1. Úvod: Kryptoměny mezi revolucí a přeludem – a kde stojí čísla?

Kryptoměny, s Bitcoinem jako nekorunovaným králem v čele, jsou fenoménem, který nenechává nikoho chladným. Vyvolávají silné emoce a názory, které snad ani nemohou být protichůdnější. Na jedné straně stojí vize monetární revoluce, nástroje osvobození od státní kontroly nad měnou a lákavé, byť volatilní, investice. Na straně druhé zaznívají hlasy varující před digitálním přeludem bez jakékoli vnitřní hodnoty, nástrojem čiré spekulace hraničící s gamblingem a zdrojem nezanedbatelných environmentálních obav.

Tato názorová propast se plasticky ukazuje i v diskuzi, která předcházela vzniku tohoto článku. Jeden z autorů (říkejme mu Josef) vidí v Bitcoinu „logické řešení“ potřeby měny, která „nepodléhá libovůli státu“, a dokonce s jistou nadsázkou doporučuje kolegům zajistit se na důchod nákupem „alespoň 0,1 BTC“. Druhý autor (nazvěme ho Viktor) je ztělesněním konzervativní skepse: „BTC nikdo k ničemu nepotřebuje,“ prohlašuje a přirovnává investice do něj k „investičnímu gamblingu“. Podle Viktora postrádá Bitcoin jakoukoli reálnou hodnotu na rozdíl od nemovitostí, ve kterých lze bydlet, polí, na kterých lze pěstovat, nebo akcií, za nimiž stojí reálná aktiva. „Není za ním nic, jen předpoklad, že jiní investoři se chovají stejně,“ argumentuje. Josef kontruje poukazem na rizika spojená i s tradičními aktivy – dům může znehodnotit zvýšení daní či přírodní katastrofa, hodnotu pole může ovlivnit změna územního plánu nebo celní politika. Oba se tak shodnou alespoň na tom, že investice bez rizika neexistuje, byť míru a povahu tohoto rizika vnímají diametrálně odlišně.

Do tohoto názorově rozjitřeného a emočně nabitého prostředí vstupuje kvantitativní finance (QF) – disciplína, která se snaží pomocí matematických modelů, statistické analýzy, umělé inteligence (AI) a masivního výpočetního výkonu analyzovat, modelovat a ideálně i předvídat chování finančních trhů. Může QF fungovat jako nezaujatý rozhodčí v této přetahované mezi vírou a skepsí? Jaké nástroje a poznatky přináší do světa kryptoměn, který se často řídí spíše náladami davu než fundamentálními ukazateli? Pohled na nedávné studie z této oblasti, publikované výhradně na preprintovém serveru arXiv.org, ukazuje snahu o rigorózní, daty podložený přístup. Tento přístup jde za rámec pouhých dojmů a přesvědčení a snaží se nahradit dogma daty.

V následujících kapitolách se podíváme, jak se kvantitativní analytici snaží porozumět tržnímu sentimentu a mikrodynamice kryptoměnových trhů, jak využívají AI k pokusům o predikci cenových pohybů a jak mapují rostoucí propojení Bitcoinu s tradičními finančními trhy. To vše budeme průběžně konfrontovat s protichůdnými argumenty našich dvou autorů, abychom lépe pochopili, co nám čísla mohou říci – a co naopak zůstává otázkou víry a osobního postoje.

2. Naslouchání trhu: sentiment a mikrodynamika pod kvantitativní lupou

Jedním z nejčastěji diskutovaných faktorů ovlivňujících ceny kryptoměn je kolektivní nálada investorů, často formovaná a zesilovaná online diskuzemi na platformách jako Twitter nebo Reddit. Právě zde se střetávají naděje, obavy, spekulace a někdy i cílené dezinformace. Josef by pravděpodobně argumentoval, že tato kolektivní víra a komunikace jsou samy o sobě zdrojem hodnoty v decentralizovaném světě. Viktor by naopak mohl namítnout, že jde o pouhý šum, davovou psychózu nebo dokonce živnou půdu pro manipulátory trhu. Může kvantitativní analýza v tomto informačním chaosu najít nějaký řád?

2.1 Analýza sentimentu: Může AI číst náladu (a peněženky) davu?

Hypotéza, že sentiment investorů hýbe trhy, není nová. V kontextu kryptoměn, kde tradiční fundamentální ukazatele často chybí nebo jsou nejasné, nabývá tato myšlenka na významu. Tradiční finanční analýza sentimentu (FSA) se často spoléhala na manuální anotaci textů (např. tweetů či zpravodajských článků), kde lidé označovali jejich pozitivní, negativní či neutrální vyznění. Tento přístup je však pomalý, nákladný a subjektivní.

Moderní přístupy se snaží tento proces automatizovat a objektivizovat pomocí umělé inteligence, konkrétně pokročilých jazykových modelů. Studie Hamida Moradi-Kamaliho a kolegů, zmíněná v původní verzi tohoto článku, navrhovala inovativní myšlenku: místo lidského hodnocení odvozovat "sentiment" či spíše tržní dopad slov přímo z následných krátkodobých cenových pohybů. Předpokladem je, že historické reakce trhu na určitá slova jsou spolehlivějším indikátorem jejich reálného vlivu než lidská interpretace. Využitím tohoto "tržně odvozeného" značkování dat a sofistikovaných AI nástrojů údajně dosáhli zlepšení v přesnosti predikce krátkodobých trendů.

Novější práce publikované na arXiv.org ukazují další pokrok v této oblasti. Například Haritha GB a Sahana N.B. (2023) vyvinuli model pro predikci ceny Bitcoinu, který kombinuje analýzu sentimentu z Twitteru s historickými cenovými daty. Pro analýzu textu tweetů použili FinBERT, jazykový model z rodiny BERT, který je speciálně trénovaný na finanční texty. To je důležité, protože finanční jazyk má svá specifika a obecné modely by nemusely správně interpretovat nuance a kontext. Výsledný sentiment (spolu s dalšími daty, jako objem tweetů či historické ceny) pak sloužil jako vstup pro neuronovou síť typu GRU (Gated Recurrent Unit), která se snažila předpovědět budoucí cenu. Autorky reportují průměrnou chybovost (MAPE) 9.45 % pro predikci sentimentu a slibných 3.6 % pro samotnou predikci ceny Bitcoinu.

Jiný přístup zvolili Shubham Singh a kolegové (2024), kteří použili architekturu Transformer (známou například z modelů jako GPT) pro predikci ceny Etherea. Jejich model nezpracovával jen cenu a objem Etherea a sentiment z různých zdrojů (Twitter, Reddit, zprávy – analyzovaný opět pomocí FinBERT), ale také ceny dalších, silně korelovaných kryptoměn (Polkadot a Cardano). Zjistili, že jejich Transformer model překonal jednodušší neuronové sítě (ANN, MLP) v některých metrikách, a to i s relativně menším datasetem. Zároveň však autoři upozorňují na možnou "iluzi kauzality" – silná korelace mezi sentimentem a cenou nemusí nutně znamenat, že sentiment způsobuje změnu ceny. Může to být i naopak (cena roste, lidé jsou nadšení), nebo oba jevy může ovlivňovat třetí faktor (např. regulatorní zpráva). Získání dostatečně velkého a kvalitního datasetu, zejména pro sentiment, zůstává výzvou.

Tato zjištění nabízejí munici oběma našim autorům. Josef může jásat: „Vidíte? Hlas komunity má váhu, AI to dokáže změřit a dokonce použít k predikci!“. Viktor může kontrovat: „Predikce s chybou 3.6 %? To není špatné, ale je to konzistentní? A co ta iluze kauzality? Není to jen sofistikovanější sledování davového šílenství, které stejně nakonec vede ke ztrátám? Možná je to užitečné pro algoritmy obchodující v milisekundách, ale pro normálního investora?“ Otázka, zda lze z šumu sociálních sítí extrahovat skutečný signál, zůstává otevřená, ale nástroje QF nám dávají stále lepší možnosti, jak tuto otázku zkoumat.

2.2 Mikrostruktura trhu: Pohled do strojovny kryptoburz

Zatímco analýza sentimentu se dívá na trh z ptačí perspektivy a snaží se zachytit náladu davu, analýza mikrostruktury trhu se noří do samotného srdce obchodování – do mechanismů, které probíhají na úrovni milisekund v limitních knihách objednávek (Limit Order Books, LOB). LOB je v podstatě seznam všech aktuálně otevřených nákupních a prodejních pokynů na dané burze pro určitý instrument (např. Bitcoin). Analýza LOB se snaží pochopit, jak interakce mezi různými typy příkazů – zejména "maker" příkazy, které přidávají likviditu do knihy, a "taker" příkazy, které likviditu odebírají – ovlivňují krátkodobý vývoj ceny.

Původní verze článku zmiňovala práci Jakoba Alberse a spoluautorů, která na základě dat z živého obchodního experimentu na Binance (pro Bitcoinové perpetuální kontrakty) odhalila komplexní dynamiku mezi zadáváním příkazů a cenovým vývojem. Zjistili například negativní korelaci mezi pravděpodobností vyplnění "maker" příkazu a krátkodobým výnosem, což komplikuje strategie založené na poskytování likvidity. Analýza také ukázala vliv transakčních poplatků (typicky vyšších pro "taker" příkazy) na chování obchodníků. I když tuto konkrétní studii nemáme ověřenou na arXiv.org, obecný princip – že mikroúroveň trhu má svou vlastní složitou mechaniku – je pro QF klíčový.

Novější výzkum na arXiv.org se zaměřuje i na temnější stránky mikrostruktury, jako je manipulace trhu. Timothée Fabre a Damien Challet (v práci s hypotetickým datem publikace duben 2025) se zabývají detekcí tzv. "spoofingu" na centralizovaných kryptoměnových burzách. Spoofing je nelegální praktika, kdy obchodník zadá velký nákupní nebo prodejní příkaz bez úmyslu ho skutečně realizovat, pouze aby vytvořil falešný dojem poptávky či nabídky a ovlivnil cenu ve svůj prospěch. Autoři navrhli nové proměnné popisující tok objednávek (order flow), které zohledňují nejen velikost příkazu, ale i jeho "vzdálenost" od aktuálně nejlepší nabídky a poptávky. Pomocí neuronové sítě trénované na těchto datech (Level-3 data, tedy kompletní informace o LOB) dokázali modelovat pravděpodobnostní rozdělení budoucích pohybů ceny. Na základě toho vyvinuli framework pro detekci spoofingu, který odhaduje potenciální zisk manipulátora. Jejich analýza dat z prosince 2024 ukázala, že až 31 % velkých limitních příkazů by mohlo být použito ke spoofingu trhu. Důležité je, že jejich model je díky relativně jednoduché architektuře schopen běžet v reálném čase, což otevírá dveře pro monitoring a potírání manipulací.

Tato zjištění opět nahrávají oběma stranám debaty. Viktor má další argument pro své tvrzení, že kryptoměnové trhy jsou neregulované "kasino" plné podvodníků: „Vidíte? Třetina velkých příkazů může být manipulace! Jak tomu má běžný člověk čelit?“. Josef může oponovat: „Ano, manipulace existují, stejně jako na tradičních trzích. Ale QF nám dává nástroje, jak je odhalovat a jak jim čelit! Tato studie ukazuje, že trh se stává sofistikovanějším a vyvíjí si obranné mechanismy. Není to známka chaosu, ale komplexity, která vyžaduje znalosti a správné nástroje.“ Analýza mikrostruktury tak odhaluje nejen rizika, ale i fascinující komplexitu tržních mechanismů, které nejsou jen náhodným šumem, ale systémem s vlastními pravidly a dynamikou.

3. Honba za predikcí: Krotí neuronové sítě kryptoměnovou volatilitu?

Svatým grálem finanční analýzy, ať už tradiční nebo kvantitativní, je samozřejmě předpovídání budoucího vývoje cen. Vzhledem k notoricky známé volatilitě kryptoměn je tento úkol obzvláště lákavý, ale i extrémně obtížný. Mnozí skeptici, včetně Viktora, by tvrdili, že jde o nemožný úkol, přirovnávajíce snahy o predikci k věštění z křišťálové koule. Zastánci, jako Josef, by mohli doufat, že pokročilé metody AI dokáží v datech odhalit skryté vzorce a poskytnout alespoň nějakou výhodu. Co na to říkají kvantitativní studie?

Původní verze článku zmiňovala studii Rahula Arulkumarana a kolegů, kteří údajně použili neuronové sítě typu LSTM (Long Short-Term Memory) k předpovídání přechodů mezi býčími (rostoucími) a medvědími (klesajícími) fázemi trhu Bitcoinu, konkrétně sledováním klouzavých průměrů (50denního a 200denního). LSTM sítě jsou skutečně vhodné pro analýzu časových řad, protože mají "paměť" a dokáží zachytit závislosti mezi datovými body v čase.

Novější práce na arXiv.org potvrzují trend využívání stále sofistikovanějších AI modelů. Mohammad Ali Labbaf Khaniki a Mohammad Manthouri (2024) představili přístup kombinující hned několik technik pro predikci cen Bitcoinu, Etherea a Litecoinu. Nejprve z historických dat extrahovali sadu technických indikátorů (jako klouzavé průměry SMA a EMA, Bollingerova pásma BB, index relativní síly RSI atd.), které samy o sobě nesou informaci o trendech, volatilitě či momentu trhu. Tyto indikátory pak sloužily jako vstup pro neuronovou síť založenou na architektuře Performer – což je efektivnější varianta populárních Transformerů, schopná zpracovávat delší datové sekvence s nižšími výpočetními nároky. Aby model lépe zachytil časové závislosti, integrovali do něj ještě vrstvy BiLSTM (Bidirectional LSTM), které zpracovávají data v obou směrech (dopředu i dozadu v čase). Jejich klíčovým zjištěním bylo, že tento hybridní model (Performer + BiLSTM + technické indikátory) konzistentně překonával ostatní testované modely (samotný BiLSTM, standardní Transformer s i bez indikátorů, Performer bez BiLSTM) v přesnosti predikce na hodinových i denních datech pro všechny tři kryptoměny. To naznačuje, že kombinace efektivních mechanismů pozornosti (Performer), schopnosti modelovat obousměrné časové závislosti (BiLSTM) a relevantních, předzpracovaných vstupních dat (technické indikátory) je pro predikci kryptoměn velmi slibná. Nejde tedy jen o nasazení "surové" AI síly, ale o promyšlený návrh modelu a využití doménových znalostí z finanční analýzy.

Další potvrzení komplexnosti přináší přehledová studie od Jingyang Wu a kolegů (2024), která hodnotila různé deep learning modely (varianty LSTM, CNN – konvolučních neuronových sítí, a Transformer) pro predikci cen kryptoměn. Zjistili, že v jejich experimentálním nastavení dosáhl nejlepších výsledků model kombinující konvoluční a LSTM vrstvy (ConvLSTM), a to zejména při použití tzv. multivariačního přístupu – tedy když model nezpracovává jen historickou cenu, ale i další relevantní data (např. objem obchodů, možná i sentiment či data z jiných trhů). Potvrdili také, že multivariační modely obecně fungovaly lépe než univariační (založené jen na ceně).

Tato zjištění lze shrnout do následující tabulky:

Tabulka 1: Přehled vybraných AI modelů pro predikci kryptoměn (dle studií na arXiv.org)

Jak na tyto výsledky reagují naši autoři? Viktor by mohl s úsměvem poznamenat: „Pěkná akademická cvičení! Neustále vyvíjejí nové a složitější modely , což jen dokazuje, že žádný nefunguje spolehlivě. Kdyby opravdu uměli předpovídat trh, nepublikovali by o tom články na arXivu, ale užívali by si na jachtě někde v Karibiku! Je to jen převlečený gambling s lepší matematikou.“ Josef by mohl oponovat: „Ale Viktore, to je přece nesmysl! Výzkum ukazuje, že v datech jsou signály a že sofistikované modely je dokážou najít a využít. Žádná metoda není dokonalá, finanční trhy jsou komplexní a adaptivní systémy. Ale to neznamená, že je to čistě náhodné. Tyto nástroje pomáhají identifikovat trendy, řídit riziko a činit informovanější rozhodnutí. Je to o statistice a pravděpodobnosti, ne o štěstí.“ Pravdou zůstává, že predikce finančních trhů je spíše nekončící závod ve zbrojení mezi analytiky a efektivitou trhu než vyřešený problém. QF poskytuje stále lepší zbraně, ale negarantuje vítězství.

4. Bitcoin a velký finanční svět: nebezpečné sbližování?

Jedním z klíčových argumentů pro investici do Bitcoinu, zejména v jeho raných fázích, byla myšlenka, že jde o zcela novou, nezávislou třídu aktiv. Měl fungovat jako digitální zlato – uchovatel hodnoty nekorelovaný s tradičními trhy (akcie, dluhopisy, komodity), a tedy jako ideální nástroj pro diverzifikaci portfolia a pojistka proti systémovým krizím ve "starém" finančním světě. Tato nezávislost byla pro mnohé, včetně Josefa, důkazem jeho potenciálu nahradit či doplnit státem kontrolované fiat měny. Jak ale ukazuje kvantitativní analýza posledních let, tento obrázek se dramaticky mění.

Původní verze článku citovala studii Di Wu, která mapovala rostoucí korelaci Bitcoinu s hlavními akciovými indexy jako Nasdaq 100 a S&P 500, údajně dosahující až 0.87 v roce 2024. Tento nárůst korelace byl přisuzován zejména rostoucí institucionální adopci – spuštění Bitcoinových ETF (burzovně obchodovaných fondů), které usnadnily investice tradičním hráčům, a zařazení firem držících velké množství BTC (jako MicroStrategy) do hlavních akciových indexů. Zajímavým zjištěním mělo být, že korelace kolísá s tržním sentimentem – zesiluje v obdobích "risk-on" (kdy investoři mají chuť riskovat) a slábne v "risk-off" obdobích (kdy se stahují do bezpečnějších přístavů).

Tato zjištění potvrzuje a dále prohlubuje práce Stanisława Drożdże a kolegů (2023) publikovaná na arXiv.org. Pomocí pokročilé metody detrendované křížové korelační analýzy (ρq(s)) na vysokofrekvenčních datech (10sekundových) zkoumali vztahy mezi Bitcoinem a Ethereem na jedné straně a tradičními trhy (akciové indexy, Forex, komodity) na straně druhé v období 2020-2022. Jejich závěr je jednoznačný: dynamika cenových změn BTC a ETH, zejména od paniky spojené s COVID-19 v březnu 2020, již není nezávislá na tradičních finančních trzích. Zvláště silné vazby byly pozorovány v roce 2022 na americké technologické akcie během medvědí fáze trhu. Navíc zjistili, že kryptoměny začaly reagovat na makroekonomická data, jako jsou zprávy o inflaci (index spotřebitelských cen, CPI), podobným způsobem jako tradiční instrumenty. Toto spontánní "spřažení" dříve nezávislých systémů interpretují jako druh fázového přechodu, typického pro komplexní systémy. Důsledkem je, že kryptoměny již nelze považovat za bezpečný přístav pro finanční investice v dobách tržních turbulencí. Hlavním motorem této změny se zdá být právě vstup institucionálních investorů a produktů jako ETF, které propojují krypto svět s tradičními finančními mechanismy a sentimentem.

Znamená to tedy, že Bitcoin se stal jen dalším rizikovým aktivem, které kopíruje pohyby akciového trhu? Situace může být ještě o něco složitější. Studie Yuming Ma a kolegů (s hypotetickým datem publikace 2025) přináší zajímavý pohled. Použili devět různých modelů strojového učení k tomu, aby se pokusili rozlišit mezi cenovými časovými řadami akcií (z NASDAQ a NYSE) a kryptoměn (z Binance) na základě minutových dat z období červen 2023 – květen 2024. Výsledek byl překvapivý: modely dokázaly klasifikovat, zda daná časová řada patří akcii nebo kryptoměně, s extrémně vysokou přesností (přes 92 % ve většině případů, zejména u týdenních vzorků). To naznačuje, že i když se celková korelace mezi krypto a akciemi zvyšuje , základní vzorce chování cen na mikroúrovni nebo chování investorů se stále mohou významně lišit. Jinými slovy, i když Bitcoin a Nasdaq mohou často růst a klesat společně v reakci na globální události, způsob, jakým se jejich ceny pohybují z minuty na minutu, může odrážet odlišnou tržní dynamiku, jiné typy účastníků trhu nebo odlišnou reakci na specifické informace.

4.1 Střet argumentů: Hodnota, riziko a smysl Bitcoinu očima autorů

Právě tato rostoucí korelace a měnící se povaha Bitcoinu jsou jádrem sporu mezi našimi autory, který odráží širší debatu o smyslu a budoucnosti kryptoměn. Pojďme si jejich argumenty projít znovu, nyní optikou kvantitativních zjištění:

• Vnitřní hodnota: Viktorův argument, že „BTC ne, není za ním nic,“ zatímco za domy, poli či akciemi stojí reálná aktiva, je klasickou kritikou. Josefova obrana poukazující na rizika tradičních aktiv (daně, katastrofy, regulace ) a implicitní argumentace, že hodnota BTC plyne z jeho vlastností (decentralizace, omezené množství, síťový efekt, poptávka), naráží na limity QF. Kvantitativní analýza zkoumá cenu a její chování, nikoli filozofickou otázku „vnitřní hodnoty“.
• Riziko: Viktor vnímá BTC jako extrémně rizikové aktivum s „nepredikovatelnou mírou rizika“, přirovnává ho ke „gamblingu“ a připomíná kolaps NFT . Rostoucí korelace s akciemi je pro něj jen dalším hřebíčkem do rakve – Bitcoin nejenže má svá vlastní rizika, ale navíc přebírá i rizika tradičního „kasina“ akciového trhu. Zjištění o možném spoofingu jeho obavy jen potvrzují. Josef sice riziko uznává („Jasně, že altcoiny gamligem jsou“ ), ale argumentuje, že i tradiční aktiva jsou riziková  a že BTC může být paradoxně méně rizikový než fiat měny náchylné k inflaci a státním zásahům. Rostoucí korelaci může interpretovat jako známku dospívání a legitimizace Bitcoinu jako nové třídy aktiv, což může v dlouhodobém horizontu některá specifická rizika snížit. Mikrostrukturální komplexitu a rizika manipulace vnímá jako výzvu vyžadující znalosti a nástroje, které QF pomáhá vyvíjet.  Josef polemizuje s tím, že se jedná o gambling. Spoření do bitcoinu se mu ani v nejmenším nezdá jako gambling. Jako argument uvádí, že bitcoin je sice volatilní, ale za těch 17 let, kdo držel bitcoin alespoň tři roky, tak neprodělal. Což v porovnání s měnami trpícími inflací, se říci nedá.
• Funkce (Měna vs. Aktivum): Viktor tvrdí, že BTC „neslouží jako měna“ kvůli pomalým a drahým transakcím a jeho jedinou funkcí je „investiční gambling“ . Josef naopak zdůrazňuje potřebu měny nezávislé na státu a BTC vidí jako „logické řešení“ . QF se primárně zaměřuje na BTC jako na obchodovatelné aktivum. Analýza transakčních dat a poplatků by mohla přispět k debatě o jeho použitelnosti jako měny, ale hlavní fokus QF studií leží jinde. S nákladností transakcí Josef nesouhlasí. Jde podle něj o častý omyl z neznalosti. Při přesunu velkých částek (v řádu milionu), je to levnější, než poplatky, které si za takové přesuny účtují banky. Kromě toho - pokud na platbu nespěcháme, lze si poplatky i při platbou bitcoinem výrazně snížit.  U malých částek se neplatí bitcoinem. Podobně jako do samoobsluhy nechodíme s cihlou zlata. Při takových platbách se k tomu používají peněženky ("voletky"), které smění bitcoin na Lightning, nebo jinou měnu (třeba takovou kterou se platí v dané zemi). Takové platby jsou stejně rychlé, jako platby kreditní kartou. Výhodou je, že nemusíte mít ani účet u banky (což si většina lidí v méně rozvinutých zemích nemůže dovolit).
• Decentralizace a státní kontrola: Josefův argument o výhodách měny, která „nepodléhá libovůli vládcům a institucím“ a chrání před inflací , naráží na Viktorův pragmatismus: „Inflace je něco, nač jsme zvyklí, a kdyby státy o tuto možnost přišly, vymyslí nové, dost možná ještě nepříjemnější schémata zdaňování“ . QF může modelovat dopady inflace nebo regulatorních zásahů na cenu BTC, ale nemůže rozsoudit ideologický spor o výhodách a nevýhodách decentralizace.
• Etika (spotřeba energie): Viktorův poukaz na „nesmírné plýtvání energiemi na absolutně zbytečné výpočty ničeho“  je relevantní a často diskutovanou kritikou (zejména u Proof-of-Work kryptoměn jako Bitcoin). Kvantitativní finance se typicky environmentálními dopady nezabývá, pokud se nepromítnou do ceny aktiva (např. skrze regulace nebo sentiment investorů citlivých na ESG faktory).
• Josef kontruje, že argument etiky oponenti kryptoměn rádi zneužívají. Těžaři se postupně přesouvají ke zdrojům energií, které jsou levné a hlavně využívají tzv. přebytečnou energii na kterou není odbyt. V době kdy je energie drahá, stroje vypínají. I když se údaje dost rozcházejí, tak v současné době se má zato, že již 70 % těžby je možno považovat za „ekologickou“ –  využívající přebytečnou energii u elektráren z vodních zdrojů, využitím odpadního tepla uvolňovaného pánubohu do oken při těžbě zemního plynu a ropy,... Jde především o lokality odkud se přebytky elektrické energie (kvůli vzdálenosti,...) nevyplatí přenášet. Stejně tak se „ekologicky“ bitcoin těží z přebytků větrných farem kdy vítr fouká a současně stítí na fotovoltaické farmy. Josefovi se zdá rozumnější těžit bitcoin než třeba mařiče energie.

Debata tedy pokračuje. Kvantitativní analýza poskytuje cenná data a vhledy do toho, jak se Bitcoin a kryptoměny chovají a jak interagují s okolním světem, ale neodpovídá na fundamentální otázky proč by měly existovat nebo jakou mají skutečnou hodnotu.

5. Co nám čísla (ne)řeknou: Limity kvantitativního pohledu

Je klíčové si uvědomit, co kvantitativní finance může a co nemůže nabídnout při analýze tak komplexního a kontroverzního fenoménu, jakým jsou kryptoměny. Jak ukázaly diskutované studie, QF poskytuje mocné nástroje pro:

• Analýzu tržního chování: Dokáže měřit a modelovat sentiment investorů , identifikovat statistické vzorce v cenových pohybech a objemech obchodů.
• Rozbor mikrostruktury: Umožňuje detailně zkoumat dynamiku limitních knih objednávek, interakce mezi různými typy příkazů a dokonce detekovat potenciální manipulace jako spoofing.
• Testování prediktivních modelů: Poskytuje rámec pro vývoj a testování sofistikovaných modelů (LSTM, Transformery, hybridní modely) využívajících AI a strojové učení k hledání prediktivních signálů v historických datech, i když s vědomím jejich limitů.
• Kvantifikaci rizik a korelací: Umožňuje měřit volatilitu, modelovat rizika a analyzovat, jak jsou kryptoměny propojené s tradičními finančními trhy, což má zásadní dopady na diverzifikaci portfolií.
• Klasifikaci tržních režimů a vzorců: Dokáže rozlišovat mezi různými fázemi trhu (býčí/medvědí) nebo dokonce identifikovat subtilní rozdíly v cenových vzorcích mezi různými třídami aktiv.

Co však kvantitativní finance typicky nedělá a ani dělat nemůže, je zodpovídání fundamentálních otázek hodnoty, smyslu a ideologie. QF:

• Neřeší otázku "vnitřní hodnoty": Nedokáže určit, zda má Bitcoin nějakou fundamentální hodnotu mimo poptávku a nabídku na trhu, nebo zda je jeho cena čistě výsledkem víry a spekulace. To zůstává předmětem ekonomické a filozofické debaty, kterou čísla sama o sobě nerozsoudí.
• Nepředpovídá "černé labutě": Modely jsou trénovány na historických datech a nemohou předvídat bezprecedentní události – nové regulace, technologické průlomy (např. prolomení kryptografie kvantovými počítači), geopolitické krize – které mohou trh radikálně a nepředvídatelně změnit.
• Neurčuje "správnou" investiční strategii: Nemůže definitivně říci, zda je investice do kryptoměn moudrá, nebo jde o sofistikovaný gambling. To závisí na individuální toleranci k riziku, investičním horizontu a osobním přesvědčení o budoucnosti daného aktiva. QF může pomoci kvantifikovat riziko, ale rozhodnutí zůstává na investorovi.
• Nehodnotí ideologii: Nezabývá se tím, zda je decentralizace dobrá či špatná, nebo zda je státní kontrola nad měnou žádoucí. To jsou politické a společenské otázky mimo doménu finanční matematiky.

Podobně jako QF může modelovat cenové trendy na trhu s uměním, ale nepostihne jeho estetickou, kulturní nebo historickou hodnotu, tak i u kryptoměn analyzuje především měřitelné tržní jevy. Interpretace těchto jevů – zda je rostoucí korelace známkou selhání původní myšlenky, nebo naopak úspěšné integrace – pak často závisí na apriorním postoji pozorovatele, jak jsme viděli na příkladu našich dvou autorů.

6. Závěr: Mapy pro digitální džungli, ne věštecká Koule

Svět kryptoměn zůstává divokým, dynamickým a často nepřehledným prostředím – skutečnou "digitální džunglí", jak ji někteří nazývají. Do tohoto světa vnáší kvantitativní finance světlo rigorózní analýzy a sofistikovaných metod. Práce využívající umělou inteligenci pro analýzu sentimentu , detailní studium mikrostruktury trhu a odhalování manipulací , neuronové sítě pro hledání prediktivních vzorců nebo statistické modelování korelací s tradičními trhy nám pomáhají lépe pochopit komplexní síly, které hýbou cenami a propojují tento nový svět s globálním finančním systémem.

Výzkumníci, kteří se pouštějí do této džungle vyzbrojeni matematikou, statistikou a programováním, si bezpochyby zaslouží náš respekt. Neposkytují sice jednoduché odpovědi ani zaručené zisky – a kdo tvrdí opak, je pravděpodobně šarlatán. Budují však analytický rámec a nástroje, které jsou nezbytné pro navigaci v tomto náročném terénu. Jsou to tvůrci map a kompasů pro digitální džungli.

Tyto nástroje – modely sentimentu, metriky rizika, analýzy korelací, detektory anomálií – nám pomáhají kvantifikovat rizika, identifikovat potenciální signály (i když s vědomím jejich nejistoty) a pochopit, jak se tato nová třída aktiv chová, vyvíjí a začleňuje do širšího ekonomického kontextu. A to je cenný přínos bez ohledu na to, zda osobně vidíme v kryptoměnách budoucnost financí, jak věří Josef, nebo jen pomíjivou spekulativní bublinu, jak se obává Viktor. Kvantitativní pohled nám sice nedá křišťálovou kouli, ale poskytuje stále ostřejší dalekohled, kterým můžeme sledovat, jak se tento fascinující příběh bude dále vyvíjet. Který z našich autorů bude mít nakonec pravdu, ukáže až čas. Faktem je, že velcí investoři riskují neradi a že by od nás nebylo fér tajit, že za pouhé dva uplynulé dny přiteklo do bitcoinových fondů 1,8 miliardy dolarů. A to nelze vysvětlit jinak, než že zájem o investice do bitcoinu roste měrou dosud nebývalou.

7. Zdroje

• Drożdż, S., Kwapień, J., Stanisz, T., Wątorek, M., & Oświęcimka, P. (2023). Cryptocurrencies Are Becoming Part of the World Global Financial Market. arXiv preprint arXiv:2303.00495.
• Fabre, T., & Challet, D. (2025). Learning the Spoofability of Limit Order Books With Interpretable Probabilistic Neural Networks. arXiv preprint arXiv:2504.15908. (Datum dle preprintu)
• Haritha GB, & Sahana N.B. (2023). Cryptocurrency Price Prediction using Twitter Sentiment Analysis. arXiv preprint arXiv:2303.09397.
• Khaniki, M. A. L., & Manthouri, M. (2024). Enhancing Price Prediction in Cryptocurrency Using Transformer Neural Network and Technical Indicators. arXiv preprint arXiv:2403.03606 [q-fin.CP].
• Ma, Y., Sengoku, S., & Nakata, K. (2025). Classifying Cryptocurrencies and Stocks Using Machine Learning Models Based on Price Time Series. arXiv preprint arXiv:2504.12771 [q-fin.CP]. (Datum dle preprintu)
• Singh, S., & Kumar, M. (2024). Transformer-based approach for Ethereum Price Prediction Using Crosscurrency correlation and Sentiment Analysis. arXiv preprint arXiv:2401.08077 [cs.LG].
• Wu, J., Zhang, X., Huang, F., Zhou, H., & Chandra, R. (2024). Review of deep learning models for crypto price prediction: implementation and evaluation. arXiv preprint arXiv:2405.11431 [cs.LG].