원래 제목: "Chain Data Academy (IX): 시장 측정기 RUPL (I) - 데이터 소개 및 특가 매수 응용 프로그램"

원래 저자: Berg 씨, Chain Data 분석가

이 글은 총 10개의 글로 구성된 Chain Data Academy 시리즈의 9번째 글입니다. 온체인 데이터 분석을 이해하는 방법을 단계별로 안내해 드리겠습니다. 관심 있는 독자는 이 기사 시리즈를 계속 읽어 보시기 바랍니다.

관련 자료: "온체인 데이터 스쿨(VIII): Ark의 연구를 포함한 새로운 BTC 매직 가격 결정 방법론(III)"

요약  

- RUPL 시리즈 기사는 2개의 기사로 나뉘며, 이 기사는 첫 번째 기사입니다.  

- RUPL은 시장에서 현재 실현되지 않은 이익 상황을 제시할 수 있습니다.  

- RUPL을 관찰하면 시장 정점과 바닥의 작동 규칙을 찾을 수 있습니다.  

- 이 기사에서는 RUPL을 기반으로 설계된 바닥 선택 모델을 공유합니다.  

1. RUPL이란 무엇인가요?  

RUPL은 Relative Unrealized Profit & Loss의 약자로, 중국어로 "상대적 미실현 손익"을 뜻합니다. 이 지표는 RUP와 RUL의 두 부분으로 나눌 수 있습니다.

RUP의 계산 방법을 예로 들어 보겠습니다.

1. 현재 가격을 각 $BTC가 마지막으로 전송되었을 때의 가격과 비교하고, "현재 가격> 마지막 전송 가격"인 칩을 수익성 있는 칩으로 분류합니다.  

2. 실현되지 않은 이익을 얻으려면 각 수익성 있는 칩의 이익 금액을 해당 수량으로 곱합니다. 3. 마지막으로, 데이터는 당시의 시장 가치를 기준으로 표준화됩니다.

즉, 미실현 이익은 현재 시장에서 실현되지 않은 총 이익입니다. RUP는 시장 가치에 따라 표준화하여 여러 기간의 시장 수익성을 수평적으로 비교합니다. RUL의 알고리즘은 RUP의 알고리즘과 동일하므로 이 글에서는 자세히 설명하지 않습니다.

위의 그림 1에서 볼 수 있듯이 녹색 선은 RUP이고 빨간색 선은 RUL입니다. 가격은 RUP와 매우 높은 양의 상관관계를 가지고 있고, RUL과는 매우 낮은 음의 상관관계를 가지고 있는 것을 볼 수 있습니다. 이는 코인 가격이 상승함에 따라 수익성 있는 칩과 실현되지 않은 수익이 자연스럽게 증가하기 때문에 당연한 일입니다.

그러나 위 그림을 더 자세히 살펴보면 특정 기간 동안 RUL이 RUP보다 높은 것을 알 수 있습니다(즉, 그림의 노란색 상자에 표시된 것처럼 빨간색 선이 녹색 선보다 높습니다). 이는 시장 전체가 실현되지 않은 손실 상태에 있음을 의미합니다. 그러면 이러한 기간은 특별한 의미를 가지고 있을까? 계속 읽어주세요.

2. RUPL의 바텀픽킹 애플리케이션

위에서 언급했듯이, "다른 사람들이 두려워할 때 나는 탐욕스럽다"라는 말이 있습니다. 시중에 나와 있는 칩 대부분이 손실을 내고 있는 상황이면 우리가 시장에 진입해 칩을 회수하기에 좋은 시점일 수 있습니다.

위의 그림 2와 같이 RUL > 기간을 표시한 후 이 차트를 그렸습니다. 그림 1의 RUP. RUL> RUP일 때, 이는 주기의 역사적 바닥과 거의 일치한다는 것을 명확히 알 수 있습니다.

발을 베어서 칼을 찾으려는 것이 아닙니다. 논리는 이렇습니다.

"시장 전체가 손실을 볼 때, 저가 칩을 대량 보유하고 있던 투자자들이 사실상 분배를 완료했다는 것을 의미합니다. 그리고 곤경에 처한 투자자들은 가격이 너무 낮아 매도를 꺼리는 경우가 많습니다. 이 두 가지 감정이 얽혀 매도 압력이 급격히 낮아집니다. 따라서 매수세가 조금만 개입해도 추세를 반전시키고 상승으로 이끌 수 있습니다."

이 논리는 앞서 공유한 LTH-RP 바닥 낚시 전략과 매우 유사합니다. 관심 있는 독자는 다음 게시물을 참조하세요. "온체인 데이터 스쿨(II): 항상 수익을 내는 호들러들은 비트코인을 얼마나 매수할까?》

3. 바닥 선정 모델 설계 논리 공유  

다음으로, RUL은 당분간 살펴보지 않고 RUP 차트만 살펴보겠습니다. RUP는 역사적 바닥에서 비교적 가까운 수치 범위를 가지고 있음을 알 수 있습니다.

예를 들어, 차트에 0.4의 수평선을 추가하면 RUP <0.4 영역을 명확하게 볼 수 있습니다. (여기서 0.4는 조정 가능한 모델 매개변수이며, 나중에 설명하겠습니다.)

RUP에 명확한 최저 범위가 있다는 것을 알았으므로 RUP <라는 조건을 추가할 수 있습니다. RUP <의 이전 조건에 0.4 RUL을 사용하여 2차 신호 필터링을 수행하면 다음과 같은 결과를 얻을 수 있습니다.

이는 모델 설계에 일반적으로 사용되는 방법입니다. 목적은 신호 스크리닝을 통해 더 정확한 결과를 얻고 모델의 출력 신호를 참조에 더욱 가치 있게 만드는 것입니다.

위 그림은 (RUP < 0.4) + (RUP < RUL)의 조합을 보여줍니다. 필터링 효과는 그다지 크지 않지만 RUP <를 사용하는 것보다 더 엄격하다는 것을 여전히 알 수 있습니다. RUL만. 0.4를 줄이면(예를 들어 0.38로) 모델이 더 엄격해지지만, 매개변수 튜닝 시 과적합 문제에 주의해야 합니다. 과거 데이터만 보고 무작정 모델을 미세하게 튜닝하면 나중에 모델이 실패할 수 있기 때문입니다.

보충: 과적합은 "과적합"으로, 종종 "칼을 찾기 위해 배를 조각하는 것"과 비슷하다고 말합니다.

4. 결론  

이 기사는 RUPL 시리즈의 첫 번째 기사입니다. 본 논문은 주로 RUPL 지표의 정의와 계산방법을 소개하고, 이 지표를 기반으로 설계된 바텀픽킹 모델 로직을 공유합니다. 다음 글에서는 RUPL을 기반으로 정점 탈출의 실제 적용 사례를 소개하고, 과거 사이클의 정점을 검토하여 분석해보겠습니다. 유용한 정보가 가득할 테니, 계속 지켜봐 주시기 바랍니다.

원본 링크

BlockBeats 공식 커뮤니티에 참여하세요:

Telegram 구독 그룹：https://t.me/theblockbeats

Telegram 토론 그룹：https://t.me/BlockBeats_App

Twitter 공식 계정：https://twitter.com/BlockBeatsAsia