Kryptovarat ja lohkoketjuteknologiaan perustuvat omaisuuserät ovat viime vuosina löytäneet enenevissä määrin paikkansa myös institutionaalisten ja ammattimaisten sijoittajien sijoitussalkuista. Moni kuitenkin karttaa näkemyksen ottamista näihin omaisuuseriin ja toimialaan liittyvän spekulatiivisuuden vuoksi. Onhan kuitenkin rationaalisen sijoitussalkunhallinnan yksi tärkeimmistä kulmakivistä hahmotettaessa sijoituskohteiden fundamentaalisia ajureita kohteen arvon ja kasvu-uran määrittämiseksi. Perinteisille omaisuuserille, kuten esimerkiksi osakkeille, pyritään määrittämään todellinen käypä arvo esimerkiksi tulevaisuuden ennakoitujen kassavirtojen ja tilinpäätöstietojen avulla. Tätä lähestymistapaa ei kuitenkaan pystytä hyödyntämään lohkoketjupohjaisten omaisuuserien arvonmäärityksessä, koska ne eivät välttämättä itsessään synnytä kassavirtaa eikä niiden arvo ole kytköksissä esimerkiksi mihinkään kiinteään omaisuuteen. Omaisuuserää, jonka taloudellista arvoa ei kyetä määrittämään, voidaan kutsua spekulatiiviseksi omaisuuseräksi. Vaikka omaisuuserälle voidaan johtaa luontainen arvo esimerkiksi sen taloudellisista ominaisuuksista, on arvolla oltava muitakin ajureita. Ei Internetin protokollapinollakaan ole perinteisen määritelmän mukaan luontaista taloudellista arvoa, mutta kiistatta verkostokompleksin arvo ei ole nolla. Voitaisiinko verkostokompleksien arvoa analysoida muilla keinoin? Tässä artikkelissa arvioimme sitä, miten lohkoketjupohjaisia omaisuuseriä voidaan arvostaa vaihtoehtoisin tavoin.

1. .
Verkostovaikutukset osana lohkoketju-
pohjaisten omaisuuserien valuaatiota
Muistio
Ilari Karhu
Research Associate
ilari.karhu@coinmotion.com
Thomas Brand
Head of Institutions
thomas.brand@coinmotion.com
Coinmotion Research
Tutkimuksia, selvityksiä ja julkaisuja
4 • 2022
Lokakuu 2022
Kryptovarat ja lohkoketjuteknologiaan perustuvat omaisuuserät ovat viime vuosina löytäneet enenevissä
määrin paikkansa myös institutionaalisten ja ammattimaisten sijoittajien sijoitussalkuista. Moni
kuitenkin karttaa näkemyksen ottamista näihin omaisuuseriin ja toimialaan liittyvän spekulatiivisuuden
vuoksi. Onhan kuitenkin rationaalisen sijoitussalkunhallinnan yksi tärkeimmistä kulmakivistä
hahmotettaessa sijoituskohteiden fundamentaalisia ajureita kohteen arvon ja kasvu-uran määrittämiseksi.
Perinteisille omaisuuserille, kuten esimerkiksi osakkeille, pyritään määrittämään todellinen käypä arvo
esimerkiksi tulevaisuuden ennakoitujen kassavirtojen ja tilinpäätöstietojen avulla. Tätä lähestymistapaa
ei kuitenkaan pystytä hyödyntämään lohkoketjupohjaisten omaisuuserien arvonmäärityksessä, koska ne
eivät välttämättä itsessään synnytä kassavirtaa eikä niiden arvo ole kytköksissä esimerkiksi mihinkään
kiinteään omaisuuteen. Omaisuuserää, jonka taloudellista arvoa ei kyetä määrittämään, voidaan kutsua
spekulatiiviseksi omaisuuseräksi.
Vaikka omaisuuserälle voidaan johtaa luontainen arvo esimerkiksi sen taloudellisista ominaisuuksista, on
arvolla oltava muitakin ajureita. Ei Internetin protokollapinollakaan ole perinteisen määritelmän
mukaan luontaista taloudellista arvoa, mutta kiistatta verkostokompleksin arvo ei ole nolla.
Voitaisiinko verkostokompleksien arvoa analysoida muilla keinoin? Tässä artikkelissa arvioimme
sitä, miten lohkoketjupohjaisia omaisuuseriä voidaan arvostaa vaihtoehtoisin tavoin.
Coinmotion Research – Tutkimusmuistio┃ 1

2. .
Spekulatiivinen alternatiivi
“Arvo ei ole luontaista, sillä se ei ole asioissa. [Arvo] on meissä; se on sitä, miten ihminen reagoi
ympäristönsä olosuhteisiin. Arvo ei myöskään ole sanoissa ja opeissa, vaan heijastuu ihmisen
käyttäytymisessä. -- [Subjektiivinen arvon määritteleminen] ei ole ulkoisen maailman
koeteltavissa. [Arvon] voi [määritellä] vain yksilö. Sitä ei voi kertoa tai antaa muille
kanssaihmisille.”
- Ludwig von Mises (1998, 96–97)
Hajautetut lohkoketjuverkot ovat kompleksisia adaptiivisia järjestelmiä. Ne ovat samaan aikaan
teknologisia, taloudellisia ja sosiaalisia verkostokomplekseja, joilla saattaa olla myös muun
muassa poliittisia piirteitä (ks. Perez 2003). Kryptovaroja syntyy jatkuvasti lisää ja osa niistä
painuu historian unholaan, jonka lisäksi ne kilpailevat muita omaisuuslajeja vastaan ja
keskenään erilaisista käyttötapauksista (ks. Ammous 2019).1
Sen lisäksi, että ne eivät ole omaisuuseränä mikään monoliitti – eri verkot eroavat toisistaan
niin teknologisesti, taloudellisesti kuin historiallisesti. Perustavanlaatuisten eroavaisuuksien ja
omaisuuserien moninaisuuden vuoksi analysoinnin standardointi on myös äärimmäisen
hankalaa. Esimerkiksi Bitcoin-verkon taloudelliset kannustimet, jotka perustuvat
työntodistekonsensusalgoritmiin eroavat täysin sellaisista verkoista, jotka hyödyntävät
varantotodistealgoritmia. Ero voi vaikuttaa näennäiseltä, mutta tosiasiallisesti konsensusmallin
ja sen eheyden vaikutukset ulottuvat kaikkialle, jonka lisäksi se vaikuttaa myös sen
ominaisuuksiin (ks. Luther & Olson 2015; Bier 2021).
Kaiken spekulatiivisuuden keskellä tieteellisen harmaasta rahoitusalan kirjallisuudesta voi löytää
erilaisia lähestymistapoja näiden niin sanottujen spekulatiivisten alternatiivien arviointiin.
Nämä lähestymistavat on mahdollista jakaa karkeasti reaktiivisiin ja proaktiivisiin menetelmiin.
Reaktiiviset lähestymistavat pyrkivät havaitsemaan markkinoilta signaaleja, jotka voivat olla
lähtökohtia aktiiviselle salkunhoidolle; tarkastelija huomaa järjestelmässä muutoksen, jonka hän
näkee etenevän verkossa. Tällainen lähestymistapa on esimerkiksi on-chain- eli
lohkoketjuanalyysi. Lohkoketjuanalyysin avulla voidaan siis tarkastella kaikkea, mitä julkisen
1
Osa “kryptokriitikoista” on jo vuosia arvostellut bitcoinia ja muita kryptovaroja monin eri tavoin. Erityisesti
bitcoinia on kritisoitu muun muassa siitä, että se muistuttaa pyramidihuijausta, se on hypervolatiili, sillä ei ole
arvoa, se voidaan millä tahansa hetkellä sulkea, rikolliset käyttävät bitcoinia, bitcoin voidaan kopioida,
bitcoinlouhinta kuluttaa liikaa sähköä ja niin edelleen.
Coinmotion Research – Tutkimusmuistio┃ 2

3. .
lohkoketjuverkon sisällä tapahtuu. Sen avulla voidaan tarkastella esimerkiksi verkon
siirtotapahtumia ja määrätietoja, kryptovaluuttojen osoitekohtaista ikäjakaumaa,
lohkoketjuosoitteiden määrän kehitystä, louhijoiden tai validaattorien palkkiotasoa ynnä
muuta. Tätä dataa voidaan puolestaan hyödyntää esimerkiksi erilaisten trendien, ali- ja
yliarvostuksen ja käyttöönoton (adoptaation) tarkastelussa. Yksinkertaisesti; verkossa tapahtuu
jotain, johon reagoidaan. Lohkoketjuanalyysi ei kuitenkaan ota kantaa pitkän aikavälin
fundamentaaliseen arvoon – Miten tätä voidaan arvioida?
Lohkoketjuverkkojen arvoa on pyritty arvioimaan monin eri menetelmin. Esimerkiksi
Bitcoin-verkon arvoa on pyritty mallintamaan niin sanottua varanto-virtaussuhdetta (engl.
stock-to-flow) hyödyntäen. Varanto-virtaussuhdetta on tapana hyödyntää erilaisten
hyödykkeiden niukkuuden arvioinnissa. Se saadaan jakamalla olemassa oleva tarjonta (varanto)
hyödykkeen vuotuisen tuotannon kasvulla (virtaus). Usein korkean varanto-virtauskertoimen
hyödykkeet ovat myös hyviä arvon säilyttäjiä. Esimerkkeinä tällaisista hyödykkeistä ovat
historiallisesti olleet muun muassa kulta ja hopea. (Bonello 2020)
Mikäli tarkastelemme Bitcoin-verkkoa ja sen teknologisia ominaisuuksia, huomataan pian, että
uuden bitcoinin liikkeeseenlasku puolittuu algoritmin mukaisesti noin neljän vuoden eli
tarkalleen ottaen 210 000 lohkon välein. Tämä tarkoittaa sitä, että uuden liikkeeseen lasketun
bitcoinin määrä vähenee geometrisesti joka neljäs vuosi ja bitcoinin terminaalinen tarjonta
lähenee 21 miljoonaa kuitenkaan koskaan sitä saavuttamatta.2
Kuvio 1. Bitcoinin tarjonnan kasvu ja tarjonnan väheneminen. Lähde: BashCo
2
Ks.Bitcoin Wiki: “Controlled Supply”, https://en.bitcoin.it/wiki/Controlled_supply
Coinmotion Research – Tutkimusmuistio┃ 3

4. .
Bitcoin-protokollan julkaisemisen ja alkulohkon louhimisen yhteydessä lohkotuki oli 50
bitcoinia jokaista kelvollisesti tuotettua lohkoa kohden. Kun tarkastelemme bitcoinin
varanto-virtaussuhdetta, se kasvaa ajassa kohti absoluuttista digitaalista niukkuutta.
Bitcoinin liikkeeseenlaskuprosessi voidaan esittää kaikessa yksinkertaisuudessaan seuraavassa
muodossa:
, jossa
𝑛=0
32
∑ 210 000 *
50
2
𝑛
32 on kaikkien koskaan tapahtuvien puoliintumistapahtumien lukumäärä, 210 000 on
puoliintumistapahtumien välinen lohkomäärä ja n on tarkastelussa olevan lohkopalkkion
puoliintumistapahtuman järjestysluku:
Bitcoinin liikkeeseenlaskun ennustettavuuden avulla moni on pyrkinyt tarkastelemaan
bitcoinin fundamentaalista arvoa analysoimalla digitaalisen hyödykkeen tarjontapuolta (engl.
supply-side analysis).
Esimerkiksi pseudonyymi Twitter-kirjoittaja PlanB esitti ja popularisoi vuonna 2019 bitcoinin
varanto-virtausmallin (engl. stock-to-flow model), jossa hyödynnetään olemassa olevien
bitcoinvarantojen ja vuotuisesti kiertoon tulevien uusien bitcoinvarantojen välistä suhdelukua.
Varanto-virtausmallin mukaan, kun hyödykkeen niukkuus markkinoilla kasvaa, sen hinta
nousee kysynnän kasvaessa. (PlanB 2019; Merkas & Roska 2021).
Yksinkertaisesti PlanB:n esittämä malli johdetaan lineaarisesta regressioyhtälöstä:
ln (BTC:n markkina-arvo) = 3,3 * ln (varanto-virtauskerroin) + 14,6
Tämä voidaan puolestaan esittää potenssilain mukaisesti funktiona
BTC:n markkina-arvo = exp exp(14,6) * varanto-virtauskerroin3,3
Historiallista dataa ja mallin tuottamaa arvostusta tarkasteltaessa on huomioitava, että PlanB:n
esittämä malli on ollut suhteellisen tarkasti linjassa bitcoinin markkina-arvon kanssa
merkittävällä tilastollisella selitettävyys- ja merkitsevyysasteella. Viime vuoden aikana mallin
tarkkuutta ja lähtökohtia on kuitenkin arvosteltu, eikä mallin selittävyyden taso ole pysynyt
aiemmalla tasollaan.
Coinmotion Research – Tutkimusmuistio┃ 4

5. .
Mallin selittävyyden taustalla voi olla useita seikkoja, kuten globaalit makrotaloudelliset ja
geopoliittiset tapahtumat tai sitten itse mallin tuottama arvostus on virheellinen. Mallia on
kritisoitu useiden kryptomarkkinoita seuraavan toimesta. Esimerkiksi jo Cordeiro (2020)
arvosteli mallia siitä, että se perustuu hänen mukaansa täysin todistamattomaan väitteeseen siitä,
että rahallisten hyödykkeiden markkina-arvo on suoraan johdettavissa hyödykkeiden
tarjontapuolesta.
Varanto-virtausmalleja on kritisoitu laajasti bitcoinin markkina-arvon ennustamisessa, mutta
niistä nousee kuitenkin esille yksi huomionarvoinen yksityiskohta: varanto-virtaussuhde
mahdollistaa niukkojen resurssien, kuten rahahyödykkeiden, vertailun toisiinsa esimerkiksi
pitkän aikavälin arvonsäilyttäjän roolissa.
”Kuvittele mielessäsi, että on olemassa kullan tavoin yhtä niukka perusmetalli, mutta se
olisi väriltään tylsän harmaa, huono sähkönjohtimena, ei olisi erityisen vahva, mutta ei
myöskään erityisen sitkeä tai helposti muokattavissa, ei soveltuisi mihinkään
käytännölliseen tai koristeelliseen tarkoitukseen, mutta ennen kaikkea sillä olisi yksi
erityinen, taianomainen ominaisuus eli sitä voitaisiin siirtää viestintäkanavaa pitkin. Jos
tällainen hyödyke saisi jonkinlaisen arvon, kuka tahansa, joka haluaisi siirtää varallisuutta
pitkien matkojen päähän, voisi ostaa sitä, välittää sen ja lopulta vastaanottaja voisi myydä
sen.”
- Satoshi Nakamoto (2010)
Coinmotion Research – Tutkimusmuistio┃ 5

6. .
Verkon ominaisuudet ja verkostovaikutukset
Pelkän tarjontapuolen tarkastelu ei todennäköisesti tuota haluttua lähestymiskulmaa
lohkoketjuverkkojen arvostamiseen. Jäljelle jää kysyntäpuolen analysointi, mikäli jätämme
tarjontapuolen analysoimatta kysynnästä ja tarjonnasta. Kysyntäpuolen tarkastelua voidaan
havainnollistaa analysoimalla esimerkiksi lohkoketjuverkon adoptaatiota, aktiivista käyttöä ja
siirto-/toteutusmääriä.
Jos tarkastelemme verkkoa abstraktion tasolla, huomaamme verkon koostuvan solmuista ja
näiden solmujen välisistä yhteyksistä; tieliikenneverkkojen solmut ovat kaupunkeja ja yhteydet
teitä, maksujärjestelmäverkon solmut ovat liikepankkeja ja yhteydet maksukanavia.
Fundamentaalisesti tarkasteltuna verkkojen tärkeimpiä kohtaamispaikkoja ovat solmut.
Bitcoin-verkossa solmut voisivat olla esimerkiksi louhintasolmuja, “täyssolmuja” tai esimerkiksi
yksittäisiä aktiivisia lohkoketjuosoitteita.
Miten solmujen välisten yhteyksien taloudellista arvoa voi
mallintaa?
Asiaa voidaan tarkastella ainakin alustavasti tietoliikenneverkkojen verkostovaikutuksia
kuvaavien mallien avulla. (Kuhn 2021) Verkostovaikutuksilla tarkoitetaan yksinkertaisesti sitä,
että palvelun tai verkon arvo kasvaa sitä mukaa, kuinka moni muu liittyy kyseiseen verkkoon
tai hyödyntää sen piirissä olevia palveluita (ks. Mayer 2015; vrt. Luther 2015; Nair &
Cachanosky 2017). Toisin sanoen verkon arvo syntyy lopulta verkon käyttäjien (solmujen)
määrästä (Hendler & Golbeck 2008).
Verkkojen arvoa ja verkostovaikutuksia on pyritty kuvaamaan erilaisia malleja ja viitekehyksiä
hyödyntäen. Esimerkiksi 1980-luvulla Ethernetin keksijä Robert Metcalfe esitti Metcalfen lain,
jonka mukaan verkon arvo on suoraan verrannollinen käyttäjien lukumäärän neliöön. (Zhang
ym. 2015)
𝑉𝑒𝑟𝑘𝑜𝑛 𝑎𝑟𝑣𝑜 ∝ 𝑁
2
Metcalfen lain mukaan muodostuva verkon arvo perustuu oletukseen siitä, että yhteyksien
määrä verkossa kasvaa nopeammin suhteessa verkon solmujen lukumäärään. Yksinkertaistetusti
sanottuna: jos solmujen lukumäärä on N, potentiaalisten solmujen välisten yhteyksien määrä on
(N2
– N) / 2, mikä tarkoittaa sitä, että solmujen välisten yhteyksien määrä kasvaa neliöllisesti
Coinmotion Research – Tutkimusmuistio┃ 6

7. .
verrattuna solmujen määrään. (Yoo 2015) Metcalfen laki on siis matemaattinen tautologia, joka
yksinkertaisuudessaan kuvaa verkon arvoa V sen käyttäjien (solmujen) välisten yhteyksien
lukumäärään (Peterson 2019).
Visuaalisesti esitettynä solmujen ja niiden yhteyksien suhde Metcalfen lain mukaisesti on
esitetty seuraavassa kuvassa:
Kuvio 2. Kahden solmun välisessä verkossa voi muodostua vain yksi yhteys kahden toimijan
välille, mutta jo neljän solmun välisessä verkossa on kuusi yhteyttä. (mukaillen Karhu 2022;
Yoo 2015)
Metcalfen lakia on tutkimusviitekehyksenä hyödynnetty monien teknologioiden, kuten
älylaitteiden ja esimerkiksi erilaisten sosiaalisten verkostojen kasvun kuvailussa. Zhang ym.
(2015) esimerkiksi tutkivat kahta suurta sosiaalisiin verkostoihin perustuvaa yritystä, Facebookia
(nykyisin Meta) ja Tencentiä (rakentaneet Kiinan suosituimman sosiaalisen median palvelun,
WeChatin, kaltaisia ratkaisuja). Tutkimusten tulosten mukaan Metcalfen laki kuvasi parhaiten
dataa ja esimerkiksi myös yritysten kustannukset olivat verrannollisia verkon koon neliöihin.
Viitekehystä on myös tutkittu lohkoketjuverkkojen arvon määrityksessä muun muassa Alabin
(2017), Petersonin (2018, 2019) ja Wheatley’n (2019) toimesta. Kaikissa näissä malleissa on
omat vahvuutensa ja heikkoutensa.
Peterson (2018) tutki muun muassa sitä miten Metcalfen laki kuvaa bitcoinin hintakehitystä.
Mallin selitysasteeksi Peterson sai R2
= 0,85, joka viittaa todella merkittävään lineaariseen
korrelaatioon ja selitysasteeseen Metcalfen lain ja bitcoinin hinnan välille. Nykyisin artikkelissa
esitetty data on kuitenkin vanhahkoa bitcoinin nykyiseen elämänkaaren vaiheeseen sekä itse
tarkastelujoukko on varsin pieni. Tulokset ovat kuitenkin hyvin mielenkiintoisia, joten voisi
olla syytä tarkastella ilmiötä uudella tarkastelujoukolla, aikavälillä ja metodeilla.
Coinmotion Research – Tutkimusmuistio┃ 7

8. .
Metcalfe ja Bitcoin
Seuraavassa on esitetty Petersonin viitekehys uudella datalla ja tarkasteluvälillä. Analysoinnissa
hyödynnettiin päivittäisten aktiivisten lohkoketjuosoitteiden lukumäärää kuvaamaan verkon
solmuja ja bitcoinin Yhdysvaltain dollarimääräistä markkina-arvoa kuvaamaan verkon
fundamentaalista arvoa. Tarkasteltavat muuttujat muutettiin kuukauden keskiarvoihin, jotta
spekulatiivisten hintapiikkien painoarvo vähenisi ja aineiston mahdolliset anomaliat
tasoittuisivat. Seuraavassa taulukossa näet hyödynnetyn aineiston:
Tarkastelujoukko Tarkasteluväli Havaintojen määrä Aineiston luonne
Bitcoin (BTC) 1.9.2010–30.8.2022 144 Kuukauden keskiarvo
Tarkasteltavasta aineistosta kyetään muodostamaan kaksi erillistä aikasarja-aineistoa; kuukauden
keskiarvot Metcalfen arvosta ja markkina-arvosta. Muuttujien välisten yhteyksien tarkasteluun
tarvitaan tilastollisia menetelmiä eli käytännössä korrelaatio- ja lineaarista regressioanalyysiä.
Korrelaatioanalyysissä hyödynnämme Pearsonin korrelaatiokerrointa kuvaamaan kahden
muuttujan välistä lineaarista riippuvuutta. Lineaarisen regressioanalyysin avulla voidaan taas
selvittää, kuinka hyvin tiettyä muuttujaa pystytään selittämään yhdellä tai useammalla eri
muuttujalla.
Ennen analyysiä on kuitenkin otettava muutama käytännön seikka huomioon. Tarkasteltava
aineisto koostuu aikasarjoista, joten sitä on käsiteltävä ennen analysointia. Ensimmäisenä
tarkasteltava aineisto muutetaan luonnolliseen logaritmiin, joka vähentää aikasarjojen
heteroskedastisuutta. Seuraavassa kuviossa aikasarja-aineistot on esitetty luonnollisessa
logaritmissa.
Coinmotion Research – Tutkimusmuistio┃ 8

9. .
Kuvio 3. Bitcoinin markkina-arvo ja Metcalfen arvo luonnolliseen logaritmiin muunnettuna
kahden vuoden aikavälillä. Lähde: Coinmotion Research
Kuviosta voi nähdä aineistossa olevan ajasta riippuvia, nousevia ja laskevia trendejä. Tämän
vuoksi voimme olettaa aineiston olevan epästationaarinen ja täten näiden “absoluuttisten”
arvojen tarkastelu ei välttämättä ole luotettavaa. Tämän vuoksi lopulliset muuttujat, joita
tarkastelemme, ovat aikasarja-aineiston 1. differenssejä eli erotuslukuja. Yksinkertaisesti 1.
differenssillä tarkoitetaan aikasarjassa muuttujan välistä muutosta ajassa t-1.
, jossa
𝑥: 𝑛 𝑚𝑢𝑢𝑡𝑜𝑠 = 𝑥𝑡
− 𝑥
𝑡−1
xt = muuttujan x arvo hetkessä t
xt-1 = muuttujan x arvo hetkessä t-1
Coinmotion Research – Tutkimusmuistio┃ 9

10. .
Kuvio 4. Bitcoinin markkina-arvon ja Metcalfen arvon 1. differenssit. Lähde: Coinmotion
Research
Tarkasteltaessa 1. differenssien välistä korrelaatiota, huomaamme seuraavasta hajontakaaviosta
positiivisen lineaarisen yhteyden.
Kuvio 5. Metcalfen arvon muutos ja markkina-arvon muutos hajontakaaviossa. Lähde:
Coinmotion Research
Coinmotion Research – Tutkimusmuistio┃ 10

11. .
Tilastollisesti Pearsonin korrelaatiokertoimeksi saadaan r = 0,7389 (p-arvo < 0,001). Muuttujien
välillä on lineaarinen yhteys, joten kykenemme seuraavaksi hyödyntämään lineaarista
regressioanalyysiä. Alla olevasta taulukosta nähdään regressioanalyysin tulokset:
Vakiotermi Regressiokerroin (p-arvo < 0,001) Selitysaste ( )
𝑅
2
Keskivirhe Havainnot
0,0296 0,719 0,546 0,2126 143
Selitettävän muuttujan (Metcalfen lain) selitysasteeksi saadaan 0,546. Tämä tarkoittaa sitä, että
x-muuttujan eli bitcoinin Metcalfen arvon muutos (t-1) selittää noin 54,6 % y-muuttujan eli
bitcoinin markkina-arvon muutoksen (t-1) vaihteluista. Regressioanalyysin avulla saamme
muodostettua lineaariseen yhtälöön perustuvan ennustemallin, joka pyrkii ennustamaan
y-muuttujaa x-muuttujan muuttuessa.
Tämä lineaarinen yhtälö on muotoa y = 0,719x + 0,0296, jossa
y = Bitcoinin markkina-arvon muutos (t-1)
x = Metcalfen arvon muutos (t-1)
Kuvio 6. Havaintojoukkoon sovitettu regressioanalyysin lineaarinen suora, joka on muotoa y =
x + k. Lähde: Coinmotion Research
Coinmotion Research – Tutkimusmuistio┃ 11

12. .
Yhteenveto
Uuden omaisuusluokan luontaisen arviointi on haastavaa, jos tarkasteltava omaisuusluokka
eroaa merkittävillä tavoin aiemmin tunnetuista. Bitcoin-lohkoketjuverkkoa ei tule (eikä voi)
arvioida samoin menetelmin kuin esimerkiksi yritysten osakkeita tai joukkovelkakirjoja.
Internetille ei voida määrittää mitään todellista arvoa tarkastelemalla tulevaisuuden
kassavirtoja, mutta kukaan ei vakavissaan väitä Internetin olevan arvoton.
“Perimmäisen” tai “reaalisen” arvon puuttuminen ei kuitenkaan tarkoita sitä, ettei jollakin ole
arvoa. Kaikki arvo on lopulta subjektiivista.
On kuitenkin olemassa uusia, mielenkiintoisia lähestymistapoja, joilla lohkoketjupohjaisten
omaisuuserien taloudellista arvoa on mahdollista arvioida. Yksi lähestymistapa on tarkastella
verkkoa, sen solmuja ja näiden välisiä yhteyksiä (ks. Oinonen 2020). Tutkimusten mukaan
esimerkiksi Metcalfen arvon ja bitcoinin dollarimääräisen markkina-arvon välillä on
huomattava positiivinen lineaarinen yhteys. Malleissa, kuten tässäkin artikkelissa esitetyssä
mallissa, on monia rajoitteita. Mallin suhteellisen korkean keskivirheen vuoksi sitä ei ainakaan
tällaisenaan voi hyödyntää absoluuttisten arvojen mallintamiseen, vaan se soveltuu lähinnä
viitekehykseksi tai ajattelun työkaluksi. Toisaalta on syytä huomata, että Metcalfen lain
empiiristä paikkansapitävyyttä tutkineet ovat korostaneet sen olevan hyödyllinen vain pitkillä
aikaväleillä. Viitekehys antaa kuitenkin positiivisen kuvan bitcoinin adoptaatiosta ja arvon
synnystä.
On myös tärkeää muistaa, että korrelaatio ei ole merkki syy-seuraussuhteesta. Metcalfen lain
valossa tarkasteltuna on kuitenkin mahdollista ajatella seuraavasti: verkon aktiivisen
käyttäjäkunnan kasvaessa, verkon kokonaisarvon potentiaali näyttää kasvavan. Toisaalta
ei kuitenkaan voi olettaa, että verkon arvo kasvaisi loputtomasti Metcalfen lain mukaisesti.3
Todennäköisesti verkko saavuttaa jossain vaiheessa elinkaartaan saturaatiopisteen, jonka jälkeen
uudet solmut eivät enää kasvata verkon arvoa yhtä voimakkaasti kuten aiemmissa vaiheissa.
Huom. Artikkelin aineisto ja lähestymistapa perustuvat KTM Ilari Karhun pro gradu -tutkielmaan
”Lohkoketjupohjaisten omaisuuserien valuaatio: Metcalfen laki” ja toinen artikkelin kirjoittajista on
tutkielman tekijä. Karhun Jyväskylän yliopistossa kirjoittama tutkielma on luettavissa maksutta
osoitteessa: https://jyx.jyu.fi/handle/123456789/81680.
3
Itse asiassa Metcalfe (2013) on huomauttanut, että verkon arvon ei voi kasvaa äärettömiin.
Coinmotion Research – Tutkimusmuistio┃ 12

13. .
Lähteet
Alabi, K. (2017). Digital blockchain networks appear to be following Metcalfe’s Law. Electronic
Commerce Research and Applications, 24, 23–29.
Ammous, S. (2019 [2018]). Bitcoin-standardi: Kohti avointa rahajärjestelmää. Käänt. AK, LO, NL,
TB & TL. Helsinki: Konsensus Network.
Bier, J. (2021). Lohkokokosota: Taistelu Bitcoinin protokollasääntöjen hallinnasta. Käänt. TB.
Helsinki: Konsensus Network.
Bonello, P. (2020). Valuing Bitcoin. Grayscale Research.
Cordeiro, N. (2020). Why the Stock-to-Flow Bitcoin Valuation Model is Wrong. CoinDesk
Opinion.
Hendler, J. & Golbeck, J. (2008). Metcalfe's law, Web 2.0, and the Semantic Web. Journal of
Web Semantics, 6(1): 14–20.
Kuhn, D. (2021). Can This Network Theory Predict if Bitcoin Is Undervalued? CoinDesk
Opinion.
Luther, W. J. (2015). Cryptocurrencies, Network Effects, and Switching Costs. Contemporary
Economic Policy, 34(3), 553–571.
Luther, W. J. & Olson, J. (2015). Bitcoin is Memory. Journal of Prices & Markets, 3(3), 22–33.
Mayer, T. (2020 [2015]). Bitcoinin seitsemän verkostovaikutusta. Kääntäjä TB. Brandin kirjasto,
16.1.2020.
Merkaš, Z. & Roška, V. (2021). The Impact of Unsystematic Factors on Bitcoin Value. Journal
of Risk and Financial Management, 14(11), 1–17.
Metcalfe, B. (2013). Metcalfe's Law after 40 Years of Ethernet. Computer, 46(12), 26–31
Mises, L. von (1998 [1949]). Human Action: A Treatise of Economics, The Scholar’s Edition.
Auburn, AL: Ludwig von Mises Institue.
Nair, M. & Cachanosky, N. (2017). Bitcoin and entrepreneurship: breaking the network effect.
Review of Austrian Economics 30, 263–275.
Nakamoto, S. (2008). Bitcoin: Sähköinen käteisjärjestelmä vertaisverkossa. 31.10.2008. Käänt.
Biocycle.
Coinmotion Research – Tutkimusmuistio┃ 13

14. .
Nakamoto, S. (27.8.2010). Re: Bitcoin does NOT violate Mises’ Reqression Theorem. Bitcoin
Forum. Viesti keskustelufoorumilla.
Oinonen, T. (2020). Metcalfe’s Law and Bitcoin’s Value. Coinmotion Research, 10.6.2020.
Perez, C. (2003). Technological Revolutions and Financial Capital: The Dynamics of Bubbles and
Golden Ages. Cheltenham, UK: Edward Elgar.
Peterson, T. F. (2018). Metcalfe's Law as a Model for Bitcoin's Value. Alternative Investment
Analyst Review, 7(2), 9–18.
Peterson, T. F. (2019). Bitcoin Spreads Like a Virus. Cane Island Alternative Advisors (Vedos)
PlanB (2019). Bitcoinin arvon mallintaminen niukkuuden avulla. Kääntäjä TB. Brandin kirjasto,
2.11.2019.
Wheatley, S., Sornette, D., Huber, T., Reppen, M. & Gantner, R. N. (2018). Are Bitcoin
bubbles predictable? Combining a generalized Metcalfe’s Law and the Log-Periodic Power
Law Singularity model. Royal Society Open Science, 6: 180538.
Yoo, C. S. (2015). Moore’s Law, Metcalfe’s Law, and the Theory of Optimal Interoperability.
Colorado Technology Law Journal, 14, 87–102.
Zhang, X.-Z., Liu, J.-J. & Xu, Z.-W. (2015). Tencent and Facebook Data Validate Metcalfe’s
Law. Journal of Computer Science and Technology, 30(2), 246–251.
Coinmotion Research – Tutkimusmuistio┃ 14

15. .
Kirjoittaja(t)
Ilari Karhu
Research Associate
Thomas Brand
Head of Institutions
Tärkeää tietoa
Tämä Coinmotion Researchin laatima raportti (”materiaali”) keskittyy kryptovaluuttoihin, digitaalisiin
varallisuuseriin, avoimiin lohkoketjuihin, rahoitusmarkkinoihin ja/tai finanssiteknologiaan.
Materiaali on laadittu yleisluontoiseksi tiedoksi ja informaatioksi omaan käyttöön niille, jotka ovat kiinnostuneita
edellä mainituista aihealueista. Historialliset tuotot eivät ole tae tulevasta ja yksittäisen sijoituskohteen hinta voi
vaihdella suuresti eri tekijöiden vuoksi.
Materiaalia ei ole tarkoitettu sijoitus-/verosuositukseksi, -neuvonnaksi tai –tutkimukseksi, eikä sitä tule ymmärtää
sellaiseksi. Kryptovaluuttoihin, digitaalisiin varallisuuseriin, avoimiin lohkoketjuihin ja vastaaviin sijoittamiseen
liittyy merkittäviä riskejä ja epävarmuustekijöitä. Materiaali pitää sisällään tulevaisuutta koskevia näkemyksiä, jotka
liittyvät mahdollisiin tulevaisuuden tiloihin tai tapahtumiin, jotka ovat vain mielipiteitä ja hypoteeseja
mahdollisista tapahtumista, lopputulemista ja/tai tuloksista. Todelliset kehityskulut voivat poiketa olennaisesti
esitetysti.
Tavoitteena on tarjota mahdollisimman tarkkoja ja oikeita tietoja, mutta kirjoittajat ja/tai Coinmotion ei takaa
materiaalissa olevien tietojen täydellisyyttä, soveltuvuutta, täsmällisyyttä, käyttökelpoisuutta tai virheettömyyttä.
Materiaaliin kootuissa tiedoissa saattaa ilmetä jatkuvia muutoksia. Materiaali pitää sisällään kuvia, kuvaajia ja
vastaavia, jotka on koottu kirjoittajien kulloisellakin ajanhetkellä ja/tai tilanteessa luotettavina pitämistä lähteistä.
Kirjoittaja(t) ja/tai Coinmotion ei vastaa tietojen oikeellisuudesta, tarkkuudesta tai ajantasaisuudesta.
Materiaalissa esitetyt tiedot ja arviot voivat muuttua nopeasti, eikä Coinmotion sitoudu päivittämään muutoksia
materiaaliin.
Materiaalissa esitetyt kannanotot, näkemykset, kuviot/kaaviot, arviot ja ennusteet ovat kirjoittajien valikoimia, eikä
niitä voi pitää minkäänlaisena kehotuksena toimeen tai päätökseen. Materiaalin sisältö ei välttämättä vastaa
Coinmotionin kulloisiakin näkemyksiä materiaalissa käsitellyistä asioista.
Coinmotion Research tai Coinmotion eivät ole vastuussa mistään menetyksistä, vahingoista tai kuluista tämän
materiaalin käyttöön tai materiaalissa olevaan tai siitä mahdollisesti puuttuvaan informaatioon liittyen.
Materiaali on tarkoitettu vain lukijan yksityiseen käyttöön.
Don’t trust. Verify.
Päivämäärä
v1.0: 4. lokakuuta 2022
Palaute ja yhteydenotot
institutions@coinmotion.com
Coinmotion Research – Tutkimusmuistio┃ 15