Tại Glassnode, chúng tôi giám sát hoạt động blockchain thông qua hàng trăm chỉ số on-chain , nhiều chỉ số trong số đó được sử dụng làm tính năng trong các mô hình học máy cho giao dịch. Một thách thức chính nảy sinh từ không gian tính năng rộng lớn: mỗi chỉ số có thể được chuyển đổi thông qua vô số chỉ số và được kết hợp theo vô số cách. Trong nghiên cứu điển hình này, chúng tôi giới thiệu một khuôn khổ khám phá tính năng từ dưới lên được thiết kế để điều hướng một cách có hệ thống sự phức tạp này và xác định các tổ hợp chỉ số có giá trị cao nhưng không hề tầm thường.
Tóm tắt điều hành
- Chúng tôi trình bày một phương pháp có cấu trúc từ dưới lên để khám phá không gian kết hợp của các chỉ báo giao dịch on-chain , chứng minh một giải pháp thay thế cho kỹ thuật thiết kế tính năng từ trên xuống thủ công.
- Áp dụng vào một nghiên cứu điển hình cụ thể về phát hiện xu hướng tăng của Bitcoin chỉ sử dụng mô hình 2 tính năng, quá trình khám phá đã tiết lộ các mô hình bất ngờ: khung thời gian ngữ cảnh tối ưu là 800-1.200 ngày thay vì các khoảng thời gian ngắn hơn thông thường.
- Các tổ hợp số liệu có hiệu suất cao nhất bao gồm vốn hóa thị trường đã thực hiện và số liệu giữ chân người dùng , mặc dù đây chỉ là bề nổi của các chỉ số tiềm năng.
- Phân tích này đóng vai trò là điểm khởi đầu cho các học viên, chứng minh cách khám phá có cấu trúc có thể bổ sung cho các phương pháp tiếp cận truyền thống.
Thử thách kết hợp
Để hiểu tại sao việc khám phá có cấu trúc lại quan trọng, hãy xem xét quy mô của thách thức mà các nhà phân tích đang phải đối mặt ngày nay. Thị trường tài chính hiện đại tạo ra dữ liệu ở quy mô khổng lồ. Hệ sinh thái tiền điện tử là một ví dụ điển hình: Blockchain xử lý hàng tỷ giao dịch mỗi ngày với tính minh bạch chưa từng có. Glassnode theo dõi hàng trăm chỉ số cơ bản trên nhiều loại tài sản, khung thời gian và phân khúc mạng khác nhau. Mỗi số liệu có thể được chuyển đổi bằng hàng chục chỉ số kỹ thuật, mỗi chỉ số có phạm vi tham số riêng. Khi được kết hợp thành các mô hình đa tính năng, số lượng cấu hình khả thi nhanh chóng bùng nổ thành một không gian tìm kiếm khó nhằn, được gọi là "lời nguyền đa chiều". Điều này khiến việc khám phá toàn diện trở nên bất khả thi.
Kỹ thuật tính năng từ trên xuống so với từ dưới lên
Kỹ thuật thiết kế tính năng từ trên xuống truyền thống dựa vào các chuyên gia trong lĩnh vực, những người lựa chọn các chỉ số dựa trên lý thuyết kinh tế, hiểu biết thị trường và tiền lệ lịch sử. Các tính năng được lựa chọn dựa trên khả năng diễn giải và độ tin cậy về mặt lý thuyết, tận dụng hiệu quả chuyên môn nhưng vẫn tập trung vào các kết hợp dựa trên lý thuyết.
Ngược lại, phương pháp khám phá từ dưới lên lấy mẫu không gian đặc trưng mà không có các ưu tiên được xác định trước, có khả năng khám phá ra các mẫu mà trực giác có thể bỏ sót. Thay vì bắt đầu bằng các giả thuyết về số liệu nào nên hoạt động, phương pháp này cho phép dữ liệu khám phá những kết hợp bất ngờ.
Phương pháp khám phá có hệ thống
Với tính bất khả thi về mặt tính toán này, chúng ta cần một phương pháp tiếp cận có cấu trúc có thể lấy mẫu một tập hợp con đại diện của không gian đặc trưng trong khi vẫn duy trì tính chính xác về mặt thống kê. Phương pháp của chúng tôi thăm dò vũ trụ này thông qua quá trình khám phá và đánh giá nghiêm ngặt.
Chúng tôi tạo ra các tổ hợp tính năng bằng cách lấy mẫu từ toàn bộ không gian các số liệu, phép biến đổi và phạm vi tham số có sẵn, đảm bảo phạm vi bao phủ rộng và ngăn ngừa sai lệch giới hạn tìm kiếm trong các mẫu quen thuộc. Mỗi tổ hợp được đánh giá bằng các mô hình học máy đơn giản, độ phức tạp thấp (cây quyết định với độ sâu hạn chế) để xác định các mẫu thực sự thay vì nhiễu quá khớp, tập trung vào việc khám phá các chỉ số mạnh mẽ có khả năng khái quát hóa vượt ra ngoài dữ liệu huấn luyện.
Mỗi tổ hợp tính năng đều được thử nghiệm trên nhiều lần thử nghiệm theo thời gian, với tính nhất quán về hiệu suất giữa các lần thử nghiệm cũng quan trọng như hiệu suất tổng thể, giúp xác định các tính năng hoạt động đáng tin cậy trong các điều kiện thị trường khác nhau. Bộ dữ liệu tính năng được tạo ra và hiệu suất tương ứng của chúng cho phép phân tích hậu kiểm không chỉ hiểu được tổ hợp nào hoạt động tốt mà còn trong những hoàn cảnh nào.
Thiết lập nghiên cứu điển hình: Phát hiện xu hướng Bitcoin
Để chứng minh phương pháp này trong thực tế, chúng tôi áp dụng nó vào một mục tiêu cụ thể và phù hợp với thị trường: phát hiện xu hướng tăng của Bitcoin. Việc triển khai của chúng tôi sử dụng chiến lược lấy mẫu ba giai đoạn để khám phá không gian đặc trưng một cách có phương pháp nhằm xác định xu hướng tăng. Bằng cách này, chúng tôi cân bằng giữa tính khả thi về mặt tính toán với phạm vi bao phủ toàn diện các tổ hợp chỉ báo tiềm năng.
Mục tiêu đầu tư và nhãn hiệu
Trọng tâm nằm ở việc xác định các giai đoạn tối ưu cho việc đầu tư dài hạn Bitcoin trong các giai đoạn thị trường tăng giá. Hệ thống phân loại của chúng tôi sử dụng phân đoạn xu hướng theo thứ bậc, xác định đệ quy các chu kỳ xu hướng bằng cách phát hiện các đỉnh cục bộ và các đáy trước đó. Điều này nắm bắt được những gì các chuyên gia thường gọi là "các đợt tăng Bull nhỏ" - các giai đoạn tăng trưởng bền vững trong các chu kỳ thị trường lớn hơn.
Thuật toán áp dụng ngưỡng thời lượng tối thiểu để lọc nhiễu, dẫn đến phân loại nhị phân, trong đó Nhãn 1 biểu thị các giai đoạn tăng giá và Nhãn 0 biểu thị các giai đoạn giảm giá hoặc đi ngang. Điều này có nghĩa là, trong các giai đoạn của "Nhãn 1", chúng ta muốn thị trường nằm trong thị trường, trong khi trong các khoảng thời gian của "Nhãn 0", mô hình nên dự đoán thị trường "nằm ngoài thị trường". Lưu ý rằng lựa chọn nhãn cụ thể này về cơ bản sẽ định hình tất cả các kết quả tiếp theo, các mục tiêu khác nhau sẽ mang lại những phát hiện khác nhau.
Hình 1: Phân đoạn xu hướng theo thứ bậc áp dụng cho Bitcoin. Màu xanh lá cây biểu thị giai đoạn tăng giá (Nhãn 1), màu xám biểu thị thị trường giảm giá/đi ngang (Nhãn 0).
Khung đánh giá
Sau khi thiết lập khung định nghĩa xu hướng, chúng tôi cần một phương pháp đánh giá giúp tăng khả năng phát hiện ra những kết quả có tính khái quát. Chúng tôi sử dụng phương pháp xác thực chéo theo thời gian, mô phỏng các cấu trúc thị trường khác nhau bằng cách huấn luyện trên toàn bộ dữ liệu cho đến từng năm thử nghiệm, với từng năm (2017-2025) đóng vai trò là các lần thử nghiệm. Việc lựa chọn tính năng dựa trên giai đoạn 2017-2023, trong khi giai đoạn 2024-2025 được dành riêng cho việc xác thực ngoài mẫu.
Hiệu suất được đo lường bằng lợi nhuận ròng sau khi trừ chi phí giao dịch, so với chiến lược mua và nắm giữ. Chỉ số này được chọn cho mục đích minh họa - phương pháp tiếp cận thuật toán có thể tối ưu hóa tương tự cho các thước đo điều chỉnh theo rủi ro như tỷ lệ Sharpe hoặc Sortino, các chỉ số học máy cổ điển như độ chính xác hoặc điểm F-beta, hoặc các tiêu chí tập trung vào triển khai như tần suất tín hiệu và đặc điểm rút vốn. Các mục tiêu tối ưu hóa thay thế sẽ đưa ra các kết hợp tính năng tối ưu khác nhau, và việc lựa chọn chỉ số hiệu suất về cơ bản sẽ định hình mối quan hệ mà quá trình khám phá phát hiện ra.
Cấu hình không gian tính năng
Với khuôn khổ đánh giá đã được xác định, chúng tôi đối mặt với thách thức thực tế là làm cho không gian tìm kiếm rộng lớn của mình dễ tính toán hơn. Để dễ diễn giải, chúng tôi cấu hình một không gian tìm kiếm bị hạn chế bằng cách sử dụng 1.600 số liệu Bitcoin (bao gồm cả các dấu vết phụ), giới hạn các phép biến đổi chỉ ở Điểm Z và RSI, cho phép cửa sổ ngữ cảnh lên đến 1.536 ngày và giới hạn mô hình ở đúng 2 tính năng. Ngay cả với những hạn chế này, không gian tìm kiếm lý thuyết vẫn đạt tới:
(1,600 metrics × 2 transformations × 1,536 context windows)² = 24 trillion combinations
Thách thức tính toán này đòi hỏi phải giảm chiều một cách có phương pháp. Chúng tôi thực hiện điều này bằng cách sử dụng phương pháp ba giai đoạn, như được mô tả bên dưới.
Quá trình thăm dò ba giai đoạn
Giai đoạn 1: Sàng lọc từng tính năng
Chúng tôi đánh giá 153.600 tổ hợp tính năng đơn lẻ, lấy mẫu qua các số liệu, phép biến đổi và khung ngữ cảnh. Thay vì tìm kiếm những người chiến thắng chắc chắn, chúng tôi tìm kiếm những số liệu cho thấy tiềm năng.
10 chỉ số cá nhân hàng đầu :
- MVRV theo độ tuổi : 1 tháng đến 3 tháng
- Nguồn cung duy trì hoạt động MoM : nguồn cung bị hủy
- Vốn hóa thị trường theo Lãi và Lỗ : -10% đến 0%
- Vốn hóa thực hiện theo Lãi và Lỗ : -10% đến 0%
- SOPR theo độ tuổi : 1 tháng đến 3 tháng
- Vốn hóa thực tế theo kích thước ví : trên 100k
- Khối lượng giao dịch tiêu hao trong mất mát theo độ tuổi : 1 tháng đến 3 tháng
- Phân bổ cơ sở chi phí : 91%
- Nguồn cung do các tổ chức nắm giữ với số dư : trên 100 nghìn
- Holder NUPL Short : dưới 155 ngày
Các số liệu này bao gồm tỷ lệ định giá, hành vi holder và phân phối lợi nhuận/lỗ - một tập hợp đa dạng và hợp lý mà quá trình đánh giá xác định mà không cần bất kỳ sự lựa chọn trước nào.
Hình 2: Bản đồ nhiệt hiệu suất của 50 tính năng đơn lẻ hàng đầu. Hàng hiển thị số liệu, cột biểu thị các nhóm cửa sổ ngữ cảnh (0-1.535 ngày). Cường độ màu cho biết hiệu suất trung bình hàng năm trong giai đoạn 2017-2023.
Kết quả của giai đoạn đầu tiên này được thể hiện trong Hình 2. Ví dụ, chỉ số " MVRV theo Độ tuổi: 1 tháng đến 3 tháng " kết hợp với khung thời gian 64-95 ngày cho kết quả hiệu suất trung bình là 1,152 so với chiến lược Mua-và-Giữ đơn giản. Tuy nhiên, cần lưu ý rằng những phát hiện này chỉ là bước đầu tiên trong quy trình của chúng tôi và bản thân chúng rất có thể không liên quan đến bất kỳ tín hiệu giao dịch mạnh mẽ nào.
Giai đoạn 2: Khám phá cặp số liệu
Mở rộng phân tích này, chúng tôi sử dụng 50 chỉ số hàng đầu từ Giai đoạn 1 để lấy mẫu 100.000 đánh giá từ khoảng 23 triệu kết hợp có thể. Mục tiêu là xác định các cặp có khả năng hiệp lực, chứ không phải tối ưu hóa dứt khoát.
Hình 3: Ma trận hiệu suất theo cặp cho 50 chỉ số hàng đầu. Màu ô biểu thị hiệu suất kết hợp.
Những phát hiện ban đầu cho thấy một số sự kết hợp cần được điều tra sâu hơn:
- Các số liệu về vốn hóa thực tế cho thấy hiệu quả nhất quán
- Các số liệu duy trì hoạt động có vẻ bổ sung cho các chỉ số định giá
- Một số cặp thể hiện kết quả kết hợp mạnh hơn so với các thành phần riêng lẻ
Giai đoạn 3: Tối ưu hóa tham số
Mặc dù Giai đoạn 2 cho thấy những kết hợp số liệu hấp dẫn, chúng tôi vẫn chưa tối ưu hóa khung thời gian ngữ cảnh lịch sử của chúng. Đối với các cặp số liệu đáng chú ý nhất, Realized Cap (Vốn hóa Thực tế) và Activity Retention (Duy trì Hoạt động), được xác định trong phân tích từng cặp, chúng tôi tiến hành tìm kiếm tham số tập trung trên các khung thời gian ngữ cảnh. Bạn mong đợi khung thời gian nào là tối ưu để phát hiện xu hướng Bitcoin - ngày, tuần hay tháng?
Kết quả mô phỏng được tóm tắt trong Hình 5. Điều thú vị là một mối quan hệ bất ngờ xuất hiện: khoảng thời gian tối ưu dao động từ 800-1.200 ngày, dài hơn đáng kể so với các giai đoạn phân tích kỹ thuật thông thường.
Hình 5: Tối ưu hóa cửa sổ ngữ cảnh cho thấy hiệu suất trên các tổ hợp cửa sổ khác nhau cho các cặp số liệu đã chọn.
Những phát hiện của chúng tôi cần được giải thích, vì chúng trái ngược với quan điểm thông thường trong phân tích kỹ thuật. Mặc dù nhịp đập của Bitcoin thường dẫn đường, chúng tôi phát hiện ra rằng nhịp thở chậm rãi của Bitcoin trong hơn 3 năm dường như vạch ra con đường thực sự cho mục tiêu này. Một yếu tố quan trọng là cấu trúc nhãn của chúng tôi: phân đoạn xu hướng theo thứ bậc xác định các phân đoạn xu hướng tăng thường kéo dài nhiều tuần hoặc nhiều tháng. Các khung thời gian ngữ cảnh dài hơn có thể nắm bắt tốt hơn sự tích tụ và thiết lập dần dần của các giai đoạn xu hướng kéo dài này, trong khi các khung thời gian ngắn hơn có thể phản ứng với nhiễu trong cấu trúc xu hướng rộng hơn. Các khung thời gian 800-1.200 ngày có thể phát hiện các điều kiện cơ bản chuyển động chậm hơn trước và duy trì các giai đoạn xu hướng tăng mạnh.
Tuy nhiên, chúng tôi nhấn mạnh rằng đây chỉ là những quan sát từ một nghiên cứu điển hình giới hạn, cụ thể cho phương pháp dán nhãn của chúng tôi. Các định nghĩa nhãn được sửa đổi nhắm vào các chuyển động ngắn hạn sẽ ưu tiên các khung bối cảnh khác nhau.
Phân tích hiệu suất thời gian
Khám phá của chúng tôi đã tìm thấy những kết hợp hấp dẫn, nhưng một câu hỏi quan trọng vẫn còn đó: những mối quan hệ này ổn định đến mức nào theo thời gian? Để giải quyết vấn đề này, chúng tôi xem xét cách các kiến trúc tính năng khác nhau hoạt động theo thời gian. Chúng tôi phân loại các kết hợp theo loại số liệu của chúng:
- Realized Cap × Realized Cap : Cả hai số liệu đều dựa trên cơ sở chi phí on-chain
- Hoạt động × Vốn hóa thực tế : Các chỉ số định giá và hành vi hỗn hợp
- Hoạt động × Hoạt động : Cả hai số liệu đều dựa trên các mẫu hành vi của người dùng
Hình 10: Quỹ đạo hiệu suất kiến trúc qua các năm thử nghiệm (2018-2023). Mỗi cụm trên trục x biểu thị một sự kết hợp duy nhất giữa cặp số liệu và nhóm cửa sổ ngữ cảnh, với các thanh thể hiện hiệu suất hàng năm.
Những quan sát chính từ giai đoạn lấy mẫu:
- Các tổ hợp vốn hóa thực tế cho thấy phương sai thấp hơn nhưng lợi nhuận vừa phải
- Kiến trúc hỗn hợp cân bằng tính nhất quán với hiệu quả
- Các cặp chỉ hoạt động thể hiện sự khác biệt lớn với kết quả cụ thể theo từng giai đoạn
Điều quan trọng là tất cả các kiến trúc đều cho thấy kết quả giảm dần theo thời gian trong giai đoạn 2017-2023, cho thấy hiệu quả thị trường đang tăng lên hoặc động lực thị trường đang thay đổi.
Kết quả ngoài mẫu: Kiểm tra thực tế
Mặc dù giao dịch trực tiếp vẫn là bài kiểm tra cuối cùng, việc đánh giá các khám phá thuật toán trên dữ liệu đã bị loại trừ trước đó sẽ cung cấp cái nhìn sâu sắc về hiệu quả tiềm năng trong thực tế. Giai đoạn xác thực 2024-2025 cung cấp góc nhìn quan trọng này về những phát hiện của chúng tôi:
Hình 7: Hiệu suất ngoài mẫu (2024-2025). Cùng loại kiến trúc với giai đoạn đào tạo.
Giai đoạn ngoài mẫu cho thấy một số hiện tượng: một số quỹ trước đây hoạt động mạnh, chẳng hạn như các hỗn hợp duy trì hoạt động thuần túy, cho thấy hiệu quả giảm trong khi một số tổ hợp vốn hóa thực tế vẫn duy trì kết quả ổn định. Những thay đổi về kết quả này đặt ra những câu hỏi cơ bản về sự phát triển của thị trường. Tại sao các đặc điểm hiệu quả lại thay đổi? Có nhiều cách giải thích, chẳng hạn như những thay đổi thực sự trong cấu trúc hệ sinh thái hoặc hành vi của người tham gia, tác động của cơ sở hạ tầng thị trường mới như ETF và sự gia tăng áp dụng của các tổ chức, hoặc một lý do hoàn toàn khác.
Những kết quả này nhấn mạnh rằng việc khám phá có cấu trúc là điểm khởi đầu cho quá trình điều tra chứ không phải là điểm cuối cùng cho quá trình phát triển hệ thống giao dịch.
Ý nghĩa thực tiễn và hạn chế
Phân tích này cho thấy điều gì
Khám phá có cấu trúc của chúng tôi cho thấy những mối quan hệ không rõ ràng mà phân tích truyền thống không thể có được, đặc biệt là việc ưu tiên các khung thời gian ngữ cảnh dài từ 800-1.200 ngày. Ngay cả với tìm kiếm bị hạn chế chỉ sử dụng 2 đặc điểm từ một tập hợp số liệu hạn chế, chúng tôi vẫn phát hiện ra những hành vi đáng để nghiên cứu thêm, chứng minh rằng những hiểu biết giá trị có thể xuất hiện từ việc lấy mẫu có cấu trúc ngay cả với những hạn chế nghiêm ngặt. Phương pháp này cho thấy cách khám phá từ dưới lên và kỹ thuật tính năng từ trên xuống có thể bổ sung cho nhau, với việc khám phá tính toán cho biết nên tập trung chuyên môn vào lĩnh vực nào. Quan trọng nhất, khuôn khổ này đại diện cho một phương pháp luận có thể mở rộng, có thể áp dụng cho các mục tiêu đầu tư khác nhau, nhiều loại tài sản và các ràng buộc thay thế, cung cấp cho các nhà thực hành một công cụ để khám phá các trường hợp sử dụng cụ thể của họ.
Phân tích này không cho thấy điều gì
Tuy nhiên, việc thừa nhận những khả năng này đòi hỏi sự chú ý tương đương đến các hạn chế. Phân tích này không đưa ra một chiến lược giao dịch hoàn chỉnh - hai tính năng sử dụng cây quyết định đơn giản không thể nắm bắt được toàn bộ sự phức tạp của thị trường tiền điện tử. Kết quả này phụ thuộc vào lựa chọn nhãn, số liệu và khoảng thời gian cụ thể của chúng tôi, và không nên được hiểu là chân lý phổ quát về hành vi thị trường. Vì chúng tôi chỉ lấy mẫu một phần rất nhỏ trong không gian tính năng hạn chế của mình, nên các giải pháp tối ưu hoặc các tính năng tốt nhất có thể vẫn còn khó nắm bắt. Hơn nữa, về cơ bản, đây là một phân tích lịch sử, trong đó các mối quan hệ trong quá khứ không đảm bảo hiệu quả trong tương lai, củng cố nhu cầu xác thực liên tục thay vì triển khai tĩnh.
Hướng nghiên cứu trong tương lai
Những hạn chế này chỉ ra một số hướng đi hấp dẫn cho công việc trong tương lai. Với hàng ngàn dấu vết riêng lẻ có sẵn và khả năng chuyển đổi không giới hạn, không gian cấu hình rộng lớn chưa được khám phá nắm giữ tiềm năng đáng kể để khám phá các chỉ số có giá trị. Phương pháp luận này có thể được mở rộng cho các mục tiêu dự đoán khác nhau như dự báo biến động, đánh giá rủi ro giảm giá và phát hiện thay đổi chế độ, cũng như các khung thời gian thay thế bao gồm các giai đoạn phân tích trong ngày, hàng tuần và hàng tháng. Việc kết hợp nhiều tài sản trên các loại tiền điện tử khác nhau có thể giúp xác định hành vi chung so với hành vi cụ thể của từng tài sản, cung cấp những hiểu biết sâu sắc hơn về thị trường tiền điện tử nói chung. Ngoài ra, việc khám phá các tương tác tính năng phức tạp hơn ngoài các cặp đơn giản là điều cần thiết để xây dựng các mô hình dự đoán mạnh mẽ, vì các đầu vào đa dạng hơn cung cấp cả hai, các chỉ số dự đoán riêng lẻ được cải tiến và cho phép nắm bắt các tương tác giữa các tính năng mà các số liệu đơn lẻ không thể tiết lộ.
Công cụ chúng tôi phát triển cho phép chúng tôi khám phá các giả thuyết khác nhau với nỗ lực tương đối thấp, mở ra khả năng nghiên cứu tùy chỉnh phù hợp với các mục tiêu và hạn chế cụ thể.
Phần kết luận
Những phát hiện thực nghiệm, mặc dù chỉ dành riêng cho nghiên cứu điển hình của chúng tôi, nhưng đã làm sáng tỏ những câu hỏi rộng hơn về khám phá tính toán trên thị trường tài chính và chỉ ra cả những ứng dụng trước mắt lẫn các hướng nghiên cứu trong tương lai. Nghiên cứu của chúng tôi chứng minh cách thức khám phá từ dưới lên có cấu trúc có thể bổ sung cho các phương pháp tiếp cận từ trên xuống truyền thống, chẳng hạn như bằng cách tiết lộ hiệu quả bất ngờ của các cửa sổ ngữ cảnh mở rộng. Mặc dù phân tích của chúng tôi mới chỉ khai thác bề nổi của vô số các kết hợp khả thi, nhưng nó minh họa một phương pháp luận mà các chuyên gia có thể điều chỉnh cho phù hợp với nhu cầu cụ thể của họ.
Kết quả ngoài mẫu đóng vai trò như một lời nhắc nhở quan trọng: thị trường tiền điện tử vẫn là một môi trường đầy thách thức, đòi hỏi không chỉ khám phá mà còn phải thích nghi liên tục. Đối với khách hàng Glassnode và các nhà giao dịch thuật toán, khuôn khổ này cung cấp một điểm khởi đầu, nơi bản thân phương pháp luận - không bị ảnh hưởng bởi các định kiến - giúp định hướng sự phức tạp đáng kể của dữ liệu blockchain.
Khi thị trường tiền điện tử phát triển, các phương pháp phân tích cũng phải phát triển theo. Khám phá tính toán không thay thế chuyên môn mà còn bổ sung cho nó, giúp khám phá những mối quan hệ ẩn giấu ngay trước mắt.
- Theo dõi chúng tôi trên X để cập nhật và phân tích thị trường kịp thời
- Tham gia kênh Telegram của chúng tôi để nhận thông tin thị trường thường xuyên
- Để biết số liệu thống kê, bảng thông tin và cảnh báo on-chain , hãy truy cập Glassnode Studio
Tuyên bố miễn trừ trách nhiệm: Báo cáo này chỉ nhằm mục đích cung cấp thông tin và giáo dục. Phân tích này chỉ là một nghiên cứu điển hình giới hạn với những hạn chế đáng kể và không nên được hiểu là lời khuyên đầu tư hoặc tín hiệu giao dịch chắc chắn. Các mô hình hiệu suất trong quá khứ không đảm bảo kết quả trong tương lai. Luôn luôn thực hiện thẩm định kỹ lưỡng và xem xét nhiều yếu tố trước khi đưa ra quyết định đầu tư.
