Краткое содержание книги «Криптовалюта: Фундаментальный анализ на Python» Ярослав Суков: Python

В этом кратком содержании книги «Криптовалюта: Фундаментальный анализ на Python. Ярослав Суков» Ярослав Суков раскрывает методологию перехода от субъективного трейдинга к объективному анализу цепных данных (on-chain data). Книга стала практическим руководством для тех, кто хочет не просто следить за ценой Bitcoin, а понимать истинные экономические процессы внутри сети. Здесь вы найдёте основные идеи, ключевые выводы и практическое применение кода на Python для оценки фундаментальной стоимости цифровых активов в жизни.

⚡ Ключевые идеи за 60 секунд

• ✅ Метрики — это язык рынка. Вы научитесь читать данные блокчейна (MVRV, SOPR) так же легко, как финансовые отчёты компаний. MVRV Z-Score, например, исторически точно указывает на макро-дни.
• ✅ Python — скальпель аналитика. Книга учит автоматически тянуть данные через APIs (CoinGecko, Glassnode, Dune Analytics) и парсить сырые транзакции через RPC-узлы.
• ✅ Стейблкоины — ключ к ликвидности. Автор доказывает, что анализировать потоки USDT/USDC важнее, чем смотреть на свечи: рост стейблкоинов на биржах — сигнал к покупке.
• ✅ Сравнительный анализ сетей. Вы узнаете, как считать "цену за транзакцию" и "активные адреса" для оценки реального использования сети (Network Effect).
• ✅ Формулы инвестора. Ярослав Суков выводит авторские индексы для оценки справедливой стоимости на основе хешрейта и сложности добычи.

---

Криптовалюта: Фундаментальный анализ на Python. Ярослав Суков: краткое содержание по главам

Глава 1: Метафизика блокчейна vs. Таблицы Excel — почему фундаментальный анализ победил

Ярослав Суков начинает не с кода, а с философии. Он сравнивает технический анализ (ТА) с гаданием на кофейной гуще при условии полной прозрачности сети. Автор утверждает, что в мире, где любая транзакция записана в публичный реестр, полагаться только на "голову и плечи" — архаизм. Он вводит понятие данных первой степени (first-party data) в крипте. Например, цена может быть манипулируемой на бирже (всплеск ликвидаций), но количество уникальных кошельков с балансом >0.1 BTC — честный показатель принятия.

"Свечной график показывает, что произошло. Блокчейн показывает, почему это произошло." — Ярослав Суков.

Практический пример: Автор приводит кейс мая-июня 2021 года, когда цена Bitcoin упала на 50%, но метрика "Hash Ribbon" (средняя хешрейта) сгенерировала сигнал к покупке за 2 недели до отскока. Python-скрипт, написанный в этой главе, автоматически загружает данные о хешрейте с coinmetrics.io и строит скользящие средние для выявления капитуляции майнеров.

Глава 2: Первый скрипт — парсинг основ: От CoinGecko до собственного датафрейма

Здесь автор переходит к чистому программированию. Вы освоите библиотеки requests, pandas и plotly. Главная цель главы — собрать исторические данные по цене и объёму для любого актива (список из 5000+ монет) и записать их в CSV. Суков учит работать с лимитами API (rate limiting) и кэшировать данные, чтобы не банят ключи. Отдельный блок посвящён динамической очистке данных (outlier detection): он показывает, как фильтровать выбросы объёмов, вызванные "свечными манипуляциями" (wash trading).

Ключевая мысль: "Грязные данные — это бомба замедленного действия. Python-скрипт, который не чистит данные, опаснее, чем бездействие."

Практический пример: Создание функции get_historical_data('bitcoin', '01-01-2018', '01-01-2024'), которая возвращает датафрейм с колонками: Date, Price, Volume, Market_Cap. Вы также научитесь добавлять колонку "Логарифмическая доходность" (log returns) для нормализации распределения.

Глава 3: Метрики стоимости Меткалфа — активность сети как справедливая цена

Самая важная глава с точки зрения инвесторов. Ярослав Суков подробно разбирает закон Меткалфа (ценность сети пропорциональна квадрату числа пользователей). Но он идёт дальше: он учит адаптировать формулу для криптовалют. Вводится понятие NVT Ratio (Network Value to Transactions) — аналога P/E для блокчейна.

Вы научитесь писать код для расчёта NVT:
NVT = Market Cap / Daily Transaction Volume in USD.

Автор показывает, как строить Z-Score для NVT. Если NVT находится выше 2 стандартных отклонений от скользящего среднего — актив переоценён. Если ниже — недооценён. Отдельно разбирается модификация NVT Signal (с медианным сглаживанием), которая даёт меньше ложных сигналов.

Сравнение метрик оценки справедливой стоимости

Метрика	Аналог в TradFi	Данные для Python	Сигнал перекупленности (Z-Score > 2.5)
NVT Ratio	P/E (Price to Earnings)	Bitcoin (Glassnode API)	Цена выше ончейн-активности
MVRV Z-Score	Price to Book	Реализованная капитализация из RPC-ноды	Прибыль всех держателей > среднего х2
NUPL (Net Unrealized Profit/Loss)	Сентимент (Fear & Greed)	Разница между MVRV	Стадия "Эйфория – Greed"
Puell Multiple	Индикатор майнеров	CoinMetrics API (USD Revenue)	Доход майнеров выше среднего в 3x

Практический пример: Создание дашборда, который автоматически предупреждает, когда MVRV Z-Score Bitcoin превышает 7 (исторические вершины 2013, 2017, 2021). Та же логика применяется к альткоинам, но с другими порогами (например, для ETH порог Z-Score = 5).

Глава 4: Когорта стейблкоинов — "умные деньги" и приливы ликвидности

Ярослав Суков утверждает, что стейблкоины (USDT, USDC, DAI) — это "кровь рынка". Рост их предложения на биржах (Exchange Inflow) означает скрытую покупательную способность. Падение — бегство в фиат.

Книга учит парсить данные об эмиссии стейблкоинов из блокчейна Ethereum (через Etherscan API и Dune Analytics) и строить метрику Стейблкоин-Премия. Если USDT доминирует на рынке с ростом цены BTC — это признак здорового ралли. Если доминирует USDC при падающем BTC — это отток капитала.

Автор внедряет индекс MPC (Market Propensity to Consume) — скорость обращения стейблкоинов. Высокая скорость → спекулятивная активность (близко к коррекции). Низкая скорость → накопление.

"Следить за ценой без мониторинга стейблкоинов — это всё равно, что смотреть на термометр, но не знать, стоит ли печь."

Глава 5: DeFi, TVL и модели дисконтированного денежного потока (DCF) для токенов

Здесь Суков выходит за рамки Bitcoin и переходит к оценке DeFi-протоколов (Uniswap, Aave, Lido). Он учит рассчитывать TVL (Total Value Locked) и приводить его к единой валюте (USD), а затем сравнивать с токенизированной стоимостью (Fully Diluted Valuation).

Новинка книги — модель DCF для токенов. Автор показывает, как применить классический DCF (Discounted Cash Flow) к протоколу, который генерирует комиссии (fees). Вы напишете код, который:

• Собирает исторический объём комиссий (через The Graph subgraph).
• Экстраполирует рост TVL (регрессия).
• Дисконтирует будущие комиссии обратно в текущую стоимость.

Кейс-стади: Оценка токена UNI. Если текущая комиссия протокола ~$10M/день, а токен стоит $5, то годовое P/E = (Price / (Fees / Circ. Supply)) < 15 → недооценка.

Глава 6: Реализованная капитализация — правда, скрытая под капотом

Финальная глава посвящена самому сложному — Реализованной капитализации (Realized Cap). В отличие от обычной капитализации (Price * Supply), Realized Cap считает каждый UTXO по цене последнего перемещения.

Ярослав Суков учит парсить сырые блоки через bitcoinlib или web3.py, чтобы восстановить стоимость приобретения каждого монета. Это даёт возможность строить MVRV Ratio (Market Value / Realized Value) с точностью до блока. Вы научитесь выявлять "умные деньги" — адреса, которые покупали на дне и не двигали монеты годами.

Автор вводит понятие Thermocap — кумулятивная стоимость всех сожженных комиссий (историческая стоимость добычи). Сравнение Thermocap с Realized Cap показывает, дёшево ли сейчас добывать новый блок.

Основные идеи книги Ярослав Суков: как применить

Книга — не просто теория, а пошаговый рецепт. Вот как внедрить её идеи в свою инвестиционную или trading-деятельность:

1. Соберите "холодильник" данных. Раз в день запускайте Python-скрипт, который загружает NVT, MVRV, SOPR по вашему активу в PostgreSQL. Это ваша основа для принятия решений.
2. Введите пороги Z-Score. Не входите в позицию, пока ончейн-метрики (например, MVRV Z-Score) не укажут на зону страха (Z < -1). Исторически это даёт лучший R/R.
3. Следите за "кровью". Настройте телеграм-бота, который оповещает вас, когда резко меняется баланс стейблкоинов на биржах (CoinGlass API). Резкий приток USDT → потенциальный отскок.
4. Оценивайте DeFi как бизнес. Используйте код из главы 5 для расчёта P/S (Price to Sales) для любого токена. Если P/S < 3, а протокол растёт — покупайте актив.
5. Сравнивайте с историей. Стройте графики "Цена vs. Средняя цена покупки сети" (Realized Price). Если цена находится ниже Realized Price — вы покупаете с дисконтом к среднему.

❓ Часто задаваемые вопросы

• Чему учит книга «Криптовалюта: Фундаментальный анализ на Python. Ярослав Суков»?
  Она учит писать код на Python для сбора, очистки и анализа ончейн-данных (MVRV, NVT, стейблкоины) для оценки справедливой стоимости криптовалют, а не просто смотреть на графики цены.
• В чём главная мысль автора?
  Крипторынки — это не казино, а прозрачная экономическая система. Цена — это шум, а фундаментальные метрики блокчейна (активные адреса, транзакции, хешрейт) — это сигнал. Python нужен для автоматического выявления этих сигналов.
• Кому стоит прочитать?
  Data Scientist'ам, которые хотят войти в Web3-аналитику; трейдерам, уставшим от "пампов и дампов"; и розничным инвесторам, которые хотят принимать решения на основе данных, а не эмоций.
• Как применить в жизни?
  Начать с малого: запустить скрипт из главы 2 для сохранения цены BTC за 5 лет. Затем добавить метрику MVRV. Увидеть, как цена упала до $16k (2022), а MVRV показала "перепроданность". Это и есть применение.

🏁 Выводы и чек-лист

Криптовалюта: Фундаментальный анализ на Python. Ярослав Суков — это не просто книга, а конструктор для создания собственной аналитической системы. Вы больше не будете слепо доверять "бычьим" прогнозам в Twitter. Вы сможете открыть Jupyter Notebook, запустить скрипт и сами увидеть, что реализованная капитализация (Realized Cap) растёт быстрее рыночной — значит, ходлеры накапливаются. Рекомендуем прочитать оригинал, чтобы увидеть полный код всех индикаторов. Если вы устали от "криптозомби" и хотите стать настоящим аналитиком данных, эта книга — ваш учебник.

Для более глубокого понимания психологии рынка и выхода из "мышеловки" импульсивных решений, рекомендуем также ознакомиться с нашей статьёй о Привычка быть счастливым: как отключить эмоции и включить логику в трейдинге. А если хотите расширить кругозор в области системного мышления и моделей принятия решений, прочтите Жизненно важные модели: как не ошибаться, оценивая сложные системы.

✅ Чек-лист для самопроверки:

• Умею подключаться к CoinGecko API через requests и pandas.
• Рассчитал NVT Ratio для Bitcoin за последний квартал.
• Построил график MVRV Z-Score, используя формулу из книги.
• Настроил парсинг притока стейблкоинов (USDT) на биржи.
• Могу отличить "здоровое ралли" (рост TVL + комиссий) от "спекулятивного пампа".