在上一篇文“團隊在做事’和幣價真的有關嗎?”,我們分析了行業整體的GitHub開髮情況與代幣價格漲跌幅的相關性,得出GitHub六因子與幣價漲跌幅在牛熊市都呈正相關的結論。
本文就“相關性“這一結論進一步拓展,研究二者的因果性,即“是因爲技術升級促進了幣價上漲,還是幣價上漲拉動了技術升級”?從而幫助投資者與開髮者更加明確“技術開髮”這一基本麵因子在幣價漲跌盤中的位置。
文章大體思路如下:
首先,我們針對單個token構建GitHub開髮活躍度指標 Github Development Activity Index (GDAI)。
其次,在此基礎上,結合行業市值排名、GitHub項目數量隨時間髮展的規律性趨勢等因素,構建反映全行業整體GitHub開髮活躍度的指標 Industury Github Development Activity Index (IGDAI)。
然後,通過比較行業開髮活躍度指標 IGDAI 與幣價漲跌幅近6年來的變化趨勢,判斷技術與價格的因果關繫。
最後,將GDAI指標應用於近6年來一直開髮的token,比較其開髮活躍度指標值和幣價漲幅與BTC、ETH二者的差異,以印證前文對技術與價格因果關繫的判斷。
錶1: GitHub五因子與項目開髮具有關聯的解讀
具體的 GDAI 公式如下:
層次分析法(The Analytic Hierarchy Process即AHP)是一種繫統分析與決策的綜合評價方法,將所需決策的元素分解爲目標層(objective)、準則層(criterion)和方案層(scheme)。在分解的基礎上再次進行定性和定量分析,計算方式簡單高效。
(1) 分析繫統中各因素之間的關繫,建立繫統的遞階層次結構
將目標層 GDAI 分解爲5個準則層
μStar, μFork, μCommit, μIssues, μPullRequests。
圖 1 GDAI 指標分解圖
(2) 建立判斷矩陣
對於衕一層次的各元素關於上一層次中某一準則的重要性進行兩兩比較,構造兩兩比較矩陣(判斷矩陣)。我們在錶2上確定了不衕重要程度的度量。
錶 2 不衕重要程度的度量
爲準則層B創建以下判斷矩陣。根據經驗和指標的性質,對GitHub開髮活躍程度貢獻的優先級爲Commit>Pullrequests>Issues>Fork>Star。由於Star和Fork指標與開髮活動沒有特別直接的聯繫,我們將給它們的權重分配相對較低的分數。
錶 3 判斷矩陣B
(3) 一緻性檢查(CI)
矩陣B的特徵方程:
(4) 3種方法計算權重
方法 1: 算術平均法
其中推導出的權重曏量公式是:
方法 2: 幾何平均法
方法 3: 首先使用特徵值法確定矩陣A的最大特徵值和相應的特徵曏量。然後將特徵曏量歸一化爲所需的權重。
將以上3中方法所求權重取均值,即爲最終確定的權重值。具體結果如錶四所示:
錶4 5大因子的具體權重
因此,具體的GDAI指標公式可有如下形式:
在Step 1,我們構建了針對單個token GitHub開髮活躍度指標GDAI 。現基於GDAI ,綜合考慮加密貨幣行業全部上市流通且在GitHub開源的token,通過彙總其所有token的GDAI ,求得全行業GitHub開髮活躍度指標 IGDAI。具體的 IGDAI計算公式如下:
IGDAI計算公式
其中n代錶某一區間段所有在加密貨幣市場流通且在GitHub開源的token總數量。
構建某一指標反映全行業情況,通常有兩種思路:
1.選取代錶性標的計算其錶現 2.綜合考慮全行業的情況
對於思路1,我們首先考慮到當下的加密貨幣行業生態併不十分完善,許多有幣價且市值錶現良好的token併未開源,第三方無法穫取其具體的開髮信息,所選取的標的“代錶性”有待商榷;其次,當下的加密貨幣行業仍是一片藍海,髮展空間廣闊,對於每個token,都有可能在短時間內取得飛速的髮展;再次,加密貨幣行業24小時交易的高流動性特徵使得行業市值短期波動較大。若參考A股市場半年內更換選取的標的,有可能錯過大量token市值變動的信息。
因此,本文綜合考慮全行業token的開髮信息以計算IGDAI。
我們運用格蘭傑因果關繫檢驗(Granger casuality test)分析行業開髮活躍度 IGDAI與BTC幣價變化兩串時間序列數據的因果關繫,其中時間段爲2015-2023.10.31,指數維度爲“日”。首先確定滯後階數爲4,通過單位根檢驗(Unit root test)確定兩類數據都爲平穩序列(數據“平穩”格蘭傑因果關繫檢驗的前提),併得出以下結果:
錶5 格蘭傑因果關繫檢驗結果
其中0.000<0.05,説明該F檢驗拒絶原假設(原假設H0: 二者不存在格蘭傑因果關繫),BTC_price是 IGDAI 的原因,即行業GitHub開髮活躍程度 IGDAI 受到幣價變化滯後項的影響。
0.135>0.05,説明該F檢驗接受原假設,IGDAI不是 BTC_price 的原因。綜上,幣價變化單曏影響行業開髮活躍程度。
衕時,我們借助圖錶更直觀的分析。考慮到以日爲區間的開髮活躍度指標波動幅度較大,存在較多偶然因素,且視圖不直觀,我們進行指數平滑處理併擴大時間段爲“周”。圖2是從2015至今,時間段爲“月”的 IGDAI 指數和BTC價格變化情況:
圖2 2015-2023年10月 IGDAI 指數和BTC價格變化
該圖十分直觀的展現了在不衕時期行業開髮生態的變動滯後於BTC幣價的變化,且二者呈相似的波動的幅度,印證 IGDAI 單曏受幣價變化影響的結論。
併且我們從圖中髮現,在過去幾個月中,行業開髮活躍度指數暴跌31.7%,創下了近十年最大跌幅!
在Step3 部分我們通過格蘭傑因果關繫檢驗確立了幣價單曏影響技術開髮的結論。但我們還想探討是否存在一種特殊的關繫:即使GitHub開髮的程度併不是改善幣價漲跌的前因,但隻要團隊不擺爛,一直開髮,熬過熊市,幣價錶現是否就不會特別拉胯。考慮到token開髮生態的成熟期和token種類豐富程度的變化,我們決定尋找2018年至今持續開髮的token,併比較其GitHub開髮活躍度 GDAI 和幣價漲跌幅與BTC之間的關繫。
其中,我們將”持續開髮”定義爲GitHub開髮核心的commit、issues、pull requests三因子在時間段爲2018至2023年10月中每一周不衕時爲0。幣價漲跌幅定義爲該時期(最高價-最低價)/最低價。通過海量的數據爬取和分析,我們首先確定2018至今共有約1400個token衕時開源併上市,在1400個token中找到38個符合上述條件(其中包含了 BTC和ETH,考慮到BTC與ETH開髮生態與市值已經非常成熟,十分具有代錶性,考慮到文章篇幅,本文重點闡述剩餘的36個token與BTC比較的結果)。具體token名單如錶6所示:
錶6 2018年至今持續開髮的token
關於GitHub開髮活躍度 GDAI,統計38個token情況,得到圖3:
圖3 2018-2023年GitHub持續開髮token的GDAI
紅色錶示IGDAI超過BTC的token,藍色錶示未超過的。在持續開髮的token中,有9個token的開髮活躍度超過BTC。
關於幣價漲跌幅,得到圖4:
圖4 2018-2023年GitHub持續開髮token的幣價漲跌幅
紅色錶示幣價漲跌幅超過BTC的token,藍色錶示未超過的。在持續開髮的token中,有31個token的幣價漲幅超過BTC。
彙總兩張圖情況,紅色的token相互重合的有8個,即從2018至今,有8個token的Github開髮活躍度 GDAI 和幣價漲跌幅錶現衕時優於BTC(行業風曏標),占該區間持續開髮的所有token 22%。具體token如錶7所示:
錶7 2018-2023年GDAI和幣價漲跌幅錶現衕時優於BTC的token
從持續開髮的角度考慮,22%的重合率偏低,因此我們隻能得出持續持續開髮對幣價有一定程度影響,但無法絶對的説明持續開髮對幣價存在十分積極的拉動效應。此觀點也與step3 格蘭傑因果關繫檢驗的結果相互印證。
通過上述內容,Falcon對本文的結論做一個總結:
在上一篇文“團隊在做事’和幣價真的有關嗎?”,我們分析了行業整體的GitHub開髮情況與代幣價格漲跌幅的相關性,得出GitHub六因子與幣價漲跌幅在牛熊市都呈正相關的結論。
本文就“相關性“這一結論進一步拓展,研究二者的因果性,即“是因爲技術升級促進了幣價上漲,還是幣價上漲拉動了技術升級”?從而幫助投資者與開髮者更加明確“技術開髮”這一基本麵因子在幣價漲跌盤中的位置。
文章大體思路如下:
首先,我們針對單個token構建GitHub開髮活躍度指標 Github Development Activity Index (GDAI)。
其次,在此基礎上,結合行業市值排名、GitHub項目數量隨時間髮展的規律性趨勢等因素,構建反映全行業整體GitHub開髮活躍度的指標 Industury Github Development Activity Index (IGDAI)。
然後,通過比較行業開髮活躍度指標 IGDAI 與幣價漲跌幅近6年來的變化趨勢,判斷技術與價格的因果關繫。
最後,將GDAI指標應用於近6年來一直開髮的token,比較其開髮活躍度指標值和幣價漲幅與BTC、ETH二者的差異,以印證前文對技術與價格因果關繫的判斷。
錶1: GitHub五因子與項目開髮具有關聯的解讀
具體的 GDAI 公式如下:
層次分析法(The Analytic Hierarchy Process即AHP)是一種繫統分析與決策的綜合評價方法,將所需決策的元素分解爲目標層(objective)、準則層(criterion)和方案層(scheme)。在分解的基礎上再次進行定性和定量分析,計算方式簡單高效。
(1) 分析繫統中各因素之間的關繫,建立繫統的遞階層次結構
將目標層 GDAI 分解爲5個準則層
μStar, μFork, μCommit, μIssues, μPullRequests。
圖 1 GDAI 指標分解圖
(2) 建立判斷矩陣
對於衕一層次的各元素關於上一層次中某一準則的重要性進行兩兩比較,構造兩兩比較矩陣(判斷矩陣)。我們在錶2上確定了不衕重要程度的度量。
錶 2 不衕重要程度的度量
爲準則層B創建以下判斷矩陣。根據經驗和指標的性質,對GitHub開髮活躍程度貢獻的優先級爲Commit>Pullrequests>Issues>Fork>Star。由於Star和Fork指標與開髮活動沒有特別直接的聯繫,我們將給它們的權重分配相對較低的分數。
錶 3 判斷矩陣B
(3) 一緻性檢查(CI)
矩陣B的特徵方程:
(4) 3種方法計算權重
方法 1: 算術平均法
其中推導出的權重曏量公式是:
方法 2: 幾何平均法
方法 3: 首先使用特徵值法確定矩陣A的最大特徵值和相應的特徵曏量。然後將特徵曏量歸一化爲所需的權重。
將以上3中方法所求權重取均值,即爲最終確定的權重值。具體結果如錶四所示:
錶4 5大因子的具體權重
因此,具體的GDAI指標公式可有如下形式:
在Step 1,我們構建了針對單個token GitHub開髮活躍度指標GDAI 。現基於GDAI ,綜合考慮加密貨幣行業全部上市流通且在GitHub開源的token,通過彙總其所有token的GDAI ,求得全行業GitHub開髮活躍度指標 IGDAI。具體的 IGDAI計算公式如下:
IGDAI計算公式
其中n代錶某一區間段所有在加密貨幣市場流通且在GitHub開源的token總數量。
構建某一指標反映全行業情況,通常有兩種思路:
1.選取代錶性標的計算其錶現 2.綜合考慮全行業的情況
對於思路1,我們首先考慮到當下的加密貨幣行業生態併不十分完善,許多有幣價且市值錶現良好的token併未開源,第三方無法穫取其具體的開髮信息,所選取的標的“代錶性”有待商榷;其次,當下的加密貨幣行業仍是一片藍海,髮展空間廣闊,對於每個token,都有可能在短時間內取得飛速的髮展;再次,加密貨幣行業24小時交易的高流動性特徵使得行業市值短期波動較大。若參考A股市場半年內更換選取的標的,有可能錯過大量token市值變動的信息。
因此,本文綜合考慮全行業token的開髮信息以計算IGDAI。
我們運用格蘭傑因果關繫檢驗(Granger casuality test)分析行業開髮活躍度 IGDAI與BTC幣價變化兩串時間序列數據的因果關繫,其中時間段爲2015-2023.10.31,指數維度爲“日”。首先確定滯後階數爲4,通過單位根檢驗(Unit root test)確定兩類數據都爲平穩序列(數據“平穩”格蘭傑因果關繫檢驗的前提),併得出以下結果:
錶5 格蘭傑因果關繫檢驗結果
其中0.000<0.05,説明該F檢驗拒絶原假設(原假設H0: 二者不存在格蘭傑因果關繫),BTC_price是 IGDAI 的原因,即行業GitHub開髮活躍程度 IGDAI 受到幣價變化滯後項的影響。
0.135>0.05,説明該F檢驗接受原假設,IGDAI不是 BTC_price 的原因。綜上,幣價變化單曏影響行業開髮活躍程度。
衕時,我們借助圖錶更直觀的分析。考慮到以日爲區間的開髮活躍度指標波動幅度較大,存在較多偶然因素,且視圖不直觀,我們進行指數平滑處理併擴大時間段爲“周”。圖2是從2015至今,時間段爲“月”的 IGDAI 指數和BTC價格變化情況:
圖2 2015-2023年10月 IGDAI 指數和BTC價格變化
該圖十分直觀的展現了在不衕時期行業開髮生態的變動滯後於BTC幣價的變化,且二者呈相似的波動的幅度,印證 IGDAI 單曏受幣價變化影響的結論。
併且我們從圖中髮現,在過去幾個月中,行業開髮活躍度指數暴跌31.7%,創下了近十年最大跌幅!
在Step3 部分我們通過格蘭傑因果關繫檢驗確立了幣價單曏影響技術開髮的結論。但我們還想探討是否存在一種特殊的關繫:即使GitHub開髮的程度併不是改善幣價漲跌的前因,但隻要團隊不擺爛,一直開髮,熬過熊市,幣價錶現是否就不會特別拉胯。考慮到token開髮生態的成熟期和token種類豐富程度的變化,我們決定尋找2018年至今持續開髮的token,併比較其GitHub開髮活躍度 GDAI 和幣價漲跌幅與BTC之間的關繫。
其中,我們將”持續開髮”定義爲GitHub開髮核心的commit、issues、pull requests三因子在時間段爲2018至2023年10月中每一周不衕時爲0。幣價漲跌幅定義爲該時期(最高價-最低價)/最低價。通過海量的數據爬取和分析,我們首先確定2018至今共有約1400個token衕時開源併上市,在1400個token中找到38個符合上述條件(其中包含了 BTC和ETH,考慮到BTC與ETH開髮生態與市值已經非常成熟,十分具有代錶性,考慮到文章篇幅,本文重點闡述剩餘的36個token與BTC比較的結果)。具體token名單如錶6所示:
錶6 2018年至今持續開髮的token
關於GitHub開髮活躍度 GDAI,統計38個token情況,得到圖3:
圖3 2018-2023年GitHub持續開髮token的GDAI
紅色錶示IGDAI超過BTC的token,藍色錶示未超過的。在持續開髮的token中,有9個token的開髮活躍度超過BTC。
關於幣價漲跌幅,得到圖4:
圖4 2018-2023年GitHub持續開髮token的幣價漲跌幅
紅色錶示幣價漲跌幅超過BTC的token,藍色錶示未超過的。在持續開髮的token中,有31個token的幣價漲幅超過BTC。
彙總兩張圖情況,紅色的token相互重合的有8個,即從2018至今,有8個token的Github開髮活躍度 GDAI 和幣價漲跌幅錶現衕時優於BTC(行業風曏標),占該區間持續開髮的所有token 22%。具體token如錶7所示:
錶7 2018-2023年GDAI和幣價漲跌幅錶現衕時優於BTC的token
從持續開髮的角度考慮,22%的重合率偏低,因此我們隻能得出持續持續開髮對幣價有一定程度影響,但無法絶對的説明持續開髮對幣價存在十分積極的拉動效應。此觀點也與step3 格蘭傑因果關繫檢驗的結果相互印證。
通過上述內容,Falcon對本文的結論做一個總結: