🧭 3 Modelos de "Valuation" do Bitcoin
Conheça e manipule projeções baseadas no "custo de produção", "potencial comunicacional" e "taxa de escassez" do ativo.
De onde vem o valor do Bitcoin? Como quantificá-lo?
Estas perguntas fascinam economistas e tecnólogos há mais de 10 anos.
No fórum em que a semente do Bitcoin foi lançada, o debate já era controverso — alguns cientistas postulavam que o BTC jamais capturaria valor monetário não-negligível. Outros (o próprio Satoshi, por exemplo) propunham que seu valor se tornaria autoevidente conforme crescesse seu custo de produção.
Por mais que "projetar preços" faça parte da cultura bitcoiniana desde o começo (Hal Finney, em 2009, "chutara" um market cap de 1 trilhão de dólares em algum ponto indefinido no futuro), demorou até que o valor do ativo fosse estudado sob o prisma das variáveis que lhe são únicas.
Foi Trololo (2014) quem inaugurou o campo que, a essa altura, podemos chamar de "estudos criptoeconômicos".
Regredindo preços de mercado do BTC contra o tempo, criou um modelo logarítmico que previu a chegada aos U$10.000 com poucos dias de imprecisão — isto quando 1 bitcoin ainda valia ~U$275!
Desde então, uma variedade de modelos emergiram. Podemos classificá-los de acordo com o aspecto do ativo que escolhem focar:
🔧 Manipule você mesmo as previsões dos modelos a seguir: CLIQUE AQUI.
⚡ Equivalência à Energia
Driver de valor: energia gasta na produção do ativo
Autor: Charles Edwards
Equação (original):
valor = ([hashrate * eficiência média dos mineradores]/ taxa de crescimento da oferta) * custo da energia
Modelos de “custo de produção” têm raízes na economia clássica — Adam Smith foi quem introduziu a ideia de que preços de mercado para commodities gravitam em direção à soma de seus custos de produção.
Satoshi Nakamoto explicou essa lógica em uma postagem, na qual discorre sobre seu famoso mecanismo de ajuste de dificuldade: “Se o preço está abaixo do custo, a produção desacelera. Se o preço está acima do custo, há espaço para se lucrar produzindo e vendendo. Ao mesmo tempo, o aumento na produção eleva a dificuldade, empurrando o custo de produção em direção ao preço de mercado”.
A aplicação de modelos deste tipo ocorreu por necessidade. Na ocasião da primeira “listagem” do BTC em bolsa — New Liberty Standard, em 2009 — o preço inicial foi calculado aproximando-se o custo, em eletricidade, para se minerar uma moeda.
Hayes (2015) publicou o primeiro tratamento formal da ideia, ponderando variáveis como o custo de eletricidade, a eficiência da tecnologia de mineração em voga, o preço do BTC e a dificuldade do protocolo.
O Cambridge Bitcoin Electricity Consumption Index (2017) popularizou a estimativa de limites mínimos e máximos para o consumo elétrico total da mineração de Bitcoin.
Edwards (2019) apresentou hipótese que chamou de Equivalência à Energia, na qual o preço de mercado é modelado por variáveis como a quantia de bitcoin sendo minerados, a quantidade de energia elétrica sendo gasta e o custo dessa energia.
Neste modelo, o valor de 1 bitcoin é representado, em última instância, como função dos joules gastos para produzi-lo.
🌐 Lei de Metcalfe
Driver de valor: potencial comunicacional da rede
Autor: gbianchi
Equação (original):
valor = n²
A Lei de Metcalfe propõe que o valor de uma rede de comunicações é proporcional ao quadrado do número de usuários conectados a ela.
Parte da constatação de que cada novo usuário n pode fazer (n — 1) conexões com outros usuários do sistema. Se considerarmos cada conexão como tendo valor equivalente, o valor total das conexões que podem ser estabelecidas é proporcional a n(n — 1)/2; fórmula que assintoticamente tende a n².
A Lei de Metcalfe já foi muito discutida no contexto de redes sociais. Quando se trata de criptoativos, há uma questão importante: como quantificar usuários? Por mais que a blockchain seja transparente e nos permita extrair todo tipo de proxy, não existe uma medida precisa para “número de usuários ativos” (como é frequente no caso de redes sociais).
A primeira aplicação de que temos notícia é gbianchi (2014), cujo principal insight foi testar diferentes proxies para "número de usuários de bitcoin" (ficando, enfim, com o "nº de endereços com saldo zero").
Franek (2018) e Kalichkin (2018) usaram previsões feitas a partir da Lei de Metcalfe para identificar períodos de super e subvalorização, introduzindo inclusive razões do tipo preço-Metcalfe.
Peterson (2018) inaugurou o estudo do modelo usando como input o número de carteiras criadas até então em um serviço específico — blockchain.info.
Na seção de "Modelos" dessa plataforma, você pode escolher entre usar como input tanto o número de endereços ativos (que fizeram pelo menos uma transação nos últimos 30 dias) quanto o número de transações (excluindo trocos e transferências de valor nulo).
🚰 Stock-to-Flow (Estoque-sobre-Fluxo)
Driver de valor: escassez do ativo
Autor: Plan ₿
Equação (original):
valor = 0.4 * SF³
O “stock to flow” (S2F, ou, em português, taxa de escassez) é uma medida de raridade, aplicada normalmente a commodities.
Ela responde à pergunta: “se o fluxo atual continuar, em quanto tempo o estoque dobra”?
A ideia é que quanto mais escasso for o ativo, mais ele deve valer.
Ao regredir o S2F do bitcoin contra sua capitalização de mercado (ambos em log. natural — ln), Plan ₿ encontrou uma correlação linear com ótimo fit.
O que isso significa? Que há boas chances de haver uma relação linear não-espúria entre as séries temporais ln(S2F) e ln(Mcap).
A regressão linear entre ln(S2F) e ln(Mcap), numa amostra de 111 dados mensais, produz um coeficiente de determinação (R²) de 95%, significância F = 2.3E-17 e valor-p = 2.3E-17. Estes números sugerem uma probabilidade baixa de que a relação encontrada seja causada pelo mero acaso.
O modelo do stock-to-flow é provavelmente o mais testado dentre os listados aqui. Atraiu uma legião de críticos e defensores, tendo sido submetido a uma miríade de métodos estatísticos. Uma propriedade que poucos modelos ostentam é a da cointegração. Dizer que a projeção do stock-to-flow e os preços do bitcoin são cointegrados significa reconhecer que suas diferenças são estacionárias (as séries "se movem juntas").
Se você quiser ler mais sobre o modelo do Stock-to-Flow, clique aqui.