釘子在哪
如何幫項目打分數 (上)
所有的投資，獲利機會都來自於資訊不對稱；創造並利用資訊不對稱是投資者的核心工作。
前言
自從 2017 年加密貨幣領域的眾籌 (Crowd Sale) 活動興起以來，雖然經歷過 ICO、STO 與 IEO 三個階段的變化，但本質上都是同一套邏輯：投資者運用主流加密幣 (BTC、ETH、NEO 或 USDT 等) 交換團隊發行的新代幣，並預期這些代幣上線交易所後有利可圖。
那麼，為什麼眾籌活動會如此火熱呢？
傳統上，風險資本 (Venture Capital，VC) 與天使投資者在投資新創公司時存在三個根本問題：
- 投資門檻高：如果沒有數十萬美金，甚至數百萬美金的話，恐怕連跨入門檻都達不到。
- 流動性差：項目營運若失敗，那麼投資的錢將血本無歸。即使團隊表現不錯，順利完成 A 輪、B 輪募資，早期投資人也不一定能夠拿走獲利退場。另一方面，即使打算加碼投資，後面的領投 VC 也不一定會尊重早期投資人的權利。
- 不公平：頂尖的項目首先找紅杉資本、創意工場或分布式資本等知名的 VC，即使你判斷力極佳，在項目來源上就輸了，根本輪不到你。
而目前加密產業發展出來的眾籌流程解決了上述的問題。舉例而言，幣安交易所的 IEO 平台 Launchpad ，只需要用戶持有 50 顆 BNB (當前 1 BNB 約為 25 美元，總值約 1,250 美元) 便可參與。
其次，代幣通常在完成眾籌不久後便上線交易所，有良好的流動性，不論對投資或是投機者都有足夠的吸引力。
最後，目前的眾籌活動主要分為先到先得制 (FCFS) 與抽籤制 (Lottery)，也具備足夠的公平性。
眾籌活動是高風險高報酬活動
另一方面，加密產業眾籌活動的潛在報酬相當驚人，下圖列出所有 ICO 項目至今 (2019 年 5 月 8 日) 的投報率 (Return Of Investment, ROI) 排名。從圖表中可看到排名第 6 的 BNB 是 2017 年後第一個達到百倍報酬的幣種。
但是，高報酬總是伴隨著高風險，許多加密幣直接歸零讓投資者蒙受鉅額損失，或是出現項目方營運停擺甚至是捲款逃跑的狀況。
如何聰明地選擇眾籌標的
當大家發現比特幣在經過 2017 年 12 月 17 日的歷史高點後，熱錢已經達到頂峰，那隻看不見的手變聰明了。原本亂槍打鳥式的投資方式已沒法獲利，於是人們開始培養眼光，尋找老師，參加消息類社群，期待更聰明的進行投資。
其中，運用科學方法來判斷投資目標的有 MLJAR。該團隊所做的研究之一指出高 ROI 的區塊鏈團隊，其所經營的 Telegram 群組的用戶數大體落在 2,000 至 20,000 人間；高用戶數的 Telegram 群組與其加密貨幣的 ROI 不存在關聯性。
MLJAR 在另一篇文章中利用人工智慧的方法對加密貨幣的 ROI 建立預測模型，並藉此分析影響 ROI 的主要因素。
但是，MLJAR 所建立的預測模型存在幾個明顯缺陷：
- 資料量不足：當前在 CoinMarketCap 登記在案的幣種數為 2,160 個，而 MLJAR 只使用 125，不到總資料量的 6 %。
- 預測標的缺乏客觀性：演算法中的預測標的，是選用加密貨幣在上線交易所後的歷史最高價 (All Time High, ATH) 作為 ROI 的依據。所以，如果幣種 A 在一年前上線交易所，幣種 B 在一週前才上線交易所，兩者計算 ROI 的基準是不一樣的，而使得幣種 B 處於劣勢。
- 參雜主觀評分機制：演算法主要的輸入指標之一「Ian_ICO_Grade」是單一個人的評分，並非資料導向。
既然當前還沒有人採用完全資料導向的方式建立一級轉二級市場的 ROI 預測模型，於是我們想，為何不自己試試呢？
但問題是，如果要做的話，我們要預測什麼呢？這篇的名稱「釘子在哪」隱含的意思便是在此：我們打算預測什麼呢？
我們預測幣種剛上交易所的短期投報率。
上圖紀錄 2017/06/27 ~ 2019/02/04 間約 400 個項目，在上線交易所後起始 7 天的當日最高價格除以眾籌價格的比率，因此每個項目有 7 個點。整張圖是以 log-scale 表示，因此若轉換成 linear-scale 後變化會更明顯。
初步來看，我們可以歸納出幾點觀察：
- 2018 年年初至年底間，整體的短期投報率呈現下滑趨勢。
- 不論牛熊市，每隔一小段時間總會有頂級項目主宰市場。
- 在 2018 年年底到 2019 年初，進行眾籌的項目數急遽減少。
具體而言，我們設定的預測標的如下：
Short-Term ROI = (上交易所後起始七天最高價格的平均值) / 眾籌價格
透過這樣的定義，我們可以避免在使用 ATH 時產生的標準不一的問題，而且明確有感。
小結
我們在這篇文章解釋了傳統募資活動的根本問題，並指出眾籌活動興起的原因，而後介紹當前市場上現有的運用科學方法所做的嘗試。最後，定義用在預測模型中的輸出項。我們將在下一篇文章中具體描述 Modeling 的方法論，並給出一些很有意義的結果。
如果這篇文章充實了你，不妨留下記錄，日後才知道是什麼豐富了生命。
1 ~ 10 下 我看了。11 ~ 30下 我喜歡。31 ~ 50下 希望可以寫更多這類型的文章。
