回归方程的参数见下表。

将置信区间视为对回归直线的置信度，而预测区间就像单个预测的置信度。

方程1：第三次减半时的比特币畅通量

有趣的是，k均值聚类发明白与PlanB识别出的险些沟通的干系。下文我继承利用k均值聚类区分出的干系。

预测区间捕捉单个值四周的不确定性。

我对这些模子很是猜疑，因此我筹备不依赖于PlanB的任何假设，利用K均值聚类（k-means clustering）数据阐明技能（注：K均值聚类算法是信号处理惩罚中的一种向量量化要领，其目标是把n个点-可以是样本的一次调查或一个实例-分别到k个聚类中，使得每个点都属于离他最近的均值此即聚类中心对应的聚类，以之作为聚类的尺度。而PlanB用的遗传算法。）重现该模子。

因此，对付某一个值，，预测区间将始终比置信区间宽。

表2：回归参数显示拟合很是好

在图1中，比特币的四个阶段别离为绿色，玄色，蓝色和赤色，而且以点标出数据中心。下表1中提供了这些数据中心点的数据（存量/产量比和市值）。

R²很是高，这很有趣，但它不是我们存眷的核心。这里要记着的一点是，存量/产量比聚类中心与市值聚类中心之间存在很高的相关性。敏锐之人会留意到，因为回归数据量很小，因此F统计量已针对适当的自由度（df）举办了调解。F统计量汇报我们，回归系数和常数同时为零的概率也险些为零。

图1 —由k均值聚类区分出的比特币四个阶段，它们和黄金和白银的市值和存量/产量比对数坐标图

置信区间是包括采样的群体或进程未知特征的区间。它们凡是与诸如均值或方差等参数有关。

置信区间捕捉了平均预测值周围的不确定性。

预测区间是指这样的区间，它内里包括了从先前采样群体或进程推算的一个或多个将来调查，可能这些将来调查的一些函数。

表3：差异聚类阶段市值预测的界线区间

但在做预测之前，我们需要预计比特币下一阶段的数据中心点。感激中本聪，这很是容易。我们知道每210000个区块，嘉奖减半，最初的区块嘉奖是50个比特币。因此，可以获得如下公式：

表1：图1中中心点的数据

我会在今后继承探讨高斯-马尔可夫假设，可是鉴于今朝数据点的数量，我认为这个回归操练相当乏味。

按：比拟特币价值举办预测最著名的模子是PlanB在2019年成立的S2F（Stock to Flow）模子。5月12日比特币方才完成减半，PlanB估算减半后比特币的存量/产量比（SF）由25升至50，由于更加的稀缺性，恒久来看估量比特币的市值会升至1万亿美元，相当于比特币价值55000美元。2020年4月28日，他进一步获得“存量-产量跨资产模子”（

郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。