Gần đây, tôi đã thấy PlanB phản hồi lại những chỉ trích bằng cách hiển thị biểu đồ này. Ông ấy khẳng định chúng ta thấy ở đây những điểm nhảy trong định luật Kleiber (a định luật lũy thừa ) giữa mức tiêu thụ năng lượng của một loài động vật và trọng lượng trung bình của loài đó.
Tôi không biết nên cười, khóc hay cả hai, đặc biệt vì hàng nghìn người đã thích phản hồi của anh ấy ( mà không hiểu gì cả ).
Điều này hiển thị rằng anh ta thực sự không hiểu những gì anh ta đang nói và vì vậy những người theo dõi anh ta nhiều.
Vâng, có những bước nhảy ở đây nhưng không có nhà khoa học nào tuyên bố rằng

Tiến độ. Mục tiêu là 185.
Biết rõ về những gì bạn ăn khiến thực phẩm trở nên thú vị và lành mạnh hơn.

Dự đoán Monte Carlo dựa trên số liệu thống kê Bitcoin hiện tại.

Dưới đây là một cái nhìn trước về kết quả của việc dự đoán từ mô phỏng Monte Carlo trong 20 năm tới.
Tôi sẽ làm cho nó trông đẹp với ngày tháng và ký hiệu tài chính bằng đô la ở trục y sau.
Tôi muốn chia sẻ kết quả ngay khi tôi có được với các bạn.
Nói cách khác, 10 triệu trong 20 năm, chúng ta bắt đầu.

Vì vậy, thay vì điều chỉnh luật sức mạnh với dữ liệu, bạn chỉ cần quan sát rằng lợi nhuận của Bitcoin suy giảm theo thời gian.
Đây là những lợi nhuận giảm dần mà chúng tôi thường thảo luận (xem biểu đồ trong các bình luận).
Bây giờ, bạn có thể tìm một số lượng ổn định ( trong "trung bình" ) trong toàn bộ lịch sử của Bitcoin không?
Vâng, chia lợi nhuận cho t+1/t, trong đó t là tuổi của Bitcoin.
Bạn nhận được đồ thị bên dưới. Thật tuyệt vời khi những giá trị này dao động quanh một giá trị trung vị chính xác ( loại hành vi của những điểm dữ liệu này không có giá trị trung bình được xác định rõ rà

Một cách khác để hình dung mô phỏng Monte Carlo được mô tả trong các bài viết trước.
Ở đây chúng tôi hiển thị các lộ trình riêng lẻ. Các vùng màu xanh lá cây là các lộ trình có khả năng xảy ra cao nhất (mật độ cao hơn).
Đường đỏ là quy luật sức mạnh nhưng không được lấy từ việc phù hợp hồi quy mà chỉ đơn giản là tính toán trung vị của tất cả các đường đi.
Không chắc mọi người có hiểu kết quả này mạnh mẽ như thế nào không.
Nó dựa trên một vài giả định đơn giản và quan sát thực nghiệm:
1) Sự suy giảm lợi nhuận quan sát được theo thời gian theo dạng định luật lũy thừa: Ret=( (t+1)/t)^n, trong đó

Đây là kết quả của 2000 lịch sử BTC ảo sử dụng các thống kê đã quan sát.
Các màu sắc trong bóng đổ chỉ ra những con đường có khả năng xảy ra cao nhất, màu xanh lá cây có nghĩa là có khả năng xảy ra nhiều hơn.
Đường đỏ không phù hợp. Điều này rất quan trọng, nó được tính bằng cách lấy trung vị của tất cả các đường đi có thể.
Vì vậy, Bitcoin đang đi theo con đường ít kháng cự nhất. Con đường có khả năng xảy ra nhất.

Đây rồi!
Chạy 2000 mô phỏng sử dụng phân phối t-location scale với các tham số quan sát được từ Bitcoin và đây là các lịch sử.
Giá trị trung vị được hiển thị bằng màu đỏ, đó là quy luật sức mạnh của chúng tôi.

Đây là một trong những kết quả của việc chạy một Bitcoin hoàn toàn tổng hợp.
Tôi bắt đầu với một phân phối mô hình của các độ dốc ( bạn có thể sử dụng phân phối Lorentz hoặc phân phối t-Location Scale ) dựa trên các tham số quan sát được.
Đây là một phân phối không thay đổi theo thời gian ( nó giống như phân phối từ đầu lịch sử Bitcoin ).
Sau đó, chúng ta có thể suy ra lợi nhuận bằng cách nhân với một yếu tố xác định (nó không ngẫu nhiên), log(t+1/t), đại diện cho lợi nhuận log lý thuyết từ định luật lũy thừa, t là thời gian kể từ Khối Genesis.
Bạn sau đó sẽ gộp lãi suất theo thời gian. Điều n

Đây là một trong những kết quả của việc vận hành một Bitcoin hoàn toàn tổng hợp.
Tôi bắt đầu với một mô hình phân phối của các độ dốc ( bạn có thể sử dụng phân phối Lorentz hoặc phân phối t-Location Scale ) dựa trên các tham số quan sát được.
Đây là một phân phối không thay đổi theo thời gian ( nó là cùng một phân phối từ đầu lịch sử Bitcoin ).
Sau đó, chúng ta có thể suy ra lợi nhuận bằng cách nhân với một yếu tố xác định ( nó không ngẫu nhiên ), t+1/t, đại diện cho lợi nhuận lý thuyết từ luật sức mạnh, t là thời gian từ Khối Genesis.
Sau đó, bạn sẽ tính lãi kép theo thời gian. Điều này không

Vì vậy, phân phối Lorentz dường như là một đại diện rất tốt cho hành vi thực tế. Không chắc chúng ta có thể tìm thấy một cái tốt hơn, hãy cho tôi biết nếu bạn có đề xuất.
Chúng ta có thể sử dụng phân phối này để tái tạo một giá tổng hợp của Bitcoin và so sánh phân phối hiện tại với phân phối chung để cảnh báo cho chúng ta khi có điều gì đó thay đổi.
Đây thực sự là phân phối ổn định duy nhất mà chúng tôi có của Bitcoin.
Lợi nhuận là một hàm của thời gian vì vậy chúng ta cần chuyển từ phân phối có độ dốc ( hoặc lợi nhuận chuẩn hóa ) sang lợi nhuận.