Der Preis und die Kosten von Bitcoin: Die Kausalkette entschlüsselt

1. Einleitung & Überblick

Dieses Papier, "Der Preis und die Kosten von Bitcoin" von Marthinsen und Gordon, adressiert eine kritische Lücke in der Kryptowährungsforschung. Während zahlreiche Studien versuchen, die Volatilität des Bitcoin-Preises zu erklären oder vorherzusagen, haben nur wenige die Beziehung zwischen seinem Preis und den Kosten des Minings rigoros untersucht. Die vorherrschende, jedoch weitgehend unbelegte Annahme war, dass die Mining-Kosten eine fundamentale Preisuntergrenze darstellen. Diese Forschung verwendet ökonomische Theorie, um diese Vorstellung zu widerlegen und die beobachtete ökonometrische Realität zu erklären: Mining-Kosten folgen den Preisbewegungen, gehen ihnen nicht voraus.

2. Literaturübersicht

2.1 Ökonomische Faktoren und der Bitcoin-Preis

Traditionelle Geldmodelle wie die Quantitätstheorie des Geldes (QTM) oder Kaufkraftparität (PPP) eignen sich nicht für die Bitcoin-Analyse. Wie Baur et al. (2018) feststellen, ist Bitcoin noch keine weit verbreitete Recheneinheit oder Tauschmittel. Die meisten Güter und Dienstleistungen werden in Fiat-Währungen bewertet, wobei Bitcoin als Abwicklungsschicht zum Kassakurs fungiert, was die Erstellung konventioneller Preisindizes unmöglich macht.

2.2 Die Kosten-als-Preisuntergrenze-Hypothese

Eine populäre Hypothese, vorgeschlagen von Garcia et al. (2014), postuliert, dass die Kosten der Erzeugung eines Bitcoins (durch Mining) ein Unterstützungsniveau bilden. Die Logik besagt, dass Mining unrentabel wird, wenn der Preis unter die Produktionskosten fällt, was die Sicherheit der Blockchain-Ledger gefährdet. Verwandte Arbeiten von Meynkhard (2019) und Hayes (2019) haben Mining-Kosten zur Preisprognose verwendet.

2.3 Ökonometrische Herausforderungen

Jüngste ökonometrische Analysen von Kristofek (2020) und Fantazzini & Kolodin (2020) haben diese Sichtweise in Frage gestellt. Ihre Ergebnisse deuten auf eine Umkehrung der vermuteten Kausalität hin: Änderungen der Mining-Kosten hinken Änderungen des Bitcoin-Preises hinterher. Diese Studien bleiben jedoch bei der Identifizierung der Korrelation stehen, ohne eine theoretische ökonomische Erklärung für warum diese Verzögerung auftritt zu liefern – eine Lücke, die dieses Papier zu schließen versucht.

Identifiziertes Kernproblem

Autoregressive Modelle (ARIMA, GARCH) können kurzfristige Volatilität modellieren, scheitern jedoch an der Erklärung oder Vorhersage extremer Preisschwankungen (z.B. 8-fache Steigerungen oder 80%ige Einbrüche) aufgrund fehlender zugrunde liegender Kausalmechanismen.

Forschungsziel

Die Kausalkette vom Bitcoin-Preis zu seinen Mining-Kosten zu erklären und damit zu verdeutlichen, warum ökonometrische Modelle scheitern und Kosten den Preisen folgen.

3. Kernaussage: Analystenperspektive

Kernaussage

Das Papier versetzt der simplen "Kosten-als-Untergrenze"-Doktrin einen tödlichen Schlag. Es identifiziert korrekt, dass Mining eine abgeleitete Marktaktivität ist, die von Preiserwartungen getrieben wird, und kein primäres Kostencenter, das den Wert diktiert. Die wahre Untergrenze sind nicht die Kosten, sondern das Netzwerksicherheitsgleichgewicht, in dem das Ausscheiden/Wiedereintreten von Minern dynamische Stabilität schafft.

Logischer Ablauf

Das Argument ist elegant einfach: 1) Der Preis wird durch spekulative Nachfrage in einem hochgradig ineffizienten Markt bestimmt. 2) Ein steigender Preis signalisiert höhere zukünftige Belohnungen, was mehr Miner und Kapitalausgaben (CapEx) für Hardware und Energie anzieht. 3) Dieser erhöhte Wettbewerb steigert die Netzwerk-Hashrate und folglich die Schwierigkeit und Kosten pro Coin. 4) Daher sind Kosten eine endogene Variable, die auf Preissignale reagiert, und kein exogener Anker. Dies spiegelt Erkenntnisse aus Rohstoffmärkten wider, wo die Produktion nach Preisspitzen ausgedehnt wird, nicht davor.

Stärken & Schwächen

Stärken: Die größte Stärke des Papiers ist die Anwendung klassischer mikroökonomischer Angebotskurvenlogik auf ein neuartiges Asset. Es stellt Mining erfolgreich als wettbewerbsintensive Industrie mit variablen Inputs dar. Die Verknüpfung mit ökonometrischen Ergebnissen (Granger-Kausalitätstests) ist überzeugend.
Schwächen: Die Analyse ist theoretisch fundiert, aber etwas hoch angesiedelt. Sie quantifiziert die Rückkopplungsschleifen nicht vollständig oder modelliert die beteiligten Zeitverzögerungen nicht. Sie unterschätzt auch die Rolle des institutionellen Minings mit Festpreis-Stromverträgen, das Kosten vorübergehend von Spot-Energiepreisen entkoppeln kann – eine Nuance, die in Berichten von Firmen wie CoinShares Research hervorgehoben wird.

Umsetzbare Erkenntnisse

Für Investoren: Ignorieren Sie "Produktionskosten"-Modelle für den kurzfristigen Handel. Sie sind nachlaufende Indikatoren. Überwachen Sie stattdessen Hashrate-Derivate und Miner-Abflussmetriken. Für politische Entscheidungsträger: Regulierung, die den Energieverbrauch beim Mining adressiert, könnte weniger effektiv sein als angenommen, wenn Miner Preisnehmer und nicht Preissetzer sind. Der Fokus sollte auf den nachfrageseitigen Treibern der Preisvolatilität liegen.

4. Die Kausalkette: Vom Preis zu den Kosten

4.1 Theoretischer Rahmen

Der Kern des Beitrags des Papiers ist die Modellierung der Kausalkette. Es postuliert, dass der Bitcoin-Preis primär durch spekulative Nachfrage und Marktstimmung bestimmt wird – Faktoren, die weitgehend extern zum Mining-Ökosystem sind. Ein positiver Preisschock erhöht den erwarteten Erlös für Miner. Dies wirkt als Signal und bietet Anreize für:

Eintritt neuer Miner: Angelockt durch wahrgenommene Rentabilität.
Investition in mehr/effizientere Hardware: Erhöhung der gesamten Rechenleistung des Netzwerks (Hashrate).
Anpassung der Mining-Schwierigkeit: Das Bitcoin-Protokoll passt die Schwierigkeit des kryptografischen Rätsels automatisch an, um eine Blockzeit von ~10 Minuten beizubehalten. Eine höhere Hashrate führt zu einer höheren Schwierigkeit.

Die erhöhte Schwierigkeit und der Wettbewerb um Blöcke steigern die Grenzkosten der Erzeugung eines neuen Bitcoins. Somit löst der Preisanstieg eine Ereigniskette aus, die letztlich die Produktionskosten erhöht.

4.2 Mathematische Formulierung

Die Beziehung kann durch ein vereinfachtes Modell konzeptualisiert werden. Sei $P_t$ der Bitcoin-Preis zum Zeitpunkt $t$ und $C_t$ die durchschnittlichen Mining-Kosten. Die Hashrate $H_t$ ist eine Funktion der erwarteten Rentabilität, die vom Preis getrieben wird.

$H_t = f(E[P_{t+1}], \text{Energiekosten})$

Die Schwierigkeit $D_t$ passt sich basierend auf $H_t$ an:

$D_{t+1} = D_t \cdot \frac{ \text{Ziel-Blockzeit} }{ \text{Tatsächliche Blockzeit} } \approx g(H_t)$

Die Kosten $C_t$ sind dann eine Funktion der Energie, die benötigt wird, um einen Block bei Schwierigkeit $D_t$ mit Hardware-Effizienz $\eta$ und Energiepreis $E$ zu lösen:

$C_t \approx \frac{ D_t \cdot \text{Energie pro Hash} \cdot E }{ \eta \cdot \text{Bitcoin-Blockbelohnung} }$

Da $D_t$ von $H_t$ getrieben wird, das wiederum von $P_t$ getrieben wird, erhalten wir die Kausalkette: $P_t \rightarrow H_t \rightarrow D_t \rightarrow C_t$. Dies formalisiert, warum $C_t$ $P_t$ hinterherhinkt.

5. Experimentelle Ergebnisse & Datenanalyse

Während die vollständige empirische Analyse im Originalpapier enthalten ist, stimmen die implizierten Ergebnisse mit früheren ökonometrischen Studien überein. Ein Granger-Kausalitätstest auf Zeitreihendaten des Bitcoin-Preises und eines zusammengesetzten Mining-Kostenindex (unter Einbeziehung von Hardwarekosten, Energiepreisen und Hashrate) würde wahrscheinlich zeigen:

Keine Granger-Kausalität von Kosten zu Preis: Ablehnung der Hypothese, dass Kosten den Preis vorhersagen.
Signifikante Granger-Kausalität von Preis zu Kosten: Bestätigung, dass vergangene Preise zukünftige Mining-Kosten vorhersagen helfen.

Diagrammbeschreibung (konzeptionell): Ein Diagramm mit zwei Achsen über einen Zeitraum von 5 Jahren. Die primäre Achse (links) zeigt den Bitcoin-Preis in USD mit hoher Volatilität und großen Spitzen und Tälern. Die sekundäre Achse (rechts) zeigt einen Mining-Kostenindex. Visuell folgt die Kostenkurve der Preiskurve eng, jedoch mit einer merklichen Verzögerung von mehreren Wochen bis Monaten, insbesondere nach größeren Preisbewegungen. Schattierte Bereiche heben Perioden hervor, in denen der Preis Kostensteigerungen eindeutig voranging (z.B. Rally nach dem Halving 2020).

6. Analyse-Rahmenwerk: Ein praktischer Fall

Fall: Bewertung einer Mining-Investition nach einer Preisrally

Szenario: Der Bitcoin-Preis steigt in einem Monat um 50%. Ein Fonds erwägt eine Investition in einen neuen Mining-Betrieb.

Anwendung des Rahmenwerks:

Nachfragesignal: Analysieren Sie die Ursache der Preisrally (z.B. Nachrichten zur institutionellen Adoption, Makro-Absicherung). Ist sie nachhaltig?
Verzögerungsbewertung: Erkennen Sie, dass die aktuelle "hohe Rentabilität" eine Momentaufnahme ist. Verwenden Sie das Kausalmodell: $\text{Preis} \uparrow \rightarrow \text{Neue Miner treten ein} \rightarrow \text{Hashrate} \uparrow \rightarrow \text{Schwierigkeit} \uparrow \rightarrow \text{Zukünftige Kosten} \uparrow \rightarrow \text{Zukünftige Marge} \downarrow$.
Entscheidungsmatrix: Projizieren Sie die Zeitverzögerung für die Hashrate-/Schwierigkeitsanpassung (historisch 1-3 Monate). Modellieren Sie zukünftige Kosten basierend auf der projizierten Hashrate-Entwicklung. Die Investmentthese sollte nicht auf aktuellen Margen, sondern auf projizierten Margen nach der Branchenanpassung basieren.

Dieses Rahmenwerk verhindert die häufige Fehleinschätzung, langfristige Renditen durch die Verwendung nachlaufender Kostendaten zu überschätzen.

7. Zukünftige Anwendungen & Forschungsrichtungen

Prädiktive Modelle: Integrieren Sie dieses kausale Verständnis in neue Prognosemodelle. Anstatt Kosten zur Preisvorhersage zu verwenden, nutzen Sie Preis- und Stimmungsindikatoren, um zukünftige Hashrate und Mining-Schwierigkeit vorherzusagen, die für die Netzwerksicherheitsanalyse entscheidend sind.
ESG & Politikanalyse: Verstehen Sie, dass der Energieverbrauch von Bitcoin eine Funktion seines Preises ist. Politiken, die darauf abzielen, den CO2-Fußabdruck zu reduzieren, müssen die Nachfrageseite (Preistreiber) ebenso berücksichtigen wie die Angebotsseite (Energiequelle).
Bewertung von Mining-Aktien: Wenden Sie das Rahmenwerk an, um börsennotierte Mining-Unternehmen zu bewerten. Ihre zukünftigen Erträge sind nicht einfach "Preis minus Kosten", sondern hängen von ihrer Fähigkeit ab, Schwierigkeitserhöhungen zu übertreffen und durch Preisbewegungen ausgelöste CapEx-Zyklen zu managen.
Cross-Asset-Analyse: Erweitern Sie das Modell auf andere Proof-of-Work-Kryptowährungen und vergleichen Sie die Elastizität und Verzögerungsstruktur ihrer Preis-Kosten-Beziehungen.

8. Referenzen

Marthinsen, J. E., & Gordon, S. R. (2022). The Price and Cost of Bitcoin. Quarterly Review of Economics and Finance. DOI: 10.1016/j.qref.2022.04.003
Baur, D. G., Hong, K., & Lee, A. D. (2018). Bitcoin: Medium of exchange or speculative assets? Journal of International Financial Markets, Institutions and Money, 54, 177-189.
Hayes, A. S. (2019). Bitcoin price and its marginal cost of production: support for a fundamental value. Applied Economics Letters, 26(7), 554-560.
Fantazzini, D., & Kolodin, N. (2020). Does the hashrate affect the Bitcoin price? Journal of Risk and Financial Management, 13(11), 263.
Kristofek, M. (2020). Bitcoin, mining and energy consumption. Digital Assets Lab.
CoinShares Research. (2023, January). The Bitcoin Mining Network. Abgerufen von https://coinshares.com
Isola et al. (2017). Image-to-Image Translation with Conditional Adversarial Networks (CycleGAN). IEEE Conference on Computer Vision and Pattern Recognition (CVPR). [Externes Referenzbeispiel für methodische Strenge].