近期熱門的 Alpha Arena 專案，將 ChatGPT、Gemini、Grok 等不同的大型語言模型 (LLM)，推上了金融交易的競技場，讓這些前沿 AI 模型槓桿交易Crypto，網頁是公開顯示歷史資金和持倉變化。這個概念極具吸引力：讓最強的 AI 們同台競技，比較它們的交易績效。

在令人興奮的「AI 交易」敘事之下，本文將從技術層面拆解 Alpha Arena 的運作機制，看看技術原理是否真的無懈可擊 ？

一、 運作機制：當 LLM 成為量化交易員

Alpha Arena 的核心是利用呼叫大型語言模型 API，讓多個 LLM 扮演交易決策者的角色。其運作流程可以拆解為「輸入」、「處理」與「輸出」三階段。

輸入：將市場「文本化」的提示詞

系統會向 LLM 發送一個設計好的提示詞，其內容包含：

• 狀態數據 : 當前帳戶績效、倉位、交易次數等。
  

• 市場數據 : 中間價、EMA (指數移動平均線) 等技術指標資料。
  

• 關鍵指標文本化: 這是本專案的特色之一。它將 MACD、RSI 這類傳統的時間序列數據，用自然語言描述出來（例如：「RSI 目前為 46.4」），強迫 LLM 在文本層面理解技術指標。

處理：模型的「思考鏈」 (Chain of Thought)

下面是網頁上實際的 GPT-5 API 回應結果:

{"cot_trace": "**Examining liquidation risk**\n\nWhen it comes to a short position, liquidation happens if the price rises above a certain level. In my case, the liquidation price is 0.17 and it matches the entry, which gives me pause. Since the current price is 0.167, I’m feeling safe for now. Yet, the liquidation price being so close means I can't widen my stop, especially since it is set at 0.171712. That puts me at critical risk, as the stop is above the liquidation price.\n**Assessing long position risks**\n\nIt seems the liquidation price might be rounded, like 0.170 when it could have more decimals. If liquidation happens at 0.17, hitting 0.1717 would liquidate before the stop, which doesn’t seem feasible. While we shouldn't close early, I’m checking my long position in BNB. Invalidation requires a 4-hour candle close below 990 and open interest over 62000. Currently, the price is 993.635 and OI is 65954.12, which doesn’t trigger invalidation. Although the 4-hour trend is negative, I’ll stick to my strategy.\n**Confirming holding positions**\n\nI need to hold all six positions without any adjustments since modifications like adjusting stops or profit targets aren’t allowed. For each coin, I have to provide an object that includes several fields: coin, signal (which will be 'hold'), the full quantity size, profit target, stop loss, invalidation condition, leverage, confidence, and risk in USD. \n\nFor example, with ETH having a quantity of -1.3, I’m writing it as is since the instructions specify using the full current size. There’s a bit of confusion about sign conventions, but I’ll follow the guidelines provided for holding.\n**Finalizing position details**\n\nI’m confirming the details for short positions, where negative quantities matter. For example, the quantity for my first position is -1.3, so I’ll output that. The profit target is 3407.47, the stop loss is 3719.44, the leverage is 12, confidence is 0.63, and the risk is 156.53. \n\nI’ll check other positions too, like SOL with quantity -35.79, XRP -1509.0, and BTC -0.02. For BNB, I have a quantity of 3.5, a profit target of 1073.65, and a specific invalidation condition related to open interest that isn’t met yet.\n**Creating hold signal JSON**\n\nI need to ensure the hold signal is set correctly. If any stops or targets were triggered since entry, the system will handle that automatically. I won't enter new trades since we have existing positions in all symbols, and we can't increase size. \n\nThe output will be a single JSON object with keys for each coin: ETH, SOL, XRP, BTC, DOGE, and BNB. Each will have the required fields formatted as floats. I'll ensure precision and check if any invalidation for BNB has triggered, but we can't infer anything from the current status. Now, I’ll produce the JSON accordingly.\n",
"cot_trace_summary": "My current strategy is to hold all positions as my analysis suggests current market conditions do not warrant adjustments despite a significant overall loss. I'm maintaining my short positions in ETH, SOL, XRP, BTC, and DOGE, as well as my long position in BNB, focusing on their individual exit plans and risk management parameters."}

如 cot_trace 所示，LLM 會接收提示詞，並進行一段類似人類的「思考過程」。它會評估風險（”Examining liquidation risk”）、評估倉位（”Assessing long position risks”），並最終決定其行動。

輸出：結構化的 JSON 交易決策

LLM 最終會回傳一個標準化的 JSON 物件，作為其交易指令。這個 JSON 包含了所有關鍵決策：

• 交易訊號 (Signal): hold (持有) 或 sell (賣出)。
• 風險參數 (Risk Parameters): profit_target (止盈) 和 stop_loss (止損)。
• 退出條件 (Invalidation Condition): 一個 LLM 即時生成的、基於技術指標的出場規則（例如：「4 小時 K 線收盤價高於 3800 並且 4 小時的 MACD 柱狀圖連續 2 根為正值」）。
• 信心指數 (Confidence): 一個 0 到 1 的數字，表示模型對此決策的信心。

範例格式如下：

{
"ETH": {
          "risk_usd": 156.53,
          "leverage": 12,
          "confidence": 0.63,
          "quantity": -1.3,
          "invalidation_condition": "Close early only if a 4h candle closes above 3800 AND the 4h MACD histogram turns positive for 2 consecutive bars.",
          "profit_target": 3407.47,
          "stop_loss": 3719.44,
          "justification": "",
          "coin": "ETH",
          "signal": "hold"
        }
}

二、 方法論缺陷：是「策略」還是「幻覺」？

儘管機制看似完整，但從嚴謹的量化交易角度審視，Alpha Arena 在方法論上存在幾個根本性的缺陷。

缺陷一：策略是「幻覺」，而非「回測」的產物

這是最核心的問題。LLM 產出的 invalidation_condition（退出條件）並不是一個經過系統性回測證明其有效的策略。

相反地，它更像是 LLM 基於其龐大的訓練數據（網路論壇、分析文章），「幻覺」或「拼湊」出來的、當下聽起來最合理的交易規則。這如同要求 AI「即時創造」一道新菜，而非嚴格執行一道經過千次測試的米其林食譜——聽起來很棒，但穩定性與安全性存疑。

缺陷二：缺乏一致性與可重複性

傳統的量化交易程式是確定性的：相同的輸入（RSI > 70）永遠會觸發相同的條件。

但 LLM 本質上是機率性的。這意味著，即使下次遇到完全相同的市場數據和提示詞，LLM 也不保證會生成完全相同的 cot_trace 或 invalidation_condition。它下一次可能認為「RSI 跌破 50」才是出場條件。這使得整個系統極度不穩定、無法驗證，也無法回測一個「隨機變動」的策略。

缺陷三：不科學的「自信度」評分

經過分析顯示，模型給出的 confidence 分數高度集中在 0.6-0.7 之間，且未見低於 0.6 的分佈。這種集中的數值分佈，不像科學計算的結果，反而更像 LLM 作為評判者（LLM as a judge）時產生的「幻覺分數」。
我們直接去抓取網頁的 api 回應，實際去分析 LLM 的輸出，統計所有模型的 LLM Response ，分析發現 0.6-0.7 出現的頻率非常高且頻繁，且沒有出現低於 0.6 信心的分佈，不是很合理情況。

正常情況下，如果分數是經過科學計算的，它應該是一個連續的分佈。

--- confidence 分數的出現次數 ---
分數 0.62: 48 次
分數 0.63: 32 次
分數 0.64: 16 次
分數 0.65: 85 次
分數 0.67: 17 次
分數 0.7: 100 次
分數 0.75: 62 次
分數 0.78: 24 次
分數 0.8: 12 次
分數 0.85: 12 次
分數 0.9: 12 次

缺陷四：時間序列「文本化」導致時間意義缺失

將 MACD、RSI 這類時序數據轉換為文本序列，是為了迎合 LLM 的輸入格式。然而，Transformer 架構是基於 token 的順序去預測下一個 token，它無法真正理解「時間的連續性」。

當時間序列被「壓平」成文字時，LLM 的「腦海」中缺乏了時間的維度。雖然它可能在預訓練中學到了 MACD 和 RSI 的基本概念（這或許能解釋 Deepseek 表現較好的原因），但要求它基於這種「無時間感」的文本去做出精確的時序預測，是有難度的。

三、 潛在價值：為何 Alpha Arena 仍有價值

儘管缺陷明顯， Alpha Arena 也是有其價值。它的真正價值不在於當下的交易績效，而在於它展示的潛力：

潛力一：革命性的「可解釋性」 (Explainable AI)

LLM 的思維鏈是這個專案最有趣的部分。傳統量化交易的「黑盒子」模型（例如 SVM 或神經網路）很難解釋為什麼它要買入。

而 Alpha Arena 迫使 LLM 用人類可讀的語言來「解釋」它的決策過程（”Examining liquidation risk…”）。對於某些機構而言，這種決策過程透明化的特性是有價值的，可以使用 AI 輔助決策。

2. 潛力二：「非結構化數據」的巨大潛力

目前專案僅將「結構化」的技術指標文本化，這確實是上面說的缺陷之一。

但如果在這個框架中，讓 LLM 在 Prompt 中加入，去處理非結構化數據，這就是 LLM 相較於傳統模型，最具壓倒性優勢的地方。
例如：

• 「這是過去 1 小時社群平台上關於 BTC 的恐慌指數」
• 「聯準會主席在 5 分鐘前的發言偏向鷹派」

傳統模型難以理解這些文本的語意和情緒。而 LLM 交易機器人是有潛力將「市場情緒」、「新聞事件」和「技術指標」真正融合在同一個決策模型中的架構。

潛力三：一個極具價值的「元實驗」

Alpha Arena（阿爾法競技場）這個名字本身就點出了其價值。它不是在宣稱誰是最好的交易模型，而是建立了一個「競技場」讓所有模型同台競技。

這本身就是一個非常有價值的實驗。它讓我們首次有機會在相同的規則下，橫向比較不同 LLM（GPT-5, Gemini,Grok…）的金融推理能力。

四、 結論：一個「有趣」但尚未成熟的未來

從技術層面分析來看，Alpha Arena 目前更像是一台令人興奮的「概念車」。它存在「策略幻覺」、「缺乏一致性」等根本性的方法論缺陷，使其目前的交易結果不具備嚴謹的科學意義。

然而，它的價值絕非零。Alpha Arena 成功地展示了 LLM 在決策可解釋性和融合非結構化數據方面的巨大潛力。它作為一個「AI 競技場」的實驗，其價值遠高於它產生的帳面損益。

總體而言，這是一個「好玩有趣」且極具啟發性的專案，它為我們揭開了 AI 金融交易未來樣貌。

看完這個影片，有一些迷思的部分，除了揪揪鞋幫我們解答了以外，還有很多是我想要補充的：

如何分辨專案好壞？

純屬個人心得，我自認為已經很開放，NFT 產業、GameFi、Mime，相關幣種都有買過。但我絕對不會碰 BNBH ，除非是要拍搞笑影片，當作是取材用。要如何避免買到雷，先問「10年之後這個幣會在哪？」

• BTC 與法定貨幣對做，全世界有共識
• ETH 不論是 NFT 或是 Defi 都還有很大的應用市場
• NFTs 目前買的不是作品本身，而是幣圈文化的歷史定位
• SAND 背後遊戲公司強大， Metaverse、GameFi 有想像空間
• DOGE 因為 Elon musk、幣圈經典 mime coin

比較以上的幣，再去想買 BNBH 的原因：

• 能賺錢
• 介面太精緻？（並沒有）
• 遊戲太好玩？（並沒有）
• 有大神、知名公司帶動社群發展？（並沒有）

雖然投資加密貨幣，已經會被定義「有點瘋狂」，但就算在這個瘋狂的產業，還是可以區分出「投機」跟「投資未來」。但老實說，大部分的專案起步都是很撲朔迷離，很難區分出好壞，通常是一波上漲，才去分析原因。就像是 NFT

話說 NFT 什麼鬼，一張 jpeg 這麼貴？

例如 NFT 早在 2017 年就有了，只是那時大家還沒意會過來，而 2020 年 NFT 爆發時，我甚至還覺得那種網路上的圖片有什麼好買的？當一直看到不懂的領域，穿越牛熊，就要開始思考是不是想錯了？

畢卡索的畫一幅畫雖然是天價，但你找高手繪製一模一樣的，大部分的人都分辨不出來，那為什麼一張是天價，一張一文不值？我的解讀是，大家買的是歷史價值，而 NFT 很簡單的解決了這個問題，你現在買了 NFT ，被區塊鏈紀錄，一百年後大家都還是會認得它，被紀錄在古老的區塊中。

世界上第一幅 NFT、第一個虛擬地產 NFT，第一個 XXX 的 NFT，只要有足夠的集體意識、或是傳達理念的 NFT（女權、平等），在數年後，確實可以想像有很高的價值，所以今年初我就漸漸放下成見。

在 NFT 這個認錯的過程，慢慢接受 NFT 的定價，雖然晚了很多步，但沒關係，區塊鏈項目太多了，只要不採雷，處處是機會。

投資報酬率真的這麼高嗎？

如今社群媒體讓人壓力真的很大，每天看到有人報酬率 1000%，流動性挖礦年化 60%，好像今年沒賺個兩三倍太弱。大部分的人都只投入一小部分，歸零不可惜，但是爆賺一定要讓你知道。你很容易被這些數字沖昏頭，然後在眾多項目中汲汲營營找獲利的可能性，一不小心就遇到 BNBH 了。

明星項目就不會 Out？

事實是，時間一拉長，大部分的幣都會變成壁紙，就算是那些很看好的明星項目（2017年 IOTA、Dash、Augur），現在都只是載浮載沈。更何況是 BNBH 這種類似資金盤的項目了。

事實是，部位一放大，身家賭進去，少數人成為英雄，但大部分都會虧損，承受不住虧損，賣在最低點。

明牌真的有這麼香嗎？

新聞、 Youtuber、專欄、親朋好友，是我們得到資訊的地方，你有沒有想過，為什麼它們要介紹某些山寨幣，是不是因為大家都在買？是不是因為最近上漲很高？是不是它們靠這個項目賺了很多錢？還是這是他做了很多功課，將每個項目深入分析並精挑細選得到的結論？

我有回測過追高的加密貨幣策略，每小時搜索 Binance 動能（上漲幅度）最高的幣持有，效果出奇的差！這篇文章你要是看完什麼都忘了，只要記住三個字：

不要 FOMO (Fear of missing out)

你需要的不是信仰，而是系統！

除了 BTC 和 ETH ，我想不到一種幣可以好幾年長期穩定上漲，假如你真的要買這些山寨幣，與其相信任何一種幣，或聽親朋好友說，應該要制訂整體計畫：停損點？每一種幣持有的部位上限？探勘新的幣種的方法？要是這些都沒有規劃，加密貨幣對你來說，就只是變相的大型賭場而已。

很多人都說百倍報酬，但事實是他們也沒有投入 100% 身家，那百倍報酬基本上都是喊好玩的，總淨值可能沒增加多少。將 1 元變成 10 元很簡單，但是將 1000 萬變成 1 億就很難了。假如你跟我一樣，80% 以上得資產都在加密貨幣，你要的不是百倍幣，而是一個方法「知道要投多少到百倍幣」讓資金在以穿越牛熊，在可控的風險下成長。

這些內容可能就可以再寫很多篇了。

最後：投資而非投機

我知道這句話用在加密貨幣有點搞笑，但確實有它的道理，當你真的擺脫了價格上漲下跌的束縛，將區塊鏈徹底體驗過一遍，不論是好的壞的，才越能辨識專案好壞，才能真正看到它在未來的價值。

原文發表於渣打銀行新加密貨幣研究部門，標題為〈Ethereum investor guide〉。本文由Finlab團隊進行中文編譯摘要與資料補充。

從結構功能上來講，渣打將BTC市值類比信用卡公司市值，合理估值為175000美金。

若ETH展現相較BTC更強大的金融市場應用潛力，將類比全球銀行市值，加上加密貨幣於全球資產佔比的擴張，長遠來看，對ETH的「估值」為 26000～35000 美元，總市值有機會迎頭趕上BTC。目前ETH現值3500美金左右，相對高基期的BTC來說，更有賺十倍的潛力。

究竟近期升級ETH 2.0有什麼顛覆性的變革，讓這家傳統的英資跨國銀行如此關注幣價上漲潛力？

ETH 1.0 vs BTC

兩者都是基於區塊鏈技術的去中心化化的加密貨幣，都採用PoW(Proof of Work)驗證交易機制(註1)。

兩者主要差異在BTC具有稀缺性特質，發行量增速與流通量籌碼較ETH少很多，這點造成BTC於前些年的漲幅比ETH快速。

另一個差異在應用場景的不同，BTC最初的目的在於避免通貨膨脹造成的資產減損、國家央行貨幣政策對資產的干預、外匯管制，其發行稀缺性讓他具有類似黃金的保值功能。

而ETH強大在V神創建的工程師生態系，協議版本迭代速度較BTC快，將加密貨幣隨時代推演，創建更廣大的應用遠景，除了網路支付，在以太坊平台還有許多軟體應用，如火紅的應用項目智能合約Smart-Contract(智能合約)、Defi(去中心化金融)、NFT(非同質代幣)等等。

ETH 2.0

ETH 2.0的升級開始於2020年底。

升級的目的主要在增進運算效率，解決日後區塊鏈廣為應用後的高併發需求與多元應用場景，否則交易速度過慢和手續費暴增的問題會讓以太網路的競爭力低落。

最終目的就是讓更多人開發與參與以太坊。

變革項目如下：

PoW vs PoS 

BTC和ETH 1.0採用的帳本驗證機制～工作量證明機制（Proof-of-Work，PoW）有一個很大的缺點，就是挖礦對能源的過度消耗，這在追求碳中和的現今，不符合國際利益，採用Po也S可以解決挖礦和運算效率(註2)。

Sharding Chain

ETH採用「分片技術(Sharding Chain)」解決分散式系統效能問題，每秒交易量可媲美大型伺服器效能(註3)。

EVM vs eWASM

eWASM 最顯著的優勢就是讓區塊鏈應用在軟體開發上更具彈性，對開發者更有善。過去要編寫智能合約，以太坊開發者必須特地學習 Solidity 語言，成爲了開發者的知識瓶頸，而eWASM 能夠與多種語言進行交互，支援 C/C++/Rust 語言，有利於開發效率，讓區塊鏈世界發展更蓬勃(註4)。

ETH供給發行的改變

就是今年話題火熱的「燒盡機制」(註5)，過去BTC大幅飆漲的重要因素在籌碼稀缺性，挖礦難易度日益增大。以太坊近年受惠應用場域棒棒開花，使用參與率大幅提升，然而以太幣卻無因需求上升而價格上漲。主要原因在於以太幣礦工的套利的操作原則，礦工獲得越多挖礦收益，然後馬上拋售，市場賣壓就會越高，進而限制了幣價。現今ETH導入燒盡機制控制籌碼，影響礦工收入，對ETH的供給賣壓產生影響。

渣打報告推測加入燒盡機制後，ETH y/y 通膨年增率-2.2~2.5%，讓供給成長率持平近穩定，預期若未來ETH展開漲勢，這會成為ETH上漲的動能催化劑。

ETH 需求指標分析

ETH交易量與價格呈現正比，近年大暴增，手續費變化大致也與價格成正比，但加入燒盡機制後，下降幅度明顯加大。

報告內容也使用網站搜尋聲量作為短期落後指標，當ETH價格暴漲後，google搜尋「什麼是ETH」的次數會陡升，twitter論壇提到ETH的議題也變多，背後代表人們害怕錯失行情的程度(FOMO)，今年隨著區塊鏈應用普及和ETH上升，聲量指標一直維持在高檔。

XET-XBT補償效應

XET-XBT可視ETH/BTC交易對。

BTC是最為人所知的加密貨幣，高人氣的暴漲BTC也是引領大眾進入加密資產世界的入口。就像球星吸引新進球迷了解一項新運動，BTC會讓投資者在了解加密資產後，近一步去探索其他加密貨幣，而ETH生為二哥，最有可能享有落後補漲的利益，加上ETH區塊鏈生態系日益完整，2.0的升級解決效能瓶頸，預期XET-XBT會上升到0.16的水準，也就是預期未來ETH漲幅會大於BTC兩倍。

Reference

原文:〈Ethereum investor guide〉

註1:什麼是PoW工作量證明

註2:【硬塞科技字典】礦工賺錢術 － PoS 跟 PoW 有什麼差別?

註3:解放以太坊 2.0 的靈魂：分片（Sharding）

註4:解構 ETH2.0：EVM 和 eWASM

註5:一年前實施的話能燒毀近百萬顆以太？究竟什麼是 EIP-1559

讓 FinLab 告訴你什麼時候泡沫會破裂
讓你在大家瘋狂的時候，獲利了結
等到恐懼的時候，再逆勢買進

金融波動大，要如何高買低賣？

2020算是金融波動非常大的一年，
三月因為疫情關係，台股暴跌到8000多點，
大家都覺得完蛋了，於是出清股票，停損觀望，
想不到這時候政府國安基金，全球印鈔 QE 救經濟，
去年年底，台股又飆升到了 14000 點，
簡直就像是坐雲霄飛車一樣！

要如何買在低點買在高點呢？
就要像巴菲特說的一樣，眾人恐懼我貪婪！
但這句話其實我們已經聽到爛掉了，具體而言要怎麼實行呢？
其實非常困難，例如在三月的時候，股市崩盤，
親朋好友都叫你趕快賣掉股票了，你還不賣嗎？
那時候疫情剛爆發，感染者成倍數增長，
你哪有勇氣說自己是對的？你的勇氣會從哪裡來呢？

答案是從數學來的

全市場通用的泡沫模型

今天我們要介紹的泡沫模型
是多次預測泡沫包含

• 1990年納斯達克泡沫
• 2000年科技泡沫
• 2008年石油危機
• 中國市場泡沫
• 2009年美國房市泡沫
• 還有比特幣2017年泡沫

這個模型的簡稱是 LPPL 模型
全名是 Log-Periodic Power Law Model
原理其實就是假設這個世界有兩種人
A 和 B
首先 A 這類的人，他們是聽從別人建議的人，
也就是別人買我就買，看到別人賣我就賣，
而 B 是有自我主張的人，
也就說他不管別人的建議會按照，自己的行為來做決定，
而這個自由市場中，
A 跟 B 的訊息會不斷地交換，
交互影響對方的選擇。

以你來說好了，
有時候你會有自我的主張，
也就是對股票進行買賣，
但有時候你可能也會聽從別的意見，當作參考
每個人都有可能有時候是 A 或者是 B，
當今天泡沫高漲的時候，
這個價格系統臨界點發生時，
會有這麼一瞬間，
大家都變成 A，一致做出賣出的決定！
導致價格的崩跌。

LPPL 數學原理

有了這樣的概念，我們就可以來設計一個價格模型，
什麼是價格模型？簡單來講就是一個預測真實世界的公式。
LPPL 公式推導非常地複雜，借鏡了統一場論，
利用模擬群體的交互作用的總體效應，來大幅化簡模擬的複雜度。

下圖中，我們用圖讓大家更了解這個公式的數學原理：

首先 LPPL 模型，最重要的會有三個元素

• 一個是橘色的這個點
• 那另外是這條藍色的曲線
• 最後還有這條紅色的曲線

那這邊橘色的這個點，
它其實就代表著崩盤的時候的最高價格 A，
那什麼時候會崩盤時間點就是 tc，
那我們可以看到這邊除了這個橘色的點以外，
還有這條藍色的時間序列，它就是在敘述，
泡沫整體上漲的幅度。

最後，價格其實是會有波動，
所以除了用藍色這一條線來描述價格以外
我們還會需要小週期的震盪，
也就是紅色的這一條曲線，來描述波動。

有了這三個元素就可以，
更正確地來描述泡沫破裂的時間序列公式，
那我們的就可以將這三個部分，
合併成同一個公式，
來描述說當今天泡沫發生的時候，價格隨時間的變化。

那你可能就會說
「我們究竟要怎麼樣將這個公式
使用在我們現在任何一個商品中？！」

那接下來我們就可以來看一個例子，

例如這邊我們有一個商品，
它的歷史價格時間序列是上圖右半邊，
那我們就懷疑，最近價格漲了好高，
是不是有泡沫會發生呢？

那這時候，可以用剛剛的公式，也就是 P(T)，
代入不同的參數進去，會算出不同的時間序列（以顏色表示），
那這時候，就可以找到一組參數，
它會讓我們的時間序列最接近真實的歷史價格，
例如我們可以看到，這 4 個（顏色的）時間序列中，
紅色的時間序列，長得最接近原本的歷史價格，
所以我們就會說，這組時間序列的參數是比較合理的，
這組合理的參數裡面，就包含了 tc，也就是泡沫破裂的時間點！

你可能會問，這個公式真的能幫助我們賺到錢嗎？
我們要怎麼應證它是有用的呢？

跟我們一起來做實驗吧！

我們已經幫你做好了工具，可以直接來使用，
這個工具的費用，就是幫訂閱我們的部落格、YT
用正確方法和數學公式，安全穩定地投資理財，
這一套工具將會完全免費送給你！

這個股票泡沫檢測器不只可以幫你判斷，
究竟現在這個商品是否有泡沫，
我們可以針對任何一檔股票，
甚至是 Bitcoin 來做檢測，
只要是有收錄在 Yahoo Finance 的標的，全部都可以拿來做預測分析喔！

每次我開始談論加密貨幣時，大家總是用「你確定？！」的眼光看著我，好不容易在年初的時候，慫恿朋友購買了一點比特幣，請他一年後再來看看是多少。一年還沒到，我已經報名牌成功了。

雖然今年比特幣已經漲很多了，但就算是現在，我還是會跟大家說同樣一句話：「買了之後忘記它，一年之後再來看」。當然近兩個禮拜，比特幣已經很過熱了，所以請參考我們另一篇文章，才能知到目前的 中長線何時入場！

為什麼「買了要忘記」？

人類擅長線性思考，很難體會指數的世界，例如武漢肺炎，從謠言變成全世界大範圍感染，不需要一個月的時間。比特幣上漲一千倍，也是類似指數成長。然而，有劇烈的上漲，就有劇烈的下跌。還好比特幣的價格，平均來說是隨著時間劇烈增加的，所以時間是我們的朋友，要買了然後忘記才是最好的選擇。但這招只適用到 2021 年！

只剩不到一年的時間，適合投資加密貨幣

2020年，比特幣減半促成行情爆發，然而爆發不帶表我們可以永遠的持有，比特幣的上漲是有週期性的。根據 S2F 這個指標，2021年是非常適合投資加密貨幣的一年，錯過要再等四年喔！

除了「買了忘記」還有別招嗎？

告訴你答案之前，這邊有一個題目：以下有兩種資產，請問哪一種是股票，哪一種又是比特幣呢？

• 投資 100 萬，跌到變成 30 萬，然後要又成 200 萬
• 投資 100 萬，跌到變成 93 萬，然後變成 120 萬

你可能會以為，前者是比特幣，後者是股票，但其實這兩者都是比特幣！只是前者投資了100％，而後者實際上只投資了10％，由上面的例子，可以知道，只要好好調整部位，比特幣也可以變成是一檔美麗的股票！

以一個有比特幣的長線投資組合中，使用 risk parity 來計算，大約是 5～10％，就可以帶來很好的效果，以上講的都是長線的交易。

那短線交易呢？

就更簡單了，雙均線給它用下去，不要懷疑！這是個不成熟的市場，均線就是這麼有用！可以非常有效的保護我們避開大跌的時間段。基本上比起長期持有，已經立於不敗之地。好的技術指標策略，可以讓你的加密貨幣部位放大到總資產的 10～30％ 都是有理的（多策略）。就算用技術指標，也不一定要太短線，長線的技術指標，也是有幫助的！為什麼我敢這麼說？請參考附上程式碼的統計結果，此程式碼，使用「天」為單位的價格做均線（超慢），但是投資的風險還是可以下降很多。

比技術指標更好訊號

參與比特幣的進階交易者也越來越多，所以除了技術指標，我會建議使用更進階的方式做交易，也就是參考「價格外數據」，也就是直接對於區塊鏈作分析，最簡單的方式，就是使用 glassnode 提供的鏈上數據，來製作策略，光是免費版就可以做出績效可觀的策略了！

加密貨幣爭議性大，屬於小眾市場，我在做課程前，就知道這堂課程不會是我主要的收入，果然我直接交易 BTC 還賺比較多（個幾倍）XD。這堂課程的目的，是幫助我自己在加密貨幣策略研發上更精進，也希望大家一起安全參與，這個將要崛起的市場！你就算不想要擇時交易，長線持有也是很不錯的，在課程中我們會用 risk parity 每個月調整部位，結合台股、美股，債券，來創造一個穩定的高報酬投資組合！

為什麼要加密貨幣交易呢？

以下總結六點，包含了數據佐證、基本面的因素，整體市場的發展前景向好，只要將「小部分」資產配置於加密貨幣，帶來可觀的影響！可以是總體資產的1％～5％，就能在有限的風險下，提升整體報酬率。

1. 多元資產配置

根據統計，只要持有一小部分的加密貨幣，即可讓資產配置組合大幅上升，當然你可能會說，誰叫比特幣過去一直上漲？但是跌幅也很大呀！

為了方便分析，我們可以使用 Markowitz 投資組合來彰顯投資加密貨幣的好處，下圖中，橫軸是風險（Volatility），縱軸是獲利（Return）。我們會發現，假如加入加密貨幣，在做資產配置最佳化後，風險從 -15％ 變成 -17%，獲利大幅上升，從+8.6% 每年，上升到＋15.6％ 每年！風險控制下，可以有效的增加報酬！

2. 市場效率低

加密貨幣比起其他國際商品，由於機構或投資法人，還沒有完全涉入加密貨幣的交易，市場效率偏低，投資人大部分都是主觀交易的業餘愛好者，價格波動比較有規律可循，適合用量化交易系統性投資，優勢非常明顯。有些加密貨幣（altcoin），甚至只要用簡單的均線，就可以創造出低風險、高報酬的策略。假如投資是一場考試，有送分題，當然要作答呀！

3. 經濟週期末稍

大國由於中美貿易戰、疫情的影響，大家對於實體經濟前景並不很樂觀（在這邊是指實體經濟，不是股市啦！）各國央行印鈔票、降低利率、資金氾濫，此時黃金、貴金屬、加密貨幣，就會有一部分的金額流入。

4. 國際機構參與

加密貨幣市場前景，相較於2017年泡沫時，有更多的應用，且區塊鏈的交易速度和成本也有所提升，日本提出加密貨幣的金融工具和交易所法案，歐盟研擬加密貨幣制度，還有 VISA 跟 MASTERCARD 這些大型機構的加持，發展支付應用程式。總體來說，產業的發展逐漸邁向穩定，前景看好。

5. 未來財富轉移

美國聯準會統計，目前 71.9% 的財富集中在 55 歲以上的人口。然而他們的投資行為比較保守，根據 Survey.blockchain.capital 統計，只有4％的人在未來五年內「可能」會買加密貨幣，相較於年輕人，有32％。當這55歲高齡人口的 71.9％ 財富，轉移到下一個世代時，加密貨幣的需求量也會有顯著的上升。

6. 目前市值

美國的大型科技藍籌股，例如 AAPL、MSFT、GOOGL、AMZN，等，市值是加密貨幣市場的數倍，另外，黃金的市值是加密貨幣的20倍以上！代表加密貨幣的價值還有很大的上漲空間。加密貨幣的帳戶人數，一直都在穩定增加中，甚至在通膨高的國家，例如委內瑞拉，擔任穩定市場價格的工具、衡量價值的單位！潛在的應用場景跟現在的市值不成正比。

雖然現在大家對加密貨幣有不好的印象，覺得是泡沫，充滿了詐騙，沒有實質用處，但是以歷史為借鏡，我們可以參考很多類似的例子：

科技的發明與普及

一個跨世代的發明，剛開始總是被人嘲笑，但到後來，往往跌破大家的眼鏡。當年，車子剛發明的時候，大家就嘲笑它旁然巨獸，聲音大聲，動不動就卡在泥坑裡，還需要隨時加油，根本沒有加油站呀！到底要怎麼開車？騎馬方便多了！

筆記型電腦剛發明時，大家都嘲笑這個比書還要重的工具，開機還要五分鐘，翻書只要幾秒鐘，何必抱著一個厚重的磚頭每天到處跑？

電燈泡剛發明的時候，大家都說燈泡是「瘋狂的有錢人」家裡的炫富裝置，一不小心還會把家整個燒掉！太可怕了！政府剛開始安置家用電網的時候，大多數人都非常抗拒，覺得非常危險，影響人身安全。「明明不需要燈泡，反正有蠟燭就很實用了！」。但到後來，隨著越來越多家電，如吹風機，電風扇，吸塵器等發明，直到現在，你能想像一個人家裡沒有電嗎？

基礎設施的建立

一項顛覆時代的產品，必定要伴隨著基礎設施的普及，才會開始越來越有用，例如燈泡之於電網、車子之於柏油路、筆記型電腦之於無線網路。當建立這些基礎設施後，這些產品的優勢突出，成為人類生活無可取代的一部份，我覺得加密貨幣也有可能成為這樣的一種存在！有很大的發展前景。

你可能會覺得 FinLab 這次賭太大，竟然跑去交易加密貨幣！對我來說，FinLab 的意義，一直沒變，努力將量化分析應用到不同的場景，擁抱最新的科技，例如是當初的 2018 年智能理財、2019年機器學習，到現在的 2020 加密貨幣，我們希望可以當幫大家，讓大家成為科技前沿的領導者。雖然可能會有人批評太激進，其實我們依然秉持初心。

新課程買課送幣

我們是真的很想讓大家可以交易加密貨幣！假如大家可以跟我們一起學習、一起交易加密貨幣，是我們莫大的榮幸！所以特別舉辦開課前三天「買課送幣」的活動，幫大家入金，可以一起參與加密貨幣的漲跌。只要在開始募資三天內（9/2～9/4）購買新課程，就可以獲得價值台幣100元的加密貨幣！跟我們一起做交易！

我已經在部落格中學很多了，這堂課有什麼新東西呢？

在新的課程中，我們進一步來研究如何用 Python 研發單一商品策略，單一商品策略，跟選股比起來，有很多不一樣的地方。例如，如何最佳化，才不會造成 overfitting？如何設定停損停利點？如何加減碼？如何多策略分配權重？

答案是，除了一般你會的暴力窮解，其實有很多的學術文章可以參考，我們也會在新的課程中介紹其中的數學原理，並且幫大家實做好程式碼，可以直接應用，相信功能上會比 Multicharts 或 XQ 有更多的實用的功能。大家只要上一次課程，就可以一輩子帶著走的程式碼與知識，比付費購買程式更划算！

這堂課程中，你可以獲得一個框架，快速研究策略，並且上架 Google Cloud Function 雲端自動交易。我們這次擁抱 Python 開源的特性，跟大家一同打造一個完整的回測生態系！在未來，希望甚至可以應用在期貨等不同的商品上。

我們的課程就是希望突破自我，學到新東西，分享新知識，所以不用擔心課程過於簡單（從來都沒發生過！XD），不同於以往的課程，我們這次特別將程式碼進行大量包裝，讓大家使用起來更方便，減低上手的時間成本。

用Python打造加密貨幣實戰策略，我們上課見！

我就在想，有沒有一種投資方法，
可以自動化投資加密貨幣，卻不用承受這麼高的風險？
於是開始研究基於加密貨幣的量化投資，
寫成一系列的文章，共12篇，一篇只需要操作 15 分鐘，
分享給大家！

為什麼要投資加密貨幣

加密貨幣當前是個小眾市場，但是有很大的潛力
從貨幣供給、基本面的角度，加密貨幣也是非常有市場的
是值得投資的商品

德意志交易所（Deutsche Bórse）
這個月發行了 BTC-E
是由 100% BTC 支持的
代表每個德國人，都可以從股票帳戶購買 BTC！

當初被世界各國禁止，
現在反而是逐漸開放，
從期貨、現貨等，進入人們的日常，
你還覺得加密貨幣沒有未來嗎？

前導：（Python x Crypto (Part 1)：為什麼是比特幣？）

然而投資跟投機往往一線之間，
像是比特幣
波動就非常大！
所以持有時加密貨幣一定要

• 少部位
• 用量化分析降低風險

買入時機： Miner Capitulation 指標

長期投資，究竟要怎麼投資比特幣？
可以參考一個很有用的指標，
不過這個指標的原理，比較複雜，
需要兩篇的時間慢慢解說：

• 用Python投資加密貨幣：比特幣操作最強指標(原理篇)
• 用Python投資加密貨幣：比特幣操作最強指標(技術篇)

學完後，你就可以製作出下面這種專業的操盤工具喔！

上述指標
在歷史上看來很準確
但是可以投資的時機真的太少了
畢竟比特幣的上漲跟下跌週期非常長

要怎麼樣可以安穩的投資加密貨幣呢？
我們可以用量化投資的方式，
只要重複做簡單的操作
就可以有效控制風險！

用 Python 做自動化投資（量化投資）

要打造一個可用的交易策略，
可以參考下方的文章
每一步程式碼都可以在 Colab 線上執行
不需要安裝和設定 Python 環境，
你可以現在就跟我們一起
來做量化投資的實驗喔！

1. 獲得歷史數據：加密貨幣爬蟲撰寫
2. 找出交易訊號：交易策略訊號實做
3. 模擬回測績效：實做回測績效驗證
4. 策略參數優化：二十倍的策略優化

學完上方單元，就能做出歷史績效高達20倍的比特幣交易策略喔！

有了以上的研究，
再加上你自己的創意，
不斷的嘗試，
就會有底氣，
可以買入人生第一枚加密貨幣了！

加密貨幣入金

然而，究竟要怎麼買？買多少？這篇文章告訴你：

• 如何投資加密貨幣
• 加密貨幣入金

上面的文章總結，
我們可以有兩種投資的方法：

1. 小額長線投資
2. 量化策略投資

其中，量化投資需要有紀律的操作，
但是，萬一訊號出現在午夜，
難道我們要熬夜操做嗎？
也太累了吧？！

所以我們也額外教大家
怎麼做一個全自動化的策略
我們是利用 Amazon Web Service （AWS）
裡面的 Lambda 功能
來自動監控策略，
決定買入賣出的喔！

策略雲端交易

使用 AWS Lambda 的好處
就是在每個月提供 400,000 GB-seconds 的額度
照著下方的教學，基本上不太會超額
讓你雲端免費自動下單交易！

• 基本功能：AWS 簡易架設
• 用 AWS 算出策略多空
• AWS 手機監控與雲端下單

有了雲端的自動執行策略，
就可以讓你 忘記交易
直到某一天 突然想起
打開手機，發現帳戶資產多了個零！（為了押韻，純屬效果XD）

用最科學的方式，投資最先進的貨幣

加密貨幣是體制上的顛覆，
加密貨幣之於傳統貨幣，就像是Uber之於計程車行一樣，
引入新的科技，必然會有一些配套措施來不及因應（詐騙、價格波動），
也會引來舊有制度的既得利益者反感。

加密貨幣的發展有些顛頗，
但長期來說，整個世代會朝著先進、便利的方向發展。
或許一百年後的未來，大家會嘲笑現在的金融體制怎麼這麼不方便呢！

FinLab 的目標，就是
希望可以在量化投資的路上，當大家的「武器製造商」！
就讓我們一起用 Python 勇闖未來吧！

如果喜歡我們的文章，也歡迎參考我們最新募資的線上課程「用 Python 理財：打造加密貨幣實戰策略」，在線上課程中，我們會更有系統、更完整地教您如何從無到有，打造10種加密貨幣實戰策略，並且能夠自動化雲端交易！有興趣的話，可以點此觀看課程介紹影片喔！

可以打開colab線上編輯python，跟著我們一起做實驗吧！
colab 是 google 提供，線上運行 python 的平台，打開後，新增一個notebook
直接一步步貼上下面的代碼，程式就會順利運行了！

獲取 python 函式庫

首先，我們要先獲取幫大家寫好的 package，可以到github上下載：

!git clone https://github.com/koreal6803/crypto_backtrader.git
%cd crypto_backtrader

上面的指令，會先將預先寫好的程式從 github 上下載下來，並且將目錄切換到 crypto_backtrader，也就是下載下來的資料夾中。

安裝一些必要的packages

接下來我們來安裝一些必要的 dependencies，這樣等會才能順利執行程式：

!pip install python-binance
!pip install bitmex
!pip install Backtesting
!pip install backtrader

加密貨幣命名方法

這篇文章中，我們爬取 BTCUSDT 的價格，BTCUSDT 這個 symbol 可以拆逞兩個部分：一個是 BTC，另一個是 USDT。BTCUSDT 代表：BTC 的價格，以 USDT 為單位，這邊為什麼我們要用 USDT 呢？因為他是跟 USD 是美元是表兄弟，USDT 是一種跟 USD 約略 1:1 兌換的穩定虛擬貨幣，USDT 的好處是：

在交易時，假如用 加密貨幣 和 法定貨幣（美元）來回交易，這種方式交易，手續費會非常高昂，例如我們以 Maicoin 買入跟賣出手續費約高達 1%。

今天我們假如使用 BTCUSDT pair 來交易，由於同樣是加密貨幣，所以手續費算是大幅的降低，目前手續費在各平台，一般的標準是0.1%，根據平台的優惠、交易量可以打折，成本算是低很多！

交易對(trading pair)的相關介紹

那廢話不多說，趕快來下載歷史資料吧！

使用幫大家寫好的加密貨幣爬蟲函式庫

我們可以使用：
from finlab import crypto
將一些好用的 function 給叫進來！

然後用：
crypto.get_all_binance 這個 function，
來獲取交易對(trading pair)。

from finlab import crypto
df = crypto.get_all_binance('BTCUSDT', '4h')
df.head()

上述這個 get_all_binance，除了幫你整理好下載資料外，還會將這些資料資料，存在 crypto_backtrader/history/crypto/ 當中，以 csv 的方式存起來，方便你用 excel、multicharts 等程式來打開。

你也可以輸入不同的 trading pair 名稱，可以binance官網查找！

下一步，我們會分享：
怎麼用 Python 回測一個簡單的交易策略！

如果喜歡我們的文章，也歡迎參考我們最新募資的線上課程「用 Python 理財：打造加密貨幣實戰策略」，在線上課程中，我們會更有系統、更完整地教您如何從無到有，打造10種加密貨幣實戰策略，並且能夠自動化雲端交易！有興趣的話，可以點此觀看課程介紹影片喔！

Pandas 是一個資料處理用的 Package，專門用來做資料處理，你可以想像它是 python 裡面的 excel，可以產生並且處理各式各樣的表格！

Pandas 操作介紹

承接著上一篇文章，我們繼續在 google colab 上進行程式的實驗此時的 df 已經是歷史資料：

就是一個 pandas.DataFrame 物件，這個物件就像是 excel 表格一樣，有很多的行跟列，每一個列都可以簡單的呼叫出來。以我們的例子，每一列都是一個時間序列：

df.Close

由上圖可知，每一列也是一種物件，叫做 pd.Series，這種物件，就是一條序列，可以想像是excel的單一一列的意思。

製作簡易的加密貨幣均線策略

pd.Series有很多特別的功能，例如計算移動窗格，我們可以用：
pd.Series.rolling()
來產生移動窗格，並且用：
pd.Series.rolling().mean()
來產生這個移動窗格的平均數，從時間序列的角度，這個就是「均線」！

sma1 = df.Close.rolling(20).mean()
sma2 = df.Close.rolling(60).mean()

df.Close.plot()
sma1.plot()
sma2.plot()

上圖中，我們將BTCUSDT的歷史紀錄 與兩條均線畫出來，會發現，時間跨度太大，導致價格跟均線看不清楚，我們可以額外 zoom in 選取「某年」來觀察，可以使用中括號來選取時間範圍：

df.Close['2020'].plot()
sma1['2020'].plot()
sma2['2020'].plot()

接下來，我們來設計交易訊號，我們希望做一個簡單的均線策略：

假如短週期均線 sma1 超過 長週期 sma2 -> 做多，反之做空。

要怎麼做出這樣的訊號呢？我們可以用不等式來進行！

不等式條件

不等式，就是所謂的「大於等於小於」，我們假如將兩條時間序列做不等式運算，在這兩條時間序列中，每一個元素會被一一拿出來比對，並且產生出新的「布林」時間序列：

condition = sma1 > sma2
condition

上圖中就是布林時間序列，每個時間點對映到「Ture」或是「False」，假如今天條件成立，也就是「sma1 > sma2」的話，該時間點對映到的就會是 True，反之則是 False。

因為我們是均線突破策略，要怎麼結合不等式，來產生均線突破條件呢？我們還需要：pd.Series.shift，這個功能。

調用「昨天」的價格 pd.Series.shift

pd.Series.shift是一個好用的function，可以將時間序列全部都往後延遲一天，例如以下的例子：

print(df.Close)
print(df.Close.shift(1))

你會發現兩者相差一天，所以在做策略時，我會傾向於，將pd.Series.shift(n)，當作是「n個時間單位前的價格」，這邊我們用的是 ‘4h’ 4小時的歷史價格，所以pd.Series.shift(1)，就是4小時前，而pd.Series.shift(2)，就是8小時前，以此類推。

假如我們只使用：pd.Series.shift()，n 不設定參數的話，pandas 會預設 n=1 喔！

結合上述的範例，產生策略訊號

我們希望的做出來的邏輯：
做多: 當(今天短週期均線 > 今天長週期均線) 且 (昨天短週期均線 < 昨天長週期均線)
做空: 當(今天短週期均線 < 今天長週期均線) 且 (昨天短週期均線 > 昨天長週期均線)

我們可以將上述中文，對映到以下的程式碼：

signal_long = (sma1 > sma2) & (sma1.shift() < sma2.shift())
signal_short = (sma1 < sma2) & (sma1.shift() > sma2.shift())

上述程式碼中的 & 就是「且」的意思。

我們可以將訊號繪製出來：

signal_long.astype(int).plot()
(-signal_short.astype(int)).plot()

以上這張圖我用 -1 顯示：賣出訊號，而 1 是買進訊號！當我們將 True False 轉換成 int 時，會轉換成「1」跟「0」的數值。

製作策略

然而我們怎麼知道，照著這個交易訊號操作，實際的績效是怎麼樣呢？下一個單元中：回測，會教大家怎麼用 backtesting 這個 package，來實做回測，模擬這個策略的績效，敬請期待！

如果喜歡我們的文章，也歡迎參考我們最新募資的線上課程「用 Python 理財：打造加密貨幣實戰策略」，在線上課程中，我們會更有系統、更完整地教您如何從無到有，打造10種加密貨幣實戰策略，並且能夠自動化雲端交易！有興趣的話，可以點此觀看課程介紹影片喔！

2020年註：因為後來有很多研究成果，所以綜合所學，系統性的量化分析、程式碼整裡放在Hahow 的課程中，文章部分維持免費不做刪減，你可以先參考這12篇文章，再來決定是不是值得更深入學習加密貨幣的量化交易喔！

新科技，如 machine learning、blockchain，或許可以說「有缺點」、「不成熟」、「尚未完善」，但同時也是充滿機會的地方！不論這是投資還是投機，我都會想要用量化交易的角度參與，這可以說是我對於程式和科技的執著吧！

研究加密貨幣 主要有以下的原因：

時間推移 – 科技的進步很快

你絕對沒辦法想像，30年前，大家對個人電腦嗤之以鼻：
「翻書1秒鐘，開機卻要3分鐘！」
「書 比 電腦 要方便太多了！」
「沒有理由大家需要電腦呀！」

今天，每個人口袋都有一台電腦：手機

加密貨幣，會不會就是30年前的筆電，雖然大家現在不看好，但未來都在用？
可能會，可能不會。這些都不是我說了算，但有一些跡象：

就在今年2020年初，德國最大銀行“德意志銀行”，做了一份對於2030年的展望報告，報告中指出： 「十年後(2030年)，加密貨幣會成為主流」，報告從供需的角度出發，列出加密貨幣成為主流的三個條件，首先就是加密貨幣在政府的眼中，必須是合法的貨幣，這可以從最近美國聯邦法院的宣判中（裁定比特幣是一種“金錢”），和近期中國、印度兩大人口密度大國對於加密貨幣的態度轉變看見。再來就是價格的波動不能太大，因為要成為交易的工具，就需要具備一定的穩定性，讓使用者有保障。最後一個條件是需要科技巨頭們，對於現行科技的整合，這可以從近期Visa、MasterCard 都即將推出自己的加密貨幣相關服務看見趨勢。

雖然這一切都還只是預測，但我們還是可以將持有比特幣，當作是買保險，因為人類的歷史，充滿戰爭，很多人因此顛沛流離，這80年以來，是世界上最和平的一段日子，究竟是人類越來越文明？未來不會有任何戰爭，還是說世界的動盪 就像是經濟一樣會循環，我們剛好處在和平的週期？

設想一個最糟糕的狀況：房子被強制徵收、國家貨幣大幅貶值、臨時離開住所，輕裝逃往其他國家，要是這些事情都發生了，你可以什麼都沒有、什麼都不帶，只要有比特幣的公鑰私鑰(帳號密碼)，一切都能卷土重來！

這是個真實存在的例子，就在2018年，南美洲盛產石油的國家“委內瑞拉”，因為油價的崩盤，委內瑞拉政府選擇了印更多的鈔票來解決債務問題，而導致了通貨膨脹率單一年就來到了2,688,670%，委內瑞拉人民的解套方式就是換購比特幣，以比特幣做匯款、交易的媒介，或是只有在交易的當下瞬間用比特幣換當地的貨幣做買賣交易！

3. 比特幣價值正反方分析

正方

1. 比特幣具有稀缺性，總發行量為2100萬枚，不同於傳統的法定貨幣，可以無限制的膨脹和發行，比特幣具有定量的限制，相較於法定貨幣，有隨著時間推移不斷升值的趨勢，由於這個特質，比特幣也被稱為「人造黃金」。
2. 可分割性，可以分為一億個中本聰單位，在交易過程中更加便利和靈活。
3. 可移植性，比特幣的產生和交易都是通過網路，為最高可移植性的貨幣。
4. 可代替性，就像一克純金始終等於另一克司純金一樣。無論發生什麽情況，一個比特幣仍然是與另一個比特幣可互換的價值象徵。
5. 耐用性。任何比特幣或中本聰都可以無數次重覆使用而不會降低性能。

當然，不能一直說比特幣的優點，避而不談缺點，比特幣也受到很多挑戰，遭反方批評為缺乏價值的根據：

反方

1. 任何人都可以複製區塊鏈的程式碼，發起 ICO 募資，造成詐騙的氾濫，影響加密貨幣的價值。
2. 目前大部分的國家並不採用加密貨幣作為法定貨幣，甚至不承認加密貨幣交易的合法性，所以貨幣安全得不到保障，詐騙頻傳。民眾質疑加密貨幣的價值。
3. 波動大，除了穩定幣外，不適合拿來做日常生活用品之交易

綜合優缺點

前五個優點是貨幣性質，而後三點挑戰，是屬於法律、管制的問題。隨著時間，前五點優勢不會改變，而後三個缺點會慢慢被克服。

另外，因為比特幣難監管，導致各國剛開始時非常排斥（但最近變成是愛恨交織就是了XD），加密貨幣存在的意義，就是要等時間來慢慢證明了。

所以綜合以上的結論

在或近或遠的未來，比特幣應該存在著某種地位。所以我看好此產業的前景，但是也有看錯的可能！好在這個世界，不是非善即惡、非黑及白，不用全面的樂觀或悲觀，梭哈或戒慎恐懼。
　
而是要設計一套邏輯
假如對了，可以多賺一點
假如錯了，只好小虧一點
這就是交易！

要怎麼知道資金要投入多少呢？假如是 buy & hold 的話，風險滿大的，簡單的方式：想像，你「單一天」可以承受最大虧損？差不多就投資這麼多吧！因為比特幣下跌個70％ 80％都是有發生過的！

假如是研究量化交易，有效控制風險的話，就可以將部位再提高一點，接下來就來建置 Python 交易系統，讓我們投資的風險可防可控！在下個單元中，我們會教大家如何爬取比特幣的歷史價格，好讓我們實作投資加密貨幣的交易策略喔！歡迎追蹤我們的粉絲專頁，來訂閱最新的教學分享喔！

如果喜歡我們的文章，也歡迎參考我們最新募資的線上課程「用 Python 理財：打造加密貨幣實戰策略」，在線上課程中，我們會更有系統、更完整地教您如何從無到有，打造10種加密貨幣實戰策略，並且能夠自動化雲端交易！有興趣的話，可以點此觀看課程介紹影片喔！