比特幣(BTC)預測模型難超簡單基準 學者籲正視樣本外驗證

比特幣(BTC)價格預測模型已從稀缺性、鏈上指標,擴展到冪次法則與機器學習,但實際驗證卻一再顯示,這些模型很難超越「直接沿用今日價格」這種最簡單的基準。

加密貨幣媒體CryptoSlate整理了近年比特幣預測模型的競爭態勢,並指出所有模型都應該先與「天真基準」(naive baseline)比較。文章認為,複雜模型即使能漂亮解釋過去的價格走勢,也不代表在短期與中期預測上具備同樣優勢。

卡洛斯·巴奎羅(Carlos Baquero)在2026年發表於arXiv的論文摘要中指出,以1到6個月為區間、橫跨多種市場狀態來看,很難找到能穩定超越天真基準的同儕審查研究。他認為,比特幣預測研究的核心問題不在於模型不足,而在於評估方式本身。

天真基準指的是沿用今日價格、或假設零報酬率等最簡單的預測方式。在價格走勢接近隨機漫步的市場中,光是超越這個基準就不容易。預測模型與其追求複雜公式,更應該先證明自己能勝過這個簡單基準。

問題在於,比特幣市場並非固定不變的實驗室。當參與者、流動性、監管環境與交易結構持續變化,依過去資料訂出的規則,在下一個市場階段可能就會失靈。巴奎羅同時點出非平穩性、回測過度最佳化與資訊洩漏等風險。

他提出的驗證方式包括△walk-forward驗證△多重保留區間△與天真基準比較△納入交易成本。他強調,把過去全部資料一次拿來訓練、再用同一區間衡量績效的做法,難以真實反映實際投資環境。

說明型模型也有相同侷限。奧斯汀·謝爾頓(Austin Shelton)在2024年發表於《Journal of Risk and Financial Management》的論文中總結,stock-to-flow模型與梅特卡夫定律(Metcalfe's Law)在樣本內確實能解釋比特幣報酬,但在樣本外的預測力相當有限,甚至幾乎不存在。

stock-to-flow是以既有供給量除以新增供給量、藉此衡量稀缺性的模型;梅特卡夫定律則主張網路價值與使用者數的平方成正比,並以此解讀價格。這兩個模型都能用來說明長期結構,但這與能否準確預測下一階段的價格方向是兩回事。

機器學習也不例外。Frontiers in Blockchain在2026年的一項研究中,使用超過300萬筆分鐘級資料,並結合幣安(Binance)現貨與永續合約數據,檢視市場微結構訊號。研究發現,一旦加強資訊洩漏控管,LightGBM模型的過度配適問題就會明顯浮現;若再納入實際交易手續費與滑價,幾乎沒有任何策略能夠存活。

相較之下,簡單的OLS迴歸模型只比隨機漫步略有改善。這與「模型越複雜、表現越好」的既有印象有落差。

冪次法則(power law)的爭論則尚未落幕。喬凡尼·聖托斯塔西(Giovanni Santostasi)與史蒂芬·佩雷諾德(Stephen Perrenod)在2026年發表於《Nonlinear Science》的論文中,分析了2010年7月至2026年2月間共5696筆日資料後主張,比特幣的美元價格會隨時間呈現冪次法則。

該論文以價格指數5.69、決定係數0.961,以及穩定的殘差作為依據。不過,這仍屬於解釋長期價格結構的主張,與能否自動判斷短期價格方向的證據,應該分開看待。

就市場結構而言,比特幣預測模型必須把統計上的命中率與經濟上的獲利能力分開驗證。即使判斷方向的準確率偏高,一旦納入交易手續費、滑價、資金費率與成交延遲,實際績效也可能消失殆盡。這正是實驗室表現與可交易績效出現落差的原因。

對台灣投資人而言,這樣的區分同樣重要。價格模型提供的長期趨勢線或鏈上指標,可以作為觀察市場的參考資料,但若要直接轉換成短線交易訊號,就必須先確認是否經過樣本外驗證,以及是否納入交易成本考量。

比特幣價格模型的爭論,正逐漸從「公式夠不夠精緻」轉向「預測能不能被驗證」。解釋力、預測力、長期趨勢、短期方向、統計命中率與實際交易績效,彼此並不是同一件事。