BTC 的遥控器换人了

问题

2017 年，比特币从一千涨到两万，驱动它的几乎全是自己的事——矿工算力涨了多少、离减半还有几天、交易所的交易量放大了多少倍。这些内部指标把价格解释得明明白白。

到了 2024 年，比特币从一万六涨到十万，你再去查那些内部指标，发现它们解释不动了。反而是美元指数、道琼斯、人民币汇率这些"隔壁的事"在推着比特币走。

这不是一个细微的漂移。这是一个资产的价格遥控器从自己人手里交给了外人。问题是：这个切换发生在什么时候？是哪个瞬间？还是慢慢过渡的？能不能用数学工具把切换的证据钉死？

这篇论文就是在回答这个问题。

翻译

把 16 个嫌疑人排队

想象一个侦探面对一桩连续八年的价格波动案。他手上有 16 个嫌疑人——8 个是比特币自己的（算力、矿工收入、交易所交易量、减半天数、区块大小），8 个是外来的（标普、道琼斯、纳斯达克、人民币汇率、欧元汇率、日元汇率、黄金、原油、VIX）。

侦探不知道谁在操控价格。更麻烦的是，嫌疑人之间的关系很复杂——标普和道琼斯几乎总是一起行动，欧元和人民币也高度同步。你抓了其中一个，另一个能顶上。

论文的做法是：不靠直觉猜，用贝叶斯方法反复试探。把 16 个变量排成一队，放进隐马尔可夫模型（一种能识别市场"状态"——牛/熊——的统计模型），然后让算法自己跑 10 万次迭代。每次迭代，算法随机把某个嫌疑人加进来或踢出去，看看模型的整体解释力是变好了还是变差了。跑完 10 万次之后，数一数每个嫌疑人被留下的次数，次数越高的越有可能是真凶。

为了更贴近现实，论文把所有变量做了 7 天滞后处理——用的是一周前的数据来解释今天的比特币价格。这个设定模拟了信息在实际操作中的延迟。

侦探的判决

侦探把八年数据劈成两段：2016-2019（早期）和 2019-2024（近期）。判决结果很清晰。

早期（2016-2019）：真凶全是比特币内部变量——矿工收入、算力、交易所交易量、减半天数。这四个变量组合在一起，预测表现最好。宏观变量？没它们什么事。

近期（2019-2024）：真凶换人了。人民币汇率、道琼斯、黄金期货加上交易所交易量，这个混合组合取代了纯内部变量的位置。纯比特币变量组合的预测表现显著变差。

最戏剧化的是减半天数。这个在 2017 年撑起半边天的变量，在 2019-2024 的子样本中直接没过后验概率门槛，被算法踢出了定价模型。减半确实砍掉一半新增供给，但这是一个所有人都知道精确日期的事件——市场早就提前定价了。

但这群侦探不太会抓现行

论文花大量篇幅测试了模型的预测能力，用滚动窗口从 1 天到 30 天做向前预测。结果不理想。

MAPE（预测误差率）最低也要 15.78%（全样本 1 步 ahead），到了 30 步 ahead 就直接冲过 100%。论文把这归咎于"波动率和外部冲击"，但更根本的问题是框架和市场的结构性不匹配。

HMM 的核心假设是"状态有粘性"——一旦进入牛市状态，会持续 30 到 60 天。模型需要累积好几天的异常数据才能判断"状态变了"。但比特币不是这样运行的。比特币的价格跳跃是事件驱动的——一条 SEC 公告、一个交易所爆雷、一个国家的监管政策——这些冲击在几小时内完成，模型还没反应过来，价格已经跳完了。

MAPE 尖峰图印证了这一点：每次重大事件冲击时，误差飙升几十倍。2017 年 Tether 增发、2019 年 PlusToken 诈骗、2023 年 BlackRock 申请 ETF——模型在这些时刻只能事后认出"哦，状态变了"，没法事前预警。

替代方法的表现

论文也试了四种常见的变量选择方法，结果都不如贝叶斯 MCMC：

LASSO 和 Elastic Net 几乎不淘汰变量，16 个全留着——说明惩罚系数设得太松，或者这些变量之间的共线性太强，正则化分不清谁真有用。

随机森林选出的最佳因子组合是标普、纳斯达克、道琼斯——三个高度共线的美股指数。放进 HMM 后直接收敛失败，模型跑不下去。这暴露了随机森林的一个经典问题：它能选出"对训练集预测最好"的变量，但不能处理这些变量之间的共线性。

SVM 的预测误差率 29.52%，接近 HMM（15.78%）的两倍。

贝叶斯 MCMC 虽然不是完美的侦探，但在这一群候选人里确实是最不差的。

核心概念

隐马尔可夫模型（HMM）

一种假设系统存在隐藏"状态"的统计模型。你只能看到价格涨跌（观测值），但背后有一个你看不见的"市场状态"（牛市或熊市）在操控。状态之间的切换遵循马尔可夫性质——下一刻的状态只取决于当前状态，跟更早的历史无关。

它的核心假设是状态有粘性（持续 30-60 天），切换概率是固定的或缓慢变化的。这个假设在传统金融市场（股票、外汇）大致成立，但在比特币市场是最大的短板——比特币的跳跃是事件驱动的，不是状态渐变的。

贝叶斯 MCMC 变量选择

一种系统性的"嫌疑排除法"。不是一次性选最优变量组合（16 个变量的子集有 65536 种，穷举不现实），而是通过随机游走的方式在模型空间里探索。每次提出"加一个变量"或"删一个变量"的提案，用概率公式评估接受还是拒绝。跑 10 万次之后，每个变量被留下的频率就是它的"后验包含概率"——频率越高，说明这个变量越可能是真正的定价因子。

它比 LASSO/随机森林更适合这个场景，因为它能处理变量间的共线性（通过惩罚项防止冗余变量同时入选），而且天然支持不确定性量化（给你概率而不是一个硬判断）。

共线性与变量可替代性

标普、道琼斯、纳斯达克——三个美股指数高度正相关，选谁当代表差别不大。人民币汇率和欧元汇率也是一样。论文指出，这些变量在模型中可以相互替换，预测表现差异很小。

真正在 BTC 定价中起作用的不是某个具体指标，而是两个更底层的潜在因子：全球风险偏好（美股指数代理）和美元流动性（汇率代理）。具体用哪个指标来捕捉这两个因子，对结果影响不大。这既是论文的一个发现，也是变量选择的一个挑战——你很难通过后验概率把高度共线的变量区分开来。

洞见

比特币从"自己的货币"变成了"美元流动性的衍生品"，而且这个切换在 2019 年就完成了——比大多数人意识到的早了五年。2024 年的现货 ETF 不是切换的原因，只是切换之后的一个确认仪式。

博导审稿

选题眼光：好问题。比特币定价权的转移是 2024-2025 年最实际的问题之一——如果你在管理 crypto 头寸，你必须知道该盯什么指标。这个题目有明确的投资决策价值，不是"为了发论文而发论文"。而且 2019 这个切换时间点的提法，对很多人来说是新的。

方法成熟度：贝叶斯 MCMC 嵌套 HMM 的框架本身是成熟的，论文对 Koki 等人 (2024) 的基础方法做了几个有价值的改进——惩罚项防止过度拟合、缩小初始变量集增加探索灵活性、Pólya-Gamma 增强提升非齐次 HMM 的收敛性。这些改进不花哨但实在。

但有一个硬伤：2019 这个切换时间点是作者手动选的，不是数据驱动的。论文没有做结构性变点检验（比如 Chow test 或 Bayesian change point detection）来确定切换时刻。你说 2019 前后不一样，为什么不是 2018 或 2020？全样本 2016-2024 的结果中，纯 BTC 变量组合反而表现最好（MAPE 15.78%），这个结果跟"定价权转移"的叙事矛盾。论文在讨论部分轻描淡写地说"早期子样本影响太大了"，但这恰恰说明切换不是那么干脆。

实验诚意：用 16 个变量覆盖宏观和内部两个维度，数据频率和清洗方法都交代得清楚。四个替代方法（LASSO、Elastic Net、随机森林、SVM）的对比增加了说服力。7 天滞后处理模拟信息延迟，这个设计意识好。

但三个问题：第一，没有拆出 ETF 前后做对比——2024 年 1 月现货 ETF 获批是一个天然的结构性变点，数据已经覆盖了 11 个月，不拆太可惜。第二，NH-HMM 的收敛问题被低估了——96 条 MCMC 链中有 18 条（近 20%）PSRF 超过 1.2，论文说"不影响结果"但没有给出说服力更强的证据。第三，没有引入链上指标（活跃地址数、大额转账、交易所净流入流出），这些对 2020 年后的 BTC 价格可能有更强的解释力。

写作功力：典型的数学期刊风格——公式堆得够多，但叙事节奏一般。SWOT 分析放在讨论部分显得多余，没有增加实质性内容。最该说清楚的地方——为什么全样本结果跟子样本结论矛盾——处理得不够。

判决：weak accept。选题有现实价值，方法框架扎实，核心结论（定价权从内部转移到宏观）跟市场直觉一致。但切换时间点缺乏结构性检验、ETF 前后未拆分、全样本结果自相矛盾，这三条不解决，结论的置信度打折扣。

启发

迁移：贝叶斯 MCMC 变量选择 + 惩罚项的思路可以迁移到 crypto 投资信号筛选。与其用相关性矩阵手动选因子，不如用贝叶斯方法让数据自己选出在当前 regime 下真正有效的信号组合。特别是对于持仓跟踪（CAE），可以用类似的框架做信号的 regime-adaptive 权重分配。

混搭：HMM 的 regime 切换检测和事件驱动的价格跳跃是两个根本不同的时间尺度。也许可以把 HMM 的"慢 regime"和事件检测器的"快冲击"结合成一个双层模型——底层用 HMM 捕捉月度级别的趋势切换，上层用链上异常事件检测器捕捉日级别的冲击。两者叠加，可能比单独用任何一个都好。

反转：论文用 7 天滞后来模拟信息延迟。但如果反过来想——对于散户来说，7 天延迟是劣势；对于有实时数据管道的量化系统来说，7 天延迟根本不存在。这意味着，论文中 15.78% 的 MAPE 是在故意绑着一只手的情况下得到的。如果去掉滞后、引入链上实时指标，预测误差可能大幅降低。这也说明，在 crypto 市场中，数据速度本身就是 alpha 来源。