Cet article est le 9e article de la série On-Chain Data Academy, avec un total de 10 articles. Vous emmener étape par étape pour comprendre l’analyse de données on-chain, invitons les lecteurs intéressés à suivre cette série d’articles. (Synopsis : On-Chain Data Academy (6) : Une nouvelle méthodologie de tarification magique du BTC avec la participation de l’ARK (I) ) (Supplément de contexte : Académie des données on-chain (7) : Un nouvel ensemble de méthodologie de tarification magique du BTC avec la participation de l’ARK (II) La série d’articles TLDR RUPL sera divisée en 2, c’est la première fois que RUPL peut présenter la situation actuelle des « profits et pertes non réalisés » du marché En observant RUPL, vous pouvez trouver la loi de fonctionnement du marché en haut et en bas Un selon RUPL Le modèle de lecture du bas conçu partage RUPL Introduction RUPL, nom complet Relative Unachieve Profit & Loss, traduction chinoise « profit et perte non réalisés relatifs ». L’indicateur lui-même peut être divisé en deux parties, RUP et RUL. Si l’on prend l’exemple du RUP, le calcul est le suivant : Comparez le « prix actuel » avec le « prix au dernier transfert de chaque BTC » et classez les jetons avec le « prix actuel > le dernier prix de transfert » comme des jetons de profit. Multipliez le profit de chaque jeton par le nombre correspondant de jetons pour obtenir un profit non réalisé. Enfin, les données obtenues seront standardisées en fonction de la valeur marchande à ce moment-là. En d’autres termes, le profit non réalisé est la « somme des bénéfices non réalisés » sur le marché actuel ; RUP, quant à lui, normalise ces données en fonction de la capitalisation boursière afin de comparer les bénéfices du marché sur différentes périodes. L’algorithme de RUL est exactement le même que la logique de RUP, je n’entrerai donc pas dans les détails ici. Comme indiqué ci-dessus, la ligne verte est RUP et la ligne rouge est RUL. Nous pouvons constater que le prix est fortement corrélé positivement avec RUP et fortement corrélé négativement avec RUL. C’est intuitif, car à mesure que le prix de la pièce augmente, la somme des bénéfices des jetons de profit non réalisés augmente naturellement. Mais si nous regardons plus loin le graphique ci-dessus, nous constaterons que RUL dépasse RUP (la ligne rouge est au-dessus de la ligne verte) sur quelques périodes, ce qui signifie que la position P&L non réalisée du marché dans son ensemble est négative, cette situation est-elle particulièrement significative ? Lire la suite ... Il y a un vieux dicton : « Je suis avide quand les autres ont peur », lorsque les détenteurs de jetons du marché, la moyenne globale est dans un état de perte, c’est peut-être un moment digne de nous d’entrer sur le marché pour collecter des jetons. Comme le montre la figure ci-dessus, j’ai marqué la période de temps de RUL > RUP pour obtenir ce graphique de signal. Nous pouvons clairement constater que lorsque RUL > RUP, cela correspond essentiellement à un big bottom périodique ! Il ne s’agit en aucun cas d’une simple épée, la logique est la suivante : « lorsque le marché dans son ensemble est dans un état perdant, cela signifie que le trappeur est susceptible de ne pas vouloir vendre ses jetons parce que le prix est trop bas », dans le cas d’une forte réduction de la pression de vente, tant qu’il y a une légère augmentation des achats, la tendance peut s’inverser et commencer à augmenter. Cette logique est très similaire à la stratégie de chasse au fond de LTH-RP introduite dans l’article précédent, et les lecteurs intéressés peuvent feuilleter les articles précédents. Partage de la logique de conception du modèle de lecture du fond du RUPL Ensuite, ignorons le RUL pendant un moment et concentrons-nous sur le graphique RUP lui-même, et nous constaterons que les valeurs les plus basses du RUP dans l’histoire sont en fait très proches. Par exemple, j’ai ajouté une ligne horizontale de 0,4 au graphique RUP afin que nous puissions voir clairement où le RUP < 0,4. (0.4 est ici un paramètre réglable, qui sera mentionné à nouveau plus tard) Lorsque nous constatons que RUP a une zone inférieure relativement évidente, nous pouvons superposer la condition de RUP < 0.4 à la condition du précédent « RUP < RUL » pour effectuer un filtrage secondaire sur le signal, et le résultat est le suivant : Il s’agit d’une méthode très courante lors de la conception de modèles, afin d’obtenir l’effet de filtrage à travers l’écran de signal, afin que notre modèle de conception final puisse être plus précis. Les deux conditions de la figure ci-dessus (RUP < 0,4 > RUP < RUL), l’effet de filtrage n’est pas très évident, mais si vous regardez de plus près, vous pouvez toujours constater qu’il existe en effet des RUP < des RUL plus stricts que les simples. Ici, si vous ajustez 0,4 vers le bas (par exemple, à 0,38), vous pouvez rendre le signal global plus serré ; Mais dans le processus d’ajustement des paramètres, vous devez toujours faire attention au problème du surapprentissage, après tout, le simple ajustement du modèle basé sur des données historiques est susceptible d’échouer à l’avenir ! Conclusion Ce qui précède concerne l’académie des données on-chain (neuf), le prochain article donnera une introduction plus approfondie au RUP et partagera avec vous un signal supérieur classique. Lecteurs qui souhaitent en savoir plus sur l’analyse des données on-chain, assurez-vous de suivre cette série d’articles ! Si vous voulez voir plus d’analyse de données on-chain et de contenu pédagogique, veuillez suivre mon compte Twitter (X) ! J’espère que cet article vous aidera, merci d’avoir lu. L’académie des données on-chain (8) : Une nouvelle méthodologie de tarification magique du BTC avec la recherche ARK ! (III) On-Chain Data Academy (1) : Savez-vous quel est le coût moyen du BTC sur l’ensemble du marché ? On-Chain Data Academy (II) : Combien cela coûte-t-il pour les Hodlers qui gagnent toujours de l’argent ? « On-Chain Data Academy (9) : Market Barometer RUPL (I) - Data Introduction & Bottom Reading Application » Cet article a été publié pour la première fois dans « Dynamic Trend - The Most Influential Blockchain News Media » de BlockTempo.
Le contenu est fourni à titre de référence uniquement, il ne s'agit pas d'une sollicitation ou d'une offre. Aucun conseil en investissement, fiscalité ou juridique n'est fourni. Consultez l'Avertissement pour plus de détails sur les risques.
Off-chain données académie (neuf) : Indicateur de marché RUPL (I) - Introduction aux données & buy the dip application
Cet article est le 9e article de la série On-Chain Data Academy, avec un total de 10 articles. Vous emmener étape par étape pour comprendre l’analyse de données on-chain, invitons les lecteurs intéressés à suivre cette série d’articles. (Synopsis : On-Chain Data Academy (6) : Une nouvelle méthodologie de tarification magique du BTC avec la participation de l’ARK (I) ) (Supplément de contexte : Académie des données on-chain (7) : Un nouvel ensemble de méthodologie de tarification magique du BTC avec la participation de l’ARK (II) La série d’articles TLDR RUPL sera divisée en 2, c’est la première fois que RUPL peut présenter la situation actuelle des « profits et pertes non réalisés » du marché En observant RUPL, vous pouvez trouver la loi de fonctionnement du marché en haut et en bas Un selon RUPL Le modèle de lecture du bas conçu partage RUPL Introduction RUPL, nom complet Relative Unachieve Profit & Loss, traduction chinoise « profit et perte non réalisés relatifs ». L’indicateur lui-même peut être divisé en deux parties, RUP et RUL. Si l’on prend l’exemple du RUP, le calcul est le suivant : Comparez le « prix actuel » avec le « prix au dernier transfert de chaque BTC » et classez les jetons avec le « prix actuel > le dernier prix de transfert » comme des jetons de profit. Multipliez le profit de chaque jeton par le nombre correspondant de jetons pour obtenir un profit non réalisé. Enfin, les données obtenues seront standardisées en fonction de la valeur marchande à ce moment-là. En d’autres termes, le profit non réalisé est la « somme des bénéfices non réalisés » sur le marché actuel ; RUP, quant à lui, normalise ces données en fonction de la capitalisation boursière afin de comparer les bénéfices du marché sur différentes périodes. L’algorithme de RUL est exactement le même que la logique de RUP, je n’entrerai donc pas dans les détails ici. Comme indiqué ci-dessus, la ligne verte est RUP et la ligne rouge est RUL. Nous pouvons constater que le prix est fortement corrélé positivement avec RUP et fortement corrélé négativement avec RUL. C’est intuitif, car à mesure que le prix de la pièce augmente, la somme des bénéfices des jetons de profit non réalisés augmente naturellement. Mais si nous regardons plus loin le graphique ci-dessus, nous constaterons que RUL dépasse RUP (la ligne rouge est au-dessus de la ligne verte) sur quelques périodes, ce qui signifie que la position P&L non réalisée du marché dans son ensemble est négative, cette situation est-elle particulièrement significative ? Lire la suite ... Il y a un vieux dicton : « Je suis avide quand les autres ont peur », lorsque les détenteurs de jetons du marché, la moyenne globale est dans un état de perte, c’est peut-être un moment digne de nous d’entrer sur le marché pour collecter des jetons. Comme le montre la figure ci-dessus, j’ai marqué la période de temps de RUL > RUP pour obtenir ce graphique de signal. Nous pouvons clairement constater que lorsque RUL > RUP, cela correspond essentiellement à un big bottom périodique ! Il ne s’agit en aucun cas d’une simple épée, la logique est la suivante : « lorsque le marché dans son ensemble est dans un état perdant, cela signifie que le trappeur est susceptible de ne pas vouloir vendre ses jetons parce que le prix est trop bas », dans le cas d’une forte réduction de la pression de vente, tant qu’il y a une légère augmentation des achats, la tendance peut s’inverser et commencer à augmenter. Cette logique est très similaire à la stratégie de chasse au fond de LTH-RP introduite dans l’article précédent, et les lecteurs intéressés peuvent feuilleter les articles précédents. Partage de la logique de conception du modèle de lecture du fond du RUPL Ensuite, ignorons le RUL pendant un moment et concentrons-nous sur le graphique RUP lui-même, et nous constaterons que les valeurs les plus basses du RUP dans l’histoire sont en fait très proches. Par exemple, j’ai ajouté une ligne horizontale de 0,4 au graphique RUP afin que nous puissions voir clairement où le RUP < 0,4. (0.4 est ici un paramètre réglable, qui sera mentionné à nouveau plus tard) Lorsque nous constatons que RUP a une zone inférieure relativement évidente, nous pouvons superposer la condition de RUP < 0.4 à la condition du précédent « RUP < RUL » pour effectuer un filtrage secondaire sur le signal, et le résultat est le suivant : Il s’agit d’une méthode très courante lors de la conception de modèles, afin d’obtenir l’effet de filtrage à travers l’écran de signal, afin que notre modèle de conception final puisse être plus précis. Les deux conditions de la figure ci-dessus (RUP < 0,4 > RUP < RUL), l’effet de filtrage n’est pas très évident, mais si vous regardez de plus près, vous pouvez toujours constater qu’il existe en effet des RUP < des RUL plus stricts que les simples. Ici, si vous ajustez 0,4 vers le bas (par exemple, à 0,38), vous pouvez rendre le signal global plus serré ; Mais dans le processus d’ajustement des paramètres, vous devez toujours faire attention au problème du surapprentissage, après tout, le simple ajustement du modèle basé sur des données historiques est susceptible d’échouer à l’avenir ! Conclusion Ce qui précède concerne l’académie des données on-chain (neuf), le prochain article donnera une introduction plus approfondie au RUP et partagera avec vous un signal supérieur classique. Lecteurs qui souhaitent en savoir plus sur l’analyse des données on-chain, assurez-vous de suivre cette série d’articles ! Si vous voulez voir plus d’analyse de données on-chain et de contenu pédagogique, veuillez suivre mon compte Twitter (X) ! J’espère que cet article vous aidera, merci d’avoir lu. L’académie des données on-chain (8) : Une nouvelle méthodologie de tarification magique du BTC avec la recherche ARK ! (III) On-Chain Data Academy (1) : Savez-vous quel est le coût moyen du BTC sur l’ensemble du marché ? On-Chain Data Academy (II) : Combien cela coûte-t-il pour les Hodlers qui gagnent toujours de l’argent ? « On-Chain Data Academy (9) : Market Barometer RUPL (I) - Data Introduction & Bottom Reading Application » Cet article a été publié pour la première fois dans « Dynamic Trend - The Most Influential Blockchain News Media » de BlockTempo.