Application of Predictive Models in Bitcoin Forecasting and Risk Management

Beata Butryn; Kamil Lupa

doi:10.15611/pn.2026.3.05

Autor

Beata Butryn ✉️ Wroclaw University of Economics and Business
[email protected] https://orcid.org/0000-0003-4992-3044
Kamil Lupa Wroclaw University of Economics and Business

DOI:

https://doi.org/10.15611/pn.2026.3.05

Słowa kluczowe:

model predykcyjny, model Stock-to-Flow, bitcoin

Abstrakt

Cel: Celem artykułu jest ocena statystycznej istotności modelu Stock-to-Flow (S2F) w prognozowaniu wartości bitcoina do 2030 roku oraz jego przydatności w zarządzaniu ryzykiem.

Metodyka: Wykorzystano metodę opartą na analizie ilościowej modelu Stock-to-Flow (S2F). Zgromadzono dane ceny bitcoina oraz odpowiadające im wartości wskaźnika S2F od 2009 do 2025 roku, które zostały sformatowane i oczyszczone ze zbędnych informacji. Następnie zdefiniowano model predykcyjny w postaci regresji logarytmiczno-liniowej. W kolejnym kroku dokonano ceny statystycznej stopnia dopasowania modelu do danych. Na końcu zostały wyznaczone konkretne wartości prognozowanych oraz identyfikacja potencjalnych punktów zwrotnych w cyklach cenowych.

Wyniki: Wyniki analizy ilościowej opartej na modelu Stock-to-Flow (S2F) wskazują na silną statystyczną relację między rzadkością bitcoina, a jego ceną rynkową w badanym okresie. Model S2F pomimo swoich ograniczeń uwzględniających wyłącznie stronę podażową, pomijając gwałtowne zmiany po stronie popytowej, wykazuje wysoką zdolność predykcyjną dla trendów średniookresowych i umożliwia identyfikację faz rynkowych, co czyni go użytecznym instrumentem w procesie ograniczania ryzyka inwestycyjnego.

Implikacje i rekomendacje: Model Stock-to-Flow jest narzędziem pomocnym w ocenie długoterminowej dynamiki podażowej bitcoina oraz roli cykli halvingowych jako mechanizmu deflacyjnego. W kontekście zarządzania ryzykiem na rynkach finansowych oferuje on użyteczną ramę czasową do zidentyfikowania cyklicznych wzorców i wspomagania decyzji alokacyjnych w horyzoncie wieloletnim. Dla zwiększenia skuteczności zarządzania ryzykiem powinien stanowić element hybrydowy z innymi metrykami on-chain (np. liczba nowych użytkowników sieci, cena ich zakupu) czy miarami ryzyka, takimi jak VaR.

Oryginalność/wartość: Wykorzystanie kryptowalut i modeli predykcyjnych w zarządzaniu ryzykiem na rynkach finansowych pokazało wymierne korzyści, wynikające z ich zastosowania. Oszacowano potencjał średniookresowych modeli do przewidywania przyszłych wartości oraz oceny ich przydatności w skutecznej strategii zarządzania ryzykiem inwestycyjnym na dojrzewającym rynku kryptowalut.

Pobrania

Statystyki pobrań niedostępne.

Bibliografia

Bergsli, L. Ø., Lind, A. F., Molnár, P., & Polasik, M. (2022). Forecasting Volatility of Bitcoin. Research in International Business and Finance, 59, 101540. https://doi.org/10.1016/j.ribaf.2021.101540

Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time Series Analysis: Forecasting and Control (5th ed.). Wiley.

Changchit, C., Cutshall, R., Pham, L., & Bland, E. (2025). Psychological and Technological Factors Shaping Cryptocurrency Investment: The Moderating Role of Personality Traits. Acta Psychologica, 260, 105606. https://doi.org/10.1016/j.actpsy.2025.105606

Dixon, M. F., Halperin, I., & Bilokon, P. (2020). Machine Learning in Finance: From Theory to Practice. Springer. https://doi.org/10.1007/978-3-030-41068-1

Hull, J. C. (2023). Risk Management and Financial Institutions (6th ed.). Wiley.

Katsiampa, P. (2017). Volatility Estimation for Bitcoin: A Comparison of GARCH Models. Economics Letters, 158, 3-6. https://doi.org/10.1016/j.econlet.2017.06.023

Kristoufek, L. (2015). What Are the Main Drivers of the Bitcoin Price? Evidence from Wavelet Coherence Analysis. PLOS ONE, 10(4), E0123923. https://doi.org/10.1371/journal.pone.0123923

Kyriazis, N. A. (2020). Herding Behaviour in Digital Currency Markets: An Integrated Survey and Empirical Estimation. Heliyon, 6(8), e04752. https://doi.org/10.1016/j.heliyon.2020.e04752

Lee, K., & Jeong, D. (2023). Too Much Is Too Bad: The Effect of Media Coverage on the Price Volatility of Cryptocurrencies. Journal of International Money and Finance, 133, 102823. https://doi.org/10.1016/j.jimonfin.2023.102823

M’bakob, G. B. (2024). Bubbles in Bitcoin and Ethereum: The Role of Halving in the Formation of Super Cycles. Sustainable Futures, 7, 100178. https://doi.org/10.1016/j.sftr.2024.100178

Morillon, T. G., & Chacon, R. G. (2022). Dissecting the Stock-to-Flow Model for Bitcoin. Studies in Economics and Finance, 39(3), 506-523. https://doi.org/10.1108/SEF-10-2021-0409

Nakamoto, S. (2008). Bitcoin: A Peer-to-Peer Electronic Cash System. Bitcoin. Retrieved August 31, 2026, from https://bitcoin.org/bitcoin.pdf

Omole, O., & Enke, D. (2024). Deep Learning for Bitcoin Price Direction Prediction: Models and Trading Strategies Empirically Compared. Financial Innovation, 10, 117. https://doi.org/10.1186/s40854-024-00643-1

PlanB. (2019). Modeling Bitcoin’s Value with Scarcity. Medium. Retrieved August 31, 2026, from https://medium.com/@100trillionUSD/modeling-bitcoins-value-with-scarcity-91fa0fc03e25

Shahbazi, Z., & Byun, Y.-C. (2022). Machine Learning-Based Analysis of Cryptocurrency Market Financial Risk Management. IEEE Access, 10, 37848-37856. https://doi.org/10.1109/ACCESS.2022.3162858

Shelton, A. (2024). Bitcoin Return Prediction: Is It Possible via Stock-to-Flow, Metcalfe’s Law, Technical Analysis, or Market Sentiment? Journal of Risk and Financial Management, 17(10), 443. https://doi.org/10.3390/jrfm17100443

Wątorek, M., Drożdż, S., Kwapień, J., Minati, L., Oświęcimka, P., & Stanuszek, M. (2021). Multiscale Characteristics of the Emerging Global Cryptocurrency Market. Physics Reports, 901, 182. https://doi.org/10.1016/j.physrep.2020.10.005

Zahid, M., Iqbal, F., & Koutmos, D. (2022). Forecasting Bitcoin Volatility Using Hybrid GARCH Models with Machine Learning. Risks, 10(12), 237. https://doi.org/10.3390/risks10120237