（来源：上林下夕）

摘要

      本文旨在深入探讨加密货币领域中两大重要估值模型——MC公式与存量-流量模型的内在联系与应用方法。随着数字货币市场的快速发展，如何准确评估加密货币价值成为学术界和实务界的核心问题。S2F模型由匿名分析师PlanB推广，侧重于从稀缺性角度评估加密货币价值；而MC公式（Magic City Formula ）则基于货币数量理论，通过分析货币流通速度与替代效应来评估加密货币对传统货币体系的影响（松桂堂主/《

“空气黄金”冲击全球法定货币币值：比特币带来的货币超发、硬通货膨胀问题与非美元经济体的应对策略浅析（MC公式）》）。本研究通过构建统一的理论框架，系统分析两种模型的理论基础、互补关系及应用场景，并结合实证数据验证其在实际市场环境中的有效性。研究结果表明，将两种模型结合使用能够提供更为全面精准的加密货币估值视角，为投资者、研究人员及政策制定者提供重要的分析工具。

关键词：加密货币估值；S2F模型；MC公式；稀缺性；货币流通速度；蒙特卡洛模拟

1 引言

       加密货币市场历经十余年发展，已形成数万亿美元规模的金融生态系统，而如何合理评估加密货币的内在价值则成为学界与业界的核心挑战。传统金融估值模型在应对加密货币这一新兴资产类别时常显不足，主要原因在于加密货币具有去中心化、高波动性、技术复杂性及与传统资产相关性低等特点。在这一背景下，多种针对性估值模型应运而生，其中以PlanB提出的存量-流量模型和基于货币数量理论的MC公式最为典型，二者从不同视角揭示了加密货币的价值决定机制。

       S2F模型源于商品货币领域，尤其适用于黄金、白银等贵金属的估值。该模型的核心论点是：资产的稀缺性（即存量与流量比率）是驱动其长期价值的关键因素。PlanB将其应用于比特币估值，发现比特币的市场价值与S2F比率间存在显著的统计相关性，并据此预测比特币长期价值将显著增长。然而，S2F模型在数学上本质是发散的，随着时间推移，S2F比率将趋于无穷大，导致估值预测可能偏离实际市场情况。为此，一些学者提出了收敛性更好的替代模型，如未来供给量模型，但S2F模型仍因其简洁性和历史拟合度而广受关注。

      相比之下，MC公式（ΔM_total = Σ(MC_i × (V_c_i / V_f) × α_i)）提供了一个更为宏观的分析框架，旨在量化整个加密货币生态系统对传统货币体系的综合影响。该公式通过纳入不同加密货币的市值(MC_i)、相对流通速度(V_c_i / V_f)和替代系数(α_i)，捕捉了加密货币作为交易媒介和价值存储工具的双重属性。MC公式的理论基础可追溯至货币数量理论和新货币经济学，特别强调不同货币在功能上的替代效应。

     目前，学术界对这两种模型的比较与整合研究尚不充分。大多数文献仅侧重于单一模型的有效性检验，而忽视了两者之间的内在联系与互补潜力。本文的创新点在于：通过构建统一的理论框架，系统剖析S2F模型与MC公式的理论基础、优势局限性与互补性；提出结合两种模型的综合应用方法；利用历史数据验证其实际效果；并探讨未来研究方向。本研究有助于推动加密货币估值理论的完善，为市场参与者提供更全面的决策参考。

      本文结构安排如下：第二部分详细介绍S2F模型与MC公式的理论基础；第三部分深入分析两种模型的内在联系；第四部分阐述方法论与实证应用框架；第五部分提供案例研究；第六部分讨论研究局限与未来方向；最后部分总结全文。

2 加密货币估值模型的理论基础

2.1 存量-流量模型的理论框架

     存量-流量模型最初应用于商品市场，用于评估如黄金、白银和基本金属等商品的稀缺性价值。PlanB在2019年首次将该模型系统应用于比特币估值，并随后推出了改进版的S2FX模型，引起了学术界和实务界的广泛关注。S2F模型的核心在于衡量资产的稀缺性，其基本公式为：

S2F比率 = 现有总存量 / 年新增产量

    对于比特币而言，"现有总存量"指的是已经挖出并处于流通状态的比特币总数，而"年新增产量"则代表未来一年通过挖矿新产生的比特币数量。S2F比率越高，代表资产越稀缺。PlanB通过回归分析发现，比特币的市场价值与S2F比率之间存在幂律关系，具体表达式为：

市值 = a × (S2F)^b

     其中a和b为常数，PlanB的原始模型中b的取值约为3。这意味着S2F比率每增加一倍，比特币市值将增加约8倍。这一关系使得S2F模型能够对比特币的长期价值走势提供预测。随着比特币每隔四年的减半事件，其新增供应量逐步减少，S2F比率显著提升，推动市值增长。

     然而，S2F模型也存在明显局限性。首先，该模型在数学上本质是发散的，随着时间推移，S2F比率将趋于无穷大，导致估值预测可能偏离实际。其次，模型过度依赖稀缺性单一因素，而忽视了市场需求、流动性、监管环境等影响因素。此外，该模型在预测短期价格波动方面表现不佳，更适用于长期趋势判断。

2.2 MC公式的理论构成

     MC公式（ΔM_total = Σ(MC_i × (V_c_i / V_f) × α_i）提供了一个截然不同的分析视角，侧重于评估加密货币对传统货币体系的整体影响。该公式基于货币数量理论和货币替代理论，试图量化加密货币对传统货币功能的替代程度。

MC公式的各个组成部分具有明确的经济学含义：

MC_i（市值）：反映特定加密货币资产的市场规模与价值存量，直接源于金融市场基础分析，是衡量任何可交易资产规模的核心指标。

V_c_i / V_f（流通速度比）：衡量加密货币相对于传统法币（如美元）的流通效率，核心源于货币数量论的交换方程式"MV=PQ"中的货币流通速度（V）。

α_i（替代系数）：调整系数，用于刻画不同加密货币在功能上对法币的替代程度差异，思想源于货币替代理论。

     MC公式的创新性在于将传统货币经济学中的核心概念应用于加密货币这一新兴领域，并进行了结构化整合。该公式认识到不同加密货币具有不同的功能定位，例如，比特币更侧重于价值存储，而稳定币更侧重于交易媒介。因此，在应用MC公式时，需要根据不同类型的加密货币设定相应的替代系数α_i。

     与S2F模型相比，MC公式具有更广泛的应用范围，不仅可以评估单一加密货币，还可以分析整个加密货币生态系统对传统货币体系的影响。然而，MC公式也面临参数估计的挑战，特别是如何准确测量加密货币的流通速度V_c_i和替代系数α_i。

表1：S2F模型与MC公式的比较

3 MC公式与S2F模型的内在联系

3.1 稀缺性与货币速度的辩证关系

      S2F模型与MC公式虽然从不同角度分析加密货币价值，但二者之间存在深刻的内在联系。这种联系首先体现在稀缺性(S2F)与货币流通速度(MC公式中的V_c_i)之间的辩证关系上。根据货币经济学理论，资产的稀缺性会影响其作为价值存储工具的吸引力，进而影响其流通速度。高S2F比的资产更可能被持有而非用于交易，从而导致流通速度下降。这一关系在比特币发展中尤为明显：随着比特币稀缺性增加，其价值存储功能增强，但交易媒介功能相对减弱。

      从数学角度看，两种模型可以建立动态关联。假设加密货币的流通速度V_c_i与其稀缺性(S2F)之间存在函数关系V_c_i = f(S2F)，且f为减函数（即稀缺性增加导致流通速度下降），则MC公式中的V_c_i/V_f可以表示为S2F的函数。进一步地，加密货币市值MC_i本身也可能受稀缺性影响，如S2F模型所描述。通过这种联系，可以将S2F模型的稀缺性分析纳入MC公式框架，形成更全面的估值方法。

3.2 存量与流量分析的统一框架

       S2F模型和MC公式都涉及存量与流量的分析，只是侧重点不同。S2F模型直接比较存量（现有供应量）与流量（年新产量），强调资产的稀缺性。而MC公式则通过市值(MC_i)包含存量信息，通过流通速度(V_c_i)反映流量特征（流通速度定义为一定时期内货币转手次数，与交易流量相关）。这种概念上的对应关系为两种模型的整合提供了基础。

      在统一框架下，可以同时考虑加密货币的稀缺性价值和货币功能价值。稀缺性价值主要体现在其作为价值存储工具的潜力，而货币功能价值则体现在其作为交易媒介的效率。这两种价值共同决定了加密货币的整体经济影响。例如，比特币的高S2F比表明其稀缺性强，价值存储功能突出；但其相对较低的流通速度则限制了其交易媒介功能。相反，一些稳定币可能具有较低的S2F比（如果其供应量可灵活调整），但较高的流通速度，使其更适合作为交易媒介。

3.3 估值视角的差异与互补

      S2F模型和MC公式在估值视角上存在显著差异，但正是这种差异使得二者具有互补潜力。S2F模型本质上是一种供应侧模型，重点关注资产稀缺性对价值的驱动作用。该模型隐含的假设是，稀缺性价值最终会通过市场机制转化为实际价格。相比之下，MC公式更侧重于需求侧分析，通过衡量加密货币对传统货币功能的替代程度来评估其经济影响。这种视角差异使得两种模型能够捕捉加密货币价值的不同维度。

      在实际应用中，两种模型可以结合使用，提供更全面的估值视角。例如，S2F模型可以用于预测加密货币的长期价值趋势，而MC公式则可以评估其中期经济影响。此外，两种模型的结合有助于识别市场偏离程度。当S2F模型预测的价值与MC公式评估的经济影响出现显著偏离时，可能表明市场存在泡沫或低估机会。

表2：S2F模型与MC公式的互补性

4 方法论与实证应用框架

4.1 数据准备与参数校准

      成功应用S2F模型和MC公式需要进行系统性的数据准备和科学的参数校准。数据需求包括历史价格数据、供应链数据、交易量数据以及传统货币供应量数据等。这些数据可以从多种来源获取，如区块链浏览器、加密货币交易所、金融数据提供商以及中央银行的统计数据。

     对于S2F模型，关键参数是存量-流量比率，这需要准确获取加密货币的流通供应量和年新增产量。对于比特币等加密货币，这些数据可以通过区块链浏览器公开获取，具有较高的透明度。然而，对于某些私有区块链或稳定币，供应量数据可能不完整，需要进行分析和估计。

     对于MC公式，参数校准更为复杂。首先，需要估计各类加密货币的流通速度V_c_i。传统货币的流通速度可以通过名义GDP与货币供应量的比率估算，但加密货币缺乏类似的综合经济活动指标。替代方法是使用链上交易量或交易所交易量等指标进行估计，但这些方法各有局限性。其次，替代系数α_i的确定需要依据不同加密货币的功能定位。例如，比特币的α_i可能侧重于价值存储功能，而稳定币的α_i可能更侧重于交易媒介功能。这些参数的校准需要结合历史数据和理论分析。

4.2 模型实施与计算流程

实施S2F模型和MC公式的完整流程包括以下步骤：

1. 数据收集与清洗：收集所需的历史数据，处理缺失值和异常值，确保数据质量。

2. 参数估计：根据理论框架和历史数据，估计模型所需各项参数。对于S2F模型，主要是计算存量-流量比率；对于MC公式，则需要估计流通速度和替代系数。

3. 模型计算：根据公式进行实际计算。对于S2F模型，使用历史数据检验模型拟合优度，并进行未来预测。对于MC公式，计算加密货币对传统货币体系的等效影响。

4. 敏感性分析：测试模型结果对参数变化的敏感性，识别关键假设的影响程度。例如，可以通过蒙特卡洛模拟生成大量随机路径，评估模型在不同市场情景下的稳健性。

5. 结果验证：将模型预测与实际市场表现比较，评估模型预测准确性，必要时调整模型参数。

    在这一流程中，计算效率是一个实际考虑因素。对于简单的S2F模型，计算较为直接；而对于复杂的MC公式，特别是当结合蒙特卡洛模拟时，可能需要较高的计算资源。这时可以考虑使用C++、Go等高效计算语言，或者采用分布式计算方案提升效率。

4.3 结果解读与风险提示

      正确解读S2F模型和MC公式的结果至关重要，需避免过度依赖单一模型或预测。S2F模型更适合提供长期趋势判断，而非精确的短期价格预测。MC公式则更适合评估加密货币对传统货币体系的整体影响，而非确定具体入场时机。

在使用这些模型时，需要注意多种风险因素：

模型风险：任何模型都是对复杂现实的简化，可能存在设定偏差。应充分了解模型假设与局限性，避免盲目应用。

市场风险：加密货币市场波动性极高，受多种因素影响，包括监管变化、技术革新、市场情绪等，这些因素可能超出模型捕捉范围。

流动性风险：某些加密货币市场流动性不足，可能导致实际交易价格与模型预测值显著偏离。

技术风险：包括网络安全、协议变更等技术因素可能影响加密货币的价值基础。

      建议投资者和研究人员结合多种分析方法和市场信息，形成综合判断，而非仅仅依赖模型输出。同时，定期回顾和更新模型参数，以适应市场结构变化。

5 案例研究：比特币估值的综合应用

5.1 S2F模型对比特币的历史验证与预测

     PlanB的S2F模型对比特币历史价格的解释力令人印象深刻。通过对比特币前三个区块时代（每210,000个区块为一个时代）的数据分析，S2F模型显示出与市场价格的高度相关性。在第一个区块时代（2009-2012年），比特币的S2F比约为1.3，对应市值约100万美元；到第二个区块时代（2012-2016年），S2F比上升至3.5，市值增长至约1亿美元；第三个区块时代（2016-2020年）S2比达到10.2，市值进一步上升至100亿美元。

      根据S2F模型预测，2020年减半后比特币的S2F比将升至约50，接近黄金的水平，长期价格预期为55,000美元。而进一步优化后的S2FX模型预测，2024年下一次减半后，比特币价格可能达到288,000美元甚至更高。这些预测为投资者提供了长期价值参考，但也因预测值较高而引发争议。

       值得注意的是，S2F模型对比特币价格的预测存在显著不确定性。一方面，模型基于历史数据建立关系，未来市场结构变化可能影响这种关系的稳定性。另一方面，随着比特币稀缺性增加，其S2F比将趋于无穷大，可能导致模型预测偏离实际。因此，在使用S2F模型时，应将其视为长期趋势指导，而非精确的短期预测工具。

5.2 MC公式对比特币货币替代效应的评估

      应用MC公式评估比特币的货币替代效应，需要估计关键参数：比特币市值(MC_i)、流通速度(V_c_i)和替代系数(α_i)。截至2023年，比特币市值(MC_i)已超过5,000亿美元，是加密货币市场中最大的单一资产。

      比特币的流通速度(V_c_i)估计约为1.5-2.5，远低于主流法定货币（如美元的V_f约为5-7）。这反映了比特币更主要用于价值存储而非频繁交易。相比之下，稳定币的流通速度通常更高，显示其更强的交易媒介功能。

     替代系数(α_i)的确定需考虑比特币的多重货币功能。作为价值存储工具，比特币可能与黄金等避险资产存在替代关系；作为交易媒介，其在跨境支付等特定场景中显示优势。综合评估，比特币的α_i可能在0.3-0.6范围内，具体取决于分析视角和时间框架。

     基于这些参数，MC公式可以估算比特币对传统货币体系的等效影响ΔM_i。计算结果表明，比特币已对全球货币体系产生不可忽视的影响，特别是在价值存储领域。随着比特币进一步普及和应用场景拓展，其货币替代效应可能持续增强。

5.3 综合模型的应用与场景模拟

     结合S2F模型和MC公式，可以构建更全面的比特币估值框架。在这一框架中，S2F模型提供长期价值锚定，反映比特币基于稀缺性的内在价值趋势；而MC公式则评估其中期货币替代效应，捕捉市场供需变化对价格的影响。两种模型的结合有助于识别市场偏离程度，为投资决策提供更全面的参考。

     通过场景模拟分析，可以评估不同市场条件下比特币的潜在价值路径。例如，在"高替代"场景下，假设比特币对传统货币体系的替代加速，MC公式显示较高的货币替代效应，同时S2F模型提供的价值锚定也有支撑，可能形成积极的前景。而在"低替代"场景下，货币替代效应较弱，比特币价值可能更多依赖其稀缺性属性。

     进一步地，可以引入蒙特卡洛模拟，生成大量随机市场路径，评估比特币价值的可能分布范围。这种分析方法能够更全面地捕捉市场不确定性，为风险管理和资产配置提供量化基础。

表3：比特币估值综合框架的应用场景

6 讨论与展望

6.1 模型局限性及改进方向

       尽管S2F模型和MC公式为加密货币估值提供了有益框架，但它们仍存在明显局限性，需要在应用时保持警惕。S2F模型的主要问题在于其数学上的发散性、对稀缺性的过度侧重以及对市场需求的相对忽视。MC公式则面临参数估计复杂、数据要求高、理论假设严格等挑战。

针对这些局限性，可能的改进方向包括：

1. 动态调整机制：引入机器学习算法，根据市场表现和历史数据动态调整模型参数，增强模型适应性。例如，可以开发基于深度学习的S2F模型变体，自动捕捉稀缺性与价格间的非线性关系。

2. 多因素整合：将更多影响因素纳入模型框架，如监管环境、技术发展、机构参与度等。这可以通过在MC公式中引入附加因子或开发综合指数来实现。

3. 不确定性量化：加强模型不确定性的量化和披露，采用概率预测而非点估计，更真实地反映市场风险。

4. 跨市场关联：考虑加密货币与传统资产市场的互动关系，更全面把握价值决定因素。特别是在全球宏观经济动荡时期，这种关联分析尤为重要。

6.2 加密货币估值模型的未来发展趋势

      随着加密货币市场的不断成熟和监管框架的逐步明确，加密货币估值模型将呈现以下发展趋势：

      首先，模型将从单一资产分析向生态系统视角转变。未来研究将更关注不同加密货币之间的互动关系，以及整个加密货币生态系统对传统金融体系的影响。MC公式为此提供了良好起点，但需要进一步扩展和细化。

      其次，实时数据分析能力将成为关键竞争优势。随着区块链分析技术的发展，研究人员可以获取更及时、更细粒度的链上数据，提升模型敏感度和预测准确性。

      第三，标准化与规范化需求增加。随着机构投资者大量进入加密货币市场，对估值模型的标准化和透明度要求将显著提高。这可能会推动行业最佳实践的形成和模型验证流程的规范化。

      最后，跨学科融合将丰富方法论工具箱。加密货币估值研究将融合金融学、货币经济学、计算机科学和数据科学等多学科方法，形成更全面、更深入的分析框架。

7 结论

      本研究系统分析了MC公式与S2F模型的内在联系与应用方法，建立了统一的理论框架，并通过案例研究验证了其实际适用性。研究表明，尽管两种模型从不同角度出发，但它们存在深刻的互补关系：S2F模型侧重于资产稀缺性，提供了长期价值锚定；而MC公式关注货币替代效应，捕捉了中期影响因素。将两种模型结合使用，能够提供更全面的加密货币估值视角。

      在方法论层面，本文提出了整合S2F模型和MC公式的应用框架，包括数据准备、参数校准、模型实施与结果解读等环节。案例研究显示，这一综合框架能够有效识别比特币市场的价值驱动因素和潜在机会风险。同时，本文也讨论了模型的局限性及改进方向，为未来研究提供了路线图。

      随着加密货币市场的不断发展和成熟，估值模型和方法论也将持续进化。未来研究应关注动态调整机制、多因素整合、不确定性量化等方向，提升模型的准确性和实用性。同时，标准化和规范化工作也将成为行业健康发展的关键支撑。

     对于市场参与者而言，理解并合理应用S2F模型和MC公式，将有助于在复杂的加密货币市场中做出更明智的决策。但重要的是，任何模型都只是现实世界的简化表示，应结合市场经验、风险承受能力和投资目标形成综合判断。本文提供的分析框架为此奠定了坚实基础，为加密货币估值研究与实践贡献了有价值的视角。