Цена и стоимость Биткойна: раскрытие причинно-следственной связи

1. Введение и обзор

Данная работа «Цена и стоимость Биткойна» Мартинсена и Гордона затрагивает критический пробел в исследованиях криптовалют. В то время как многочисленные исследования пытаются объяснить или предсказать волатильность цены Биткойна, лишь немногие строго изучили взаимосвязь между его ценой и стоимостью майнинга. Преобладающим, но в значительной степени необоснованным убеждением было то, что затраты на майнинг служат фундаментальным ценовым дном. Это исследование использует экономическую теорию, чтобы опровергнуть эту идею и объяснить наблюдаемую эконометрическую реальность: затраты на майнинг следуют за движением цены, а не предшествуют ему.

2. Обзор литературы

2.1 Экономические факторы и цена Биткойна

Традиционные монетарные модели, такие как Количественная теория денег (QTM) или Паритет покупательной способности (PPP), плохо подходят для анализа Биткойна. Как отмечают Баур и др. (2018), Биткойн ещё не является широко распространённой единицей учёта или средством обмена. Большинство товаров и услуг оцениваются в фиатных валютах, а Биткойн выступает в качестве расчётного слоя по спотовому обменному курсу, что делает невозможным создание традиционных индексов цен.

2.2 Гипотеза стоимости как ценового дна

Популярная гипотеза, предложенная Гарсией и др. (2014), утверждает, что стоимость создания Биткойна (через майнинг) устанавливает уровень поддержки. Логика такова: если цена падает ниже себестоимости производства, майнинг становится убыточным, ставя под угрозу безопасность реестра блокчейна. Связанные работы Мейнкхарда (2019) и Хейса (2019) использовали затраты на майнинг для прогнозирования цен.

2.3 Эконометрические сложности

Недавние эконометрические анализы Кристофека (2020) и Фантаццини и Колодина (2020) оспорили эту точку зрения. Их результаты указывают на обращение предполагаемой причинности: изменения затрат на майнинг отстают от изменений цены Биткойна. Однако эти исследования ограничиваются выявлением корреляции, не предоставляя теоретического экономического объяснения почему происходит это отставание — пробел, который данная статья стремится заполнить.

Выявленная ключевая проблема

Авторегрессионные модели (ARIMA, GARCH) могут моделировать краткосрочную волатильность, но не способны объяснить или предсказать экстремальные ценовые колебания (например, рост в 8 раз или падение на 80%) из-за отсутствия лежащих в основе причинно-следственных механизмов.

Цель исследования

Объяснить цепочку причинности от цены Биткойна к затратам на его майнинг, тем самым прояснив, почему эконометрические модели терпят неудачу, а затраты следуют за ценами.

3. Ключевая идея: взгляд аналитика

Ключевая идея

Статья наносит сокрушительный удар по упрощённой догме «стоимость как дно». Она верно определяет, что майнинг — это производная рыночная активность, движимая ценовыми ожиданиями, а не первичный центр затрат, диктующий стоимость. Настоящее дно — не себестоимость, а равновесие сетевой безопасности, где выход/возврат майнеров создаёт динамическую стабильность.

Логическая последовательность

Аргументация элегантно проста: 1) Цена устанавливается спекулятивным спросом на высоко неэффективном рынке. 2) Рост цены сигнализирует о более высоких будущих вознаграждениях, привлекая больше майнеров и капитальных затрат (CapEx) на оборудование и энергию. 3) Эта возросшая конкуренция повышает общую вычислительную мощность сети (хешрейт) и, как следствие, сложность и стоимость за монету. 4) Следовательно, стоимость является эндогенной переменной, реагирующей на ценовые сигналы, а не экзогенным якорем. Это отражает выводы на товарных рынках, где производство расширяется после скачков цен, а не до них.

Сильные стороны и недостатки

Сильные стороны: Главное достоинство статьи — применение классической микроэкономической логики кривой предложения к новому активу. Она успешно переосмысливает майнинг как конкурентную отрасль с переменными затратами. Связь с эконометрическими результатами (тесты причинности Грейнджера) убедительна.
Недостатки: Анализ, хотя и теоретически обоснован, несколько обобщён. Он не полностью количественно оценивает петли обратной связи или моделирует временные лаги. Также недооценивается роль институционального майнинга с контрактами на электроэнергию по фиксированной цене, что может временно отделить стоимость от спотовых цен на энергию — нюанс, отмеченный в отчётах таких компаний, как CoinShares Research.

Практические выводы

Для инвесторов: Игнорируйте модели «себестоимости производства» для краткосрочной торговли. Это запаздывающие индикаторы. Вместо этого отслеживайте производные от хешрейта и метрики оттока майнеров. Для регуляторов: Регулирование, направленное на энергопотребление майнинга, может быть менее эффективным, чем предполагалось, если майнеры являются ценополучателями, а не ценообразователями. Основное внимание следует уделять факторам спроса, вызывающим ценовую волатильность.

4. Причинно-следственная цепочка: от цены к стоимости

4.1 Теоретическая основа

Суть вклада статьи — моделирование причинно-следственной цепочки. Она постулирует, что цена Биткойна в первую очередь определяется спекулятивным спросом и рыночными настроениями — факторами, в значительной степени внешними по отношению к экосистеме майнинга. Положительный ценовой шок увеличивает ожидаемую выручку майнеров. Это действует как сигнал, стимулируя:

Вход новых майнеров: Привлечённых предполагаемой прибыльностью.
Инвестиции в более/эффективное оборудование: Увеличивая общую вычислительную мощность сети (хешрейт).
Корректировку сложности майнинга: Протокол Биткойна автоматически регулирует сложность криптографической задачи для поддержания времени блока ~10 минут. Более высокий хешрейт приводит к большей сложности.

Возросшая сложность и конкуренция за блоки повышают предельную стоимость производства нового Биткойна. Таким образом, рост цены запускает последовательность событий, которая в конечном итоге повышает себестоимость производства.

4.2 Математическая формулировка

Взаимосвязь можно концептуализировать через упрощённую модель. Пусть $P_t$ — цена Биткойна в момент времени $t$, а $C_t$ — средняя стоимость майнинга. Хешрейт $H_t$ является функцией ожидаемой прибыльности, которая определяется ценой.

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

Сложность $D_t$ корректируется на основе $H_t$:

$D_{t+1} = D_t \cdot \frac{ \text{Целевое время блока} }{ \text{Фактическое время блока} } \approx g(H_t)$

Тогда стоимость $C_t$ является функцией энергии, необходимой для решения блока при сложности $D_t$, с эффективностью оборудования $\eta$ и ценой на энергию $E$:

$C_t \approx \frac{ D_t \cdot \text{Энергия на хеш} \cdot E }{ \eta \cdot \text{Вознаграждение за блок Биткойна} }$

Поскольку $D_t$ определяется $H_t$, который определяется $P_t$, мы получаем причинно-следственную цепочку: $P_t \rightarrow H_t \rightarrow D_t \rightarrow C_t$. Это формализует, почему $C_t$ отстаёт от $P_t$.

5. Результаты эксперимента и анализ данных

Хотя полный эмпирический анализ представлен в оригинальной статье, подразумеваемые результаты согласуются с предыдущими эконометрическими исследованиями. Тест причинности Грейнджера на данных временных рядов цены Биткойна и составного индекса стоимости майнинга (включающего стоимость оборудования, цены на энергию и хешрейт), вероятно, показал бы:

Отсутствие причинности Грейнджера от стоимости к цене: Отвергая гипотезу о том, что стоимость предсказывает цену.
Значительную причинность Грейнджера от цены к стоимости: Подтверждая, что прошлые цены помогают предсказать будущие затраты на майнинг.

Описание графика (концептуальное): График с двумя осями за 5-летний период. Основная ось (слева) показывает цену Биткойна в долларах США, демонстрируя высокую волатильность с основными пиками и спадами. Вторичная ось (справа) показывает индекс стоимости майнинга. Визуально кривая стоимости близко следует за ценовой кривой, но с заметным лагом в несколько недель или месяцев, особенно после крупных ценовых движений. Закрашенные области выделяют периоды, когда цена явно опережала рост стоимости (например, ралли после халвинга 2020 года).

6. Фреймворк анализа: практический пример

Пример: Оценка инвестиций в майнинг после ценового ралли

Сценарий: Цена Биткойна выросла на 50% за один месяц. Фонд рассматривает возможность инвестирования в новую майнинговую операцию.

Применение фреймворка:

Сигнал спроса: Проанализировать причину ценового ралли (например, новости об институциональном принятии, макрохеджирование). Является ли оно устойчивым?
Оценка лага: Признать, что текущая «высокая прибыльность» — это моментальный снимок. Использовать причинную модель: $\text{Цена} \uparrow \rightarrow \text{Вход новых майнеров} \rightarrow \text{Хешрейт} \uparrow \rightarrow \text{Сложность} \uparrow \rightarrow \text{Будущая стоимость} \uparrow \rightarrow \text{Будущая маржа} \downarrow$.
Матрица решений: Спроецировать временной лаг для корректировки хешрейта/сложности (исторически 1-3 месяца). Смоделировать будущие затраты на основе прогнозируемого роста хешрейта. Инвестиционный тезис не должен основываться на текущей марже, а на прогнозируемой марже после адаптации отрасли.

Этот фреймворк предотвращает распространённую ошибку завышения долгосрочной доходности за счёт использования запаздывающих данных о стоимости.

7. Будущие применения и направления исследований

Прогнозные модели: Включить это причинное понимание в новые модели прогнозирования. Вместо использования стоимости для предсказания цены, использовать цену и индикаторы настроений для прогнозирования будущего хешрейта и сложности майнинга, что критически важно для анализа безопасности сети.
ESG и анализ политики: Понимать, что энергопотребление Биткойна является функцией его цены. Политика, направленная на сокращение углеродного следа, должна учитывать факторы спроса (драйверы цены) так же, как и предложения (источники энергии).
Оценка акций майнинговых компаний: Применить фреймворк для оценки публичных майнинговых компаний. Их будущие доходы — не просто «цена минус стоимость», а зависят от их способности опережать рост сложности и управлять циклами капитальных затрат, вызванными ценовыми движениями.
Межассетный анализ: Расширить модель на другие криптовалюты с доказательством выполнения работы (Proof-of-Work) и сравнить эластичность и структуру лага в их отношениях «цена-стоимость».

8. Ссылки

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. Retrieved from 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). [Пример внешней ссылки для методологической строгости].