原題：「Chain Data Academy (IX): Market Barometer RUPL (I) - データ導入とバーゲンハンティング応用」

原著者：Chain Data Analyst Berg 氏

この記事は、Chain Data Academy シリーズの第 9 回目で、全 10 回の連載となります。オンチェーン データ分析を段階的に理解できるようご案内します。興味のある読者は、ぜひこのシリーズの記事をご覧ください。

関連記事: 「オンチェーンデータスクール (VIII): A Brand-new BTC Magic Pricing Methodology (III) Involving Ark's Research」

TLDR  

- RUPL シリーズの記事は 2 つの記事に分かれており、これは最初の記事です  

- RUPL は、市場の現在の未実現利益の状況を提示できます  

- RUPL を観察することで、市場の高値と安値の動作ルールを見つけることができます  

- この記事では、RUPL に基づいて設計されたボトムピッキング モデルを紹介します  

1. RUPL とは何ですか?  

RUPL の正式名称は Relative Unrealized Profit & Loss で、中国語で「相対的未実現損益」を意味します。この指標は、RUP と RUL の 2 つの部分に分けられます。

RUP の計算方法を例に挙げます。

1.現在の価格と各$BTCが最後に転送されたときの価格を比較し、「現在の価格> 最後の転送価格」のチップを収益性の高いチップとして分類します。  

2.各収益チップの利益額に対応する数量を掛けて、未実現利益を算出します。  

3.最後に、その時点の市場価値に基づいてデータを標準化します。

言い換えれば、未実現利益は現在の市場における未実現利益の合計です。 RUP は、異なる期間の市場の収益性を水平に比較するために、市場価値に応じてそれを正規化します。 RUL のアルゴリズムは RUP のアルゴリズムと同じなので、この記事では繰り返しません。

上の図 1 に示すように、緑の線は RUP、赤の線は RUL です。価格は RUP と非常に正の相関があり、RUL と非常に負の相関があることがわかります。これは、コインの価格が上昇すると、収益性の高いチップと未実現利益が自然に増加するため、理にかなっています。

しかし、上の図をさらに観察すると、特定の期間において RUL が RUP よりも高くなっていることがわかります (つまり、図の黄色のボックスに示すように、赤い線が緑の線よりも高くなっています)。これは、市場全体が未実現損失の状態にあることを意味します。では、これらの期間には特別な意味があるのでしょうか?引き続きお読みください

2. RUPL のボトムピッキング アプリケーション

前述のように、「他人が恐れているときに、私は貪欲になる」という格言があります。市場のチップのほとんどが損失を出している状態は、私たちが市場に参入してチップを集めるのに良い時期かもしれません。

上の図 2 に示すように、RUL > の期間をマークした後にこのチャートを作成しました。図 1 の RUP。RUL> RUP のとき、サイクルの歴史的な底にほぼ達していることが明確にわかります。

足を切って剣を探そうとするわけではありません。その論理はこうです。

「市場全体が損失を出しているということは、低価格のチップを大量に保有している投資家が基本的に分配を完了したことを意味します。そして、閉じ込められた投資家は、価格が低すぎるため、売却をためらうことが多いのです。この2つの感情が絡み合い、売り圧力が急激に低下します。そのため、わずかな買い介入があれば、トレンドを反転させ、上昇に転じさせることが可能です。」

このロジックは、先ほど共有した LTH-RP ボトムフィッシング戦略と非常によく似ています。興味のある読者は、こちらの投稿を参照してください。『オンチェーンデータスクール（II）：常に儲かるホドラーはBTCをいくら購入するのか？ 』

3. ボトムピッキングモデルの設計ロジックの共有  

次に、RULはとりあえず見ずに、RUPチャートだけを観察します。RUPは過去の底値で比較的近い数値範囲を持っていることがわかります。

例えば、チャートに0.4の水平線を追加すると、RUP < 0.4の領域がはっきりと確認できます。（ここでの0.4はモデルパラメータで、調整可能であり、後述します）

RUP には明確な下限範囲があることがわかったので、RUP < という条件を追加できます。 0.4 から RUP の前の条件 < RUL は、二次信号フィルタリングを実行し、次の結果を取得します。

これは、モデル設計でよく使用される方法です。目的は、信号のスクリーニングを通じてより正確な結果を達成し、モデルの出力信号を参照用としてより価値のあるものにすることです。

上の図は、(RUP < 0.4) + (RUP < RUL) の組み合わせを示しています。フィルタリング効果はそれほど大きくありませんが、RUP を使用するよりも厳密であることがわかります。 RULだけ。 0.4 を減らすと（たとえば 0.38 に）、モデルはより厳密になりますが、履歴データに基づいてモデルを盲目的に微調整すると、将来モデルが失敗する可能性があるため、パラメータ調整中に過剰適合の問題に注意する必要があります。

補足: オーバーフィッティングとは「過剰適合」のことで、「剣を見つけるために船を彫る」とよく言われることに似ています。

IV.結論  

この記事は、RUPL シリーズの最初の記事です。主にRUPL指標の定義と計算方法を紹介し、この指標に基づいて設計されたボトムピッキングモデルのロジックを共有します。

次の記事では、RUPL に基づくトップからの脱出の実際的な応用を紹介し、過去のサイクルのトップをレビューして分析します。役立つ情報が満載ですので、ぜひご覧ください。

元のリンク

BlockBeats の公式コミュニティに参加しよう：

Telegram 公式チャンネル：https://t.me/theblockbeats

Telegram 交流グループ：https://t.me/BlockBeats_App

Twitter 公式アカウント：https://twitter.com/BlockBeatsAsia