4. 数据源准备（下）：获取链上交易量、活跃地址数、链上大额转账数据

上一节我们把价格数据搞定了。但说实话，光看价格做恐慌贪婪指数，就像只看体温不看血常规——太片面了。

链上数据才是真正的「硬指标」。交易量是真是假？地址活跃度如何？有没有大户在悄悄转移筹码？这些信息，都藏在区块链的原始数据里。

今天我们就来搞定三个核心指标：链上交易量、活跃地址数、链上大额转账。我会用 Glassnode 和 CoinMetrics 的 API 来演示。

核心观点：链上数据是恐慌贪婪指数的「骨架」。没有它们，你的指数就是个空壳。

4.1 为什么是这三个指标？

你想想看，市场情绪最终会反映在链上行为上：

  • 链上交易量：反映的是真实的价值转移。交易所里的交易量可以刷，但链上转账是要付 Gas 费的，造假成本高得多。
  • 活跃地址数：说白了就是「有多少人在用这条链」。地址数飙升，说明新用户进场；地址数萎缩，说明市场冷清。
  • 链上大额转账：这个我最看重。大户（鲸鱼）的动向往往领先于价格。我曾经在 2021 年 5 月观察到连续三天的大额 BTC 转往交易所，结果一周后市场就崩了。

这三个指标组合起来，基本能勾勒出市场的「真实温度」。

4.2 Glassnode API 实战

Glassnode 是目前链上数据最全的平台之一。我个人习惯用它来做深度分析，因为它的指标定义很严谨。

首先，你需要去 glassnode.com 注册账号，拿到 API Key。免费版有调用次数限制，但做回测足够了。

4.2.1 获取链上交易量

Glassnode 把交易量分为两种：Transfer Volume（转账量）和 Exchange Flow（交易所进出量）。我们这里用前者。

import requests
import pandas as pd
from datetime import datetime, timedelta

API_KEY = "你的API_KEY"
BASE_URL = "https://api.glassnode.com/v1/metrics/transactions/transfers_volume"

# 设置参数
params = {
    "a": "BTC",           # 资产
    "s": "2023-01-01",    # 开始日期
    "u": "2023-12-31",    # 结束日期
    "i": "24h",           # 时间粒度
    "api_key": API_KEY
}

# 发起请求
response = requests.get(BASE_URL, params=params)
data = response.json()

# 转为 DataFrame
df_volume = pd.DataFrame(data)
df_volume['t'] = pd.to_datetime(df_volume['t'], unit='s')
df_volume.columns = ['timestamp', 'transfer_volume']
print(df_volume.head())
小技巧：Glassnode 返回的时间戳是 Unix 秒数，记得转换。我刚开始用的时候忘了这步，画出来的图时间轴全乱了。

4.2.2 获取活跃地址数

活跃地址的定义是：在给定时间窗口内，至少参与过一次交易（发送或接收）的唯一地址数。

# 活跃地址数 API
URL_ACTIVE = "https://api.glassnode.com/v1/metrics/addresses/active_count"

params_active = {
    "a": "BTC",
    "s": "2023-01-01",
    "u": "2023-12-31",
    "i": "24h",
    "api_key": API_KEY
}

resp_active = requests.get(URL_ACTIVE, params=params_active)
df_active = pd.DataFrame(resp_active.json())
df_active['t'] = pd.to_datetime(df_active['t'], unit='s')
df_active.columns = ['timestamp', 'active_addresses']

嗯，这里要注意：活跃地址数在周末通常会下降，因为机构交易者休息了。这不是市场恐慌，是正常的周期性波动。做指数时最好做周度平滑处理。

4.2.3 获取大额转账数据

大额转账，Glassnode 定义为单笔金额超过 10 BTC 或 100 BTC 的交易。我个人习惯用 100 BTC 作为阈值，因为这才是真正的「鲸鱼级别」。

# 大额转账（≥100 BTC）
URL_LARGE = "https://api.glassnode.com/v1/metrics/transactions/transfers_volume_large"

params_large = {
    "a": "BTC",
    "s": "2023-01-01",
    "u": "2023-12-31",
    "i": "24h",
    "api_key": API_KEY,
    "f": "USD",           # 以美元计价
    "t": "100"            # 阈值：100 BTC
}

resp_large = requests.get(URL_LARGE, params=params_large)
df_large = pd.DataFrame(resp_large.json())
df_large['t'] = pd.to_datetime(df_large['t'], unit='s')
df_large.columns = ['timestamp', 'large_transfer_volume_usd']
避坑指南：我曾经遇到过一个问题——大额转账数据在某些日期会突然归零。后来发现是 Glassnode 的数据更新有延迟，通常要等 2-3 个区块确认。所以建议拉数据时，至少留出 6 小时的缓冲时间。

4.3 CoinMetrics API 作为备选

Glassnode 虽好，但免费额度有限。如果你需要更灵活的数据获取方式，CoinMetrics 的社区版 API 是个不错的选择。

CoinMetrics 的数据更「原始」一些，需要自己计算指标。但好处是：你可以自定义时间粒度和资产范围。

# CoinMetrics 社区版 API 示例
import json

CM_API_KEY = "你的CoinMetrics_API_KEY"
CM_BASE = "https://community-api.coinmetrics.io/v4"

# 获取 BTC 的链上交易量
url_cm = f"{CM_BASE}/timeseries/asset-metrics"
params_cm = {
    "assets": "btc",
    "metrics": "TxTfrValAdjUSD",  # 调整后的转账量（美元）
    "frequency": "1d",
    "start_time": "2023-01-01",
    "end_time": "2023-12-31",
    "api_key": CM_API_KEY
}

resp_cm = requests.get(url_cm, params=params_cm)
data_cm = resp_cm.json()

# 解析数据
records = []
for item in data_cm.get('data', []):
    records.append({
        'timestamp': item['time'],
        'adjusted_volume_usd': float(item['TxTfrValAdjUSD'])
    })

df_cm = pd.DataFrame(records)
print(df_cm.head())
对比总结：
  • Glassnode：指标丰富，开箱即用，适合快速搭建原型
  • CoinMetrics：数据更底层，灵活性高，适合自定义计算
我个人建议：初期用 Glassnode 快速验证想法，后期迁移到 CoinMetrics 做精细化回测。

4.4 数据清洗与合并

三个指标的数据格式可能不一致，需要统一处理。我习惯的做法是：

  1. 将所有时间戳统一为 UTC 日期格式（YYYY-MM-DD）
  2. 按日期做左连接，确保数据对齐
  3. 处理缺失值（用前向填充或插值）
# 合并三个数据源
df_volume['date'] = df_volume['timestamp'].dt.date
df_active['date'] = df_active['timestamp'].dt.date
df_large['date'] = df_large['timestamp'].dt.date

# 合并
df_merged = df_volume[['date', 'transfer_volume']].merge(
    df_active[['date', 'active_addresses']], on='date', how='left'
).merge(
    df_large[['date', 'large_transfer_volume_usd']], on='date', how='left'
)

# 处理缺失值
df_merged = df_merged.fillna(method='ffill')

# 添加日期索引
df_merged.set_index('date', inplace=True)
print(df_merged.tail())
关键点：链上数据有时会有「空洞」（比如节点维护导致数据缺失）。千万别直接 dropna，用前向填充更合理——因为链上行为是连续的，昨天的数据可以近似代表今天。

4.5 本章知识体系

下面这张图概括了我们今天讲的核心逻辑：

链上数据获取流程 Glassnode API CoinMetrics API 备选/补充 链上交易量 活跃地址数 大额转账数据 数据清洗与合并 恐慌贪婪指数输入

从图中可以看到，两个数据源是互补关系。Glassnode 提供现成指标，CoinMetrics 提供原始数据。最终三个指标经过清洗合并后，成为恐慌贪婪指数的核心输入。

我的建议：不要只依赖一个数据源。我曾在回测中发现 Glassnode 的某个指标突然断更，幸好有 CoinMetrics 的数据做备份。多一个数据源，多一份安心。

好了，链上数据这块就讲到这里。下一节我们会把这些数据组合起来，真正开始构建恐慌贪婪指数。到时候你会发现——原来市场情绪是可以「量化」的。

公众号:蓝海数据掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →