分析来进行投资。你首先需要做个决策，就是做量化交易还是基本面投资。如果你有知识基础，愿意长期研究数据分析、交易策略，可以选择量化交易。但是你应该知道，未来这是机构博弈为主的战场，是无休止的数据和分析方法的军备竞赛。如果你不能成为强大专业团队的一部分，或早或晚会被挤出市场。如果你是业余做投资，或者即便是专业个人投资者，但长处不在数据分析方面。那么比较合理的选择是利用数据分析做为基本面投资的辅助手段。我后面的分享将只针对做第二种选择的投资者。因为有条件做第一种选择的人是极少数，而且他们不需要听我来讲解投资数据分析。

3、您一般会在哪些网站或者用什么样的工具来收集或者分析数据呢？能否给普通投资者一些建议，我们在进行投资和判断的时候，应该学会什么样的基本数据分析的能力？可以简单举例来说明一下吗？

对于采用基本面投资策略的加密货币投资者，我推荐三个网站：

有大量加密货币市场数据分析图表，还提供加密资产量价数据下载；

是**分析师 wil woo 的个人网站，同样免费提供大量有用图表；

谷歌趋势，根据搜索关键词热度，辅助分析市场情绪面；

我在后面会具体讲两个图表，作为例子。

4、跟一些专业的分析师聊过，一般做传统领域做数据分析，都要经过信息的搜集，清洗，建模，分析，定策略这些流程，那在区块链中或者在数字货币中，我们要通过什么样的路径来实现数据的分析，比如一般去哪里搜集信息，比如社区活度、小道消息哪里看？刘毅老师可以详细说下吗？

上面谈过，数据分析当然**是自己能动手做，这样得到的信息是你独有的，如果分析是对的，可以成为你战胜市场的工具。

但是自己做数据分析，还要得到独有的关键信息，难度很高，而且会越来越高，因为市场越来越有效。

对于多数人来说，基本的需求是能看懂专业人士做的分析图表。我举个例子，来说明图表能够给投资者带来什么。

这是我在加密资产价值投资课上讲的一张 ppt，原始图表来自于。我上面推荐的 Wil Woo 个人网站也有这个图，地址是。是 delphi digital 做的比特币 UTXO 历史走势图，网站上有完整的分析报告，有兴趣深入研究的同学可以自己看。

可能有部分同学不了解比特币 UTXO 的概念，我简单说一下。

UTXO 是 unspent transaction outputs 的缩写。

区块链记账有两种模，一种是账户模，另一种是 UTXO 模。

账户模跟银行很类似，有账号也就是地址，区块链记录了每个地址上有多少钱。用户使用对应的私钥，可以把地址上的钱转给其他地址。以太坊使用的是账户模。

UTXO 模不像银行，而是像一个放支票的箱子。箱子里的每张支票都有一个金额，有个地址。用户使用对应的私钥可以使用支票。比如说我要给你转 10 个 BTC，支票箱里有 2 张支票属于我，金额分别是 5 个 BTC 和 6 个 BTC。那么我就可以做一笔交易，用这两张支票作为输入，一共是 11 个比特币，交易的输出也是两张支票。第一张的金额是 10 个 BTC，地址是你的地址，那么以后只有你可以用这张支票，我就不能用了。另外一个输出的支票金额是 1 个 BTC，地址还是我的地址。经过这次交易，我的两张分别价值 5 个和 6 个比特币的支票作废了，产生了两张新支票，一张 10 个 BTC 是给你的，另一张 1 个 BTC 的支票相当于是找回给我零钱。没作废，或者说没有使用的支票就叫 UTXO。

每个 UTXO 都有时间戳，所以可以知道存入的时间。比如我要给你发 1 个比特币，我的钱包软件会检查属于我的所有存款，从中间挑出 1 笔金额合适的，比如有一笔数量为 1.5 BTC 的 UTXO 属于我。它就可以作为转账交易的输入。转账交易完成后会创建两个新的 UTXO，一笔是 1 BTC 属于你，就是我转给你的。第二个 UTXO 是找零，金额是 0.5 BTC，找零属于我。也就是说，转账交易用 1 个现有 UTXO 作为输入，2 个新创建的 UTXO 作为输出。交易完成后，输入的 UTXO 存款就失效了，新产生的两笔存款的存入时间就是交易完成的时间。

那么这张图是什么呢？首先看最上面的黑线，是比特币的历史价格走势，对应的是左边的坐标轴，是 log 尺度的价格。下面绿色的曲线，是币龄在 1 年以上的 UTXO 占已挖出的比特币总量的百分比，坐标轴在右侧。可以看到，在 2015 年和 2016 年，年龄超过 1 年，也就是 1 年没有动过的 * 的占比达到了 58%。到 2017 年的大牛市，绿色线快速下行，跌到了 40% 以下。绿色线下面还有很多根线，蓝色线是 5 年以上的 utxo，紫色线是 3-5 年，草绿色是 2-3 年，桔黄色是 1-2 年。这张图给出的信息非常丰富。我挑其中最典，最有指导性的部分来谈一谈。

我们把大图右下方黑框的部分放大，得到右上角这张图。时间段大概是 2017 年 3 月到 2018 年年底。这张图里新增了一条线，是年龄小于 3 个月的 UTXO，也就是新生的 UTXO。它代表了新入场的投资者买入的 *，和卖出者拿回的找零。可以看到，曲线 4 在 2017 年牛市快速向上，与此同时，币龄超过 1 年的 UTXO，也就是绿色线，快速向下。而且向上和向下的幅度大体相当，大概是 * 总量的 17%。

那么，我们得出一个粗糙的推论：2017 年的大牛市中早期囤币者，卖了占总量 17% 的 * 给新入场的投资者。然后我们再看这个推论有什么问题，首先没有考虑找零。第二，转账不一定是买卖，老投资者整理钱包等等，都被计算在内了，这两块是主要的误差来源。考虑到当时 BTC 的价格，囤币者向新投资者出售的 BTC，几乎可以肯定是百亿美元级，我比较认同的估计是 2、3 百亿美元。那么是囤币多少年的投资者在出货呢？

我们就看看另外几条线，5 年以上币龄的几乎没变化，这些币要么是丢了，要么是在死多头手里，价格涨多少都不卖出。2012 年之前的币价是个位数，死多头拿着涨 10000 倍的币都不卖。这种情况可能存在，但是多方面考虑应该是极少数，币龄超过 5 年的 *，差不多是 300 万枚，绝大部分应该是丢失了。大量卖出的是 3-5 年币龄和 2-3 年币龄的 *，也就是图中 5 号和 3 号线，其中以 3-5 年为出货主力。牛市结束后的 2018 年，币龄在 1 年以上的 UTXO 占比开始触底回升，到年底已经突破 50%，向着前期高点 58% 回归。

2013 年的牛市情况也是大同小异。总结下来就是：HOLDer 为长期增值买入；韭菜因短期追涨买入。牛市 Holder 卖给韭菜，熊市韭菜卖给 HOLDER。随着加密货币普及，Holder 和韭菜联队不断壮大，推动市场整体向上。所以我管它叫 Hodler 韭菜混合接力跑。就是 HOLDer 牛市交棒给韭菜，韭菜拿着接力棒跑一段，熊市忍不住了，再把接力棒交还给 Hodler。当然这只是粗略地说法，每次牛市进来的新投资者，都有一部分能穿越熊牛，从韭菜进化成 Hodler。还有一些长期囤币者，他不交棒，一直拿下去。也就是说他只赚基本趋势的钱，不赚价格波动的钱。这个策略，看上去少赚了，但是也有它的优势，我们后面再详细谈。

从这个实例可以看出，很多图表有非常丰富的内涵，可以给我们很多对投资有价值的信息，值得花大量时间去深入研究。

5、目前市场现有的现金流折现模、相对估值法、梅特卡夫这些模，刘毅老师认为哪些估值模更适合币圈项目呢？

资本市场估值分为**估值和相对估值两大门类，加密资产市场也不例外。股票市场**估值的金标准是 DCF 现金流折现法。但是现金流折现法只能用于生产性资产（productie asset），对非生产性资产是无效的。这也是巴菲特鄙视 BTC 的最关键原因，巴老认为不能产生现金流的资产都不值得投资，因为它不能为社会创造新价值。在 BTC 之前，巴老 diss 最多的是黄金，黄金也是非生产性资产，同样不能适用现金流折现法。

目前加密社区比较认可的**估值方法，依次由 V 神、John Peffer、Chris Burniske、Alex Eans 所阐述和发展。他们的文章都已经被翻译为中文，其中 John Peffer 和 Chris Burniske 估值方法是我牵头翻译的。虽然 Alex Eans 的估值模比较完善，但是依然不具备实用性。它既不能解释加密货币的主要价格现象，也不具备预测能力。原因是这条估值模的发展线索，依据的是以艾尔文 . 费雪为代表的古典主义货币需求理论，也都以费雪方程为基础。

此理论本身存在缺陷，举例来说：古典主义货币需求理论始终不能解释货币流通速度 V 的巨**动，以及 V 与经济周期之间的关联性。我在 Alex Eans 的估值模基础上发展出了加密资产估值双池模，双池模的有点有两个，一是简单，二是能够解释加密货币价格反身性现象。具体的估值方法，限于时间，我们就不深入谈了。有兴趣的同学可以来参加我的 CAVI 加密资产投资课，第三课会系统讲解加密资产估值方法。

但是总体而言，加密投资社区对**估值方法的研究热度在下降。根本原因在于，估值方法其实本身没有对错，能达成共识的估值方**自我实现。而估值方法之间是博弈关系，具体的分析可以看我个人公众号「以利证道」的文章《当我们谈加密资产价值投资，是在谈什么》。只有当估值方法的博弈达到均衡，才会形成估值方法共识。均衡需要时间，也许一段时间之后，**估值方法的研究和讨论会再热起来。

加密社会现在讨论比较多的是相对估值。与**估值相比，相对估值法有独特的优势，它不需要做预测，仅仅依据已有的收据，就能提供有参考价值的结果。但是应该注意，相对估值要能成立，依赖于市场的有效性。完全有效市场是指，参与市场的投资者有足够的理性，并且能够迅速对所有市场信息作出合理反应，因此资产的价格已经包含了全部的市场信息。在有效市场中，相同类、质量也差不多的资产，估值水平应该相当。

如果估值水平出现差异，就出现套利的机会。加密资产市场只有 10 年的历史，可以说一个婴儿，是个有效性非常低的市场。在这样的市场环境下，横行对比加密资产的估值水平意义不大。比较有意义的做法，是对一个资产，比较不同时间点的估值水平。因此，更准确说法是对加密资产做比率研究。也就是确定某种比率，以反映加密资产估值水平的变化趋势。换句话说，是用加密资产的现在跟过去相比，但这也要求加密资产具有比较长的历史，所以基本上都是研究比特币。现在投资圈做比率研究的很多，贡献较大的是 Wil Woo 和 Chris Burniske。对于某一种比率，即便分子和分母一样，但是各家的计算方法也有不同。我们来看一个对投资实战价值很高的比率 —— MVRV 比率。

这是我在 CAVI 加密资产价值投资课的第三课估值讲的一张 ppt，原始图表来自于 Cryptolab Capital，但是 Cryptolab Capital 是不公开的。我上面推荐的网站有这个图，地址是。coinmetrics 的创始人 Nic Carter 也是 MVRV 比率的提出者。

MVRV 比率方法相当新，是 Nic Carter 在 2018 年 9 月下旬一个比特币会议上发表的。MVRV 比率顾名思义是 MV 除以 RV，MV market alue 是加密货币的总市值。分母 RV 是 realized alue，姑且翻译为实现价值。实现价值是把每一笔的加密货币，按照**一次转账时的价格汇总起来得到的结果。对于比特币来说，就是把全部的 UTXO 按它创建时的价格汇总的结果。我们计算 RV 实现价值，不管 UTXO 是系统给矿工的挖矿奖励还是转账交易的输出，都以它产生那一天比特币的价格来计算，全加在一起就是 RV。用 RV 来做有两个特别大的优点，第一就是排除了早期丢失的比特币对估值的干扰。

因为早期 * 很不值钱，所以很多人呢对它不上心，就有很多丢失的 *。另外属于中本聪的比特币大概有 100 万枚，因为从来没有移动过，以后很可能也不会再用了，如果把这 100 万枚跟最近活跃 * 在估值上同样看待，肯定是不对的。那么早期产生的 *，UTXO 创建的时候 * 价格极低，用 RV 的概念，就基本上把他们的影响消除了。第二个优点是符合市场参与者的价值认可，比如我在 2015 年中转给你 10 个比特币，那么我到底转了多少钱给你呢？按当时的价格，200 美元一枚，这笔钱我是看做 2000 美元转给你的。

所以用 UTXO 创建时的比特币价格，反映了市场参与者的平均价值认可。我们说价格高低和涨跌都是相对的，价格的基准点又称为参考点，对每位投资者都是不一样的。投资者通常会以自己的买入均价作为加密货币价格的参考点。所以 MVRV 小于 1 意味着比特币的价格已经低于投资者的价格参考点的加权平均值。第六课我们将谈到，心理对投资决策的影响至关重要。所以我认为 MVRV 比率是能够体现投资者对比特币价格共识的指标，具有非常重要的意义。

说清楚了 MVRV 比率，我们看图。这是比特币的 MVRV 的历史走势图。图中有两条白色横线，上面的白线是 MVRV=3.7，下面白线是 MVRV=1。2012 年之前的不说了。2012 年的三次比特币大牛市，对应的就是这三个超过了 3.7 的峰值。2015 年的熊市底部，MVRV 降到了 1 以下。是不是非常厉害？

2018 年 11 月，MVRV 又跌到 1 以下了，显示 * 又进入了相对低估状态。但是请大家注意，MVRV 只能说明当前的价格跟历史价格相比，是相对高位还是相对低位。它不能预测价格的反转，就像 PE 一样，某只股票的历史平均 PE 是 20 倍，当前 PE 是 10 倍，我们可以说它的估值水平处于相对低位，但是 PE 是否会进一步走低，或者它在低位将保持多少年，不是估值要解决的问题，而是择时问题，是 CVAI 投资课第四课讨论的内容。

简单总结一下，现在就能用于加密货币投资实战的方法是比率研究（加密资产相对于自己过往价格的估值）。比率研究有很多种指标，我个人认为最有效的就是上面介绍的 MVRV 比率。当然还有很多指标也值得关注，限于时间我们不能讲太多。建议大家仔细研究我推荐的网站。另外应该注意的是，比率研究的目的不是预测未来的价格，它也做不到预测价格。它能够帮助我们了解，与历史价格相比，当前（或者过去某个时点）加密货币的价格是处于低位还是高位。

这是非常重要的信息，但是直接依赖它做投资决策，超出适用范围的，会反受其害，还不如不知道。就我所知，目前没有一个数据指标能够预测长期价格走向（量化交易发现市场错误定价预测短线价格不在此列）。这对于个人投资者其实是好事，因为我们和专业机构基本处于同一起跑线。或者说专业机构并不能通过特定的数据分析方法，就直接战胜市场（其他机构和散户）。基本面投资（包括价值投资）放弃试图预测短期价格走势的无效努力，通过多种方法（包括数据分析）力求预测长期价格趋势，在传统资本市场和学术界都被证明是可行的，能够创造出超额利润。

6、社区很多小伙伴对学习数据分析很感兴趣，刘毅老师可以简单说说学习数据分析是怎么样的一个过程，需要具备什么样的基础技能吗？

学习数据分析的基本要求是能看懂专业人士写的数据分析文章、制作的图表。做到这点难度不大，我推荐的网站的每个图表都不复杂，有初中数学基本就够了。但是要理解一些数据分析的观点结论，需要一点统计学基础，至少要理解均值、方差、协方差、相关性、相关系数这些基本概念。当然统计学懂得越多越好，如果再熟悉统计工具或者会写程序，那就可以自己做数据分析，不用只接受别人的结论了。