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、中国移动资深架构师，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，乃至于聘请最优秀的人才应用深度学习等高级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型，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，btc/usdt/eth/ 交易所平台币，交易对数量比基础资产数量高得多，给三角套利创造了很多机会。

最后，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；

 是著名分析师 willy 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，数据分析当然最好是自己能动手做，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 Willy 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型，一种是账户模型，另一种是 UTXO 模型。

账户模型跟银行很类似，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型。

UTXO 模型不像银行，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 btc 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。我挑其中最典型，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 btc，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 btc 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 btc 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 btc，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 btc，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型、相对估值法、梅特卡夫这些模型，刘毅老师认为哪些估值模型更适合币圈项目呢？

资本市场估值分为绝对估值和相对估值两大门类，加密资产市场也不例外。股票市场绝对估值的金标准是 DCF 现金流折现法。但是现金流折现法只能用于生产性资产（productive 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绝对估值方法，依次由 V 神、John Peffer、Chris Burniske、Alex Evans 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 Evans 的估值模型比较完善，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。原因是这条估值模型的发展线索，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 的巨大波动，以及 V 与经济周期之间的关联性。我在 Alex Evans 的估值模型基础上发展出了加密资产估值双池模型，双池模型的有点有两个，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，加密投资社区对绝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法会自我实现。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，绝对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。与绝对估值相比，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，相同类型、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 Willy 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 value 是加密货币的总市值。分母 RV 是 realized value，姑且翻译为实现价值。实现价值是把每一笔的加密货币，按照最后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 btc 很不值钱，所以很多人呢对它不上心，就有很多丢失的 btc。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 btc 在估值上同样看待，肯定是不对的。那么早期产生的 btc，UTXO 创建的时候 btc 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 btc 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。