Вступление

Стандартной практикой традиционных экономических исследований является сбор многолетних данных, а затем их анализ для понимания экономических циклов с использованием различных подходов к инвестиционным и торговым стратегиям. Но данные для обычных экономических систем всегда скомпрометированы. Следовательно, целостность и качество данных влияют на результаты этих исследований.

Криптоэкономика очень нова и развивается. Со временем набор данных, доступный для криптоактивов, станет намного богаче атрибутами, чем тот, который доступен для традиционной экономики. Более важно то, что все данные всегда доступны в блокчейне и никогда не скомпрометированы. Следовательно, результаты исследований на основе таких данных не будут иметь проблем, связанных с качеством и целостностью данных.

Швейцарская компания Santiment со своим смарт-контрактом на блокчейне Ethereum была запущена в первом полугодии 2017 года. Команда Santiment разработала большое количество функций для каждого криптоактива, особенно для активов ERC20, и к ним может получить доступ любой человек с их платформы.

ShilazTech, индийская компания, специализируется на анализе больших наборов данных с использованием машинного обучения для выявления закономерностей для разработки инвестиционных и торговых стратегий.

Santiment и ShilazTech объединили усилия, чтобы изучить доступные данные для ведущих блокчейнов, Биткойн и Эфириум, с целью понять относительно длительные периоды криптоэкономических циклов и использовать это понимание для построения инвестиционных и торговых стратегий. Параллельная цель - дать криптоэнтузиастам возможность узнать об огромном количестве информации, доступной в цепочках блоков, которая существует, но еще предстоит извлечь из данных, предоставленных Santiment.

Диапазон дат для анализа был с момента его начала до 5 мая 2019 года, когда началось исследование. Окончательные диапазоны дат были скорректированы в зависимости от доступности функций. Исследование разделено на четыре части - обзор прошлых исследований, анализ биткойнов, анализ Ethereum и выводы и рекомендации.

Обзор прошлых исследований

Исследователи биткойнов провели множество исследований, чтобы понять - что движет оценкой биткойнов и цикличностью цен. Некоторые из моих любимых исследований кратко обсуждаются ниже:

Hodl Waves

Unchained Capital определяет волны ходла следующим образом:

Волны Ходля отражают поведение хранителей активов. Если ходлер продолжает держать актив, это эффективно сокращает предложение актива и помогает повысить его цену. В случае с биткойном можно вычислить время, в течение которого биткойн не перемещается с адреса.

Волна HODL создается, когда большое количество биткойн-транзакций на пути к локальному ценовому максимуму и через него, становится недавним BTC (от 1 дня до 1 недели), а затем медленно врастает в каждую последующую группу, как HODL ее новых владельцев.

Волна HODL визуально проявляется на графике в виде паттерна из вложенных кривых, вызванных тем, что каждая возрастная группа внезапно становится намного толще (выше) в более поздние сроки от ралли.

На изображении ниже показаны несколько самых больших волн HODL.

Unchained Capital в своей статье Bitcoin Data Science (Pt. 1): HODL Waves обсуждает, как поведение держателей, измеренное с помощью HODL-волн, помогает понять оценку и цикличность цены биткойна.

Однако в статье не представлена ​​решающая методология выхода и входа с рынка, основанная на волнах HODL.

Модель потока запасов

PlanB популяризировал модель потока запасов биткойнов в своей статье Моделирование ценности биткойнов с дефицитом. В этой статье он количественно оценивает дефицит, используя отношение запаса к потоку, и использует отношение запаса к потоку для моделирования стоимости биткойна. Доверие к модели возрастает, поскольку золото и серебро, которые являются совершенно разными рынками, соответствуют значениям биткойн-модели для SF.

Модель очень хорошо знает, когда биткойн недооценен или переоценен. Точки входа разумно подбираются методологией, но не обеспечивает удовлетворительных точек выхода.

Модель покоя

Adaptive Capital обсудила свою модель покоя для биткойнов в статье Bitcoin Average Dormancy. Состояние покоя определяется как среднее количество дней, уничтоженных на одну монету, совершенную в любой конкретный день. В этой статье они показывают, что поток покоя идеален как для выявления исторических глобальных минимумов, так и для оценки того, остается ли бычий рынок в относительно нормальных условиях, как показано на рисунке ниже:

Опять же, эта методология очень хороша для достижения дна, но не обеспечивает решающей точки выхода.

Множественная модель Майера

Mayer Multiple был создан Трейс Майер как способ анализа цены биткойнов в историческом контексте. Множитель Майера является кратным текущей цене биткойнов по 200-дневной скользящей средней. Моделирование, проведенное Trace Mayer, показало, что в прошлом наилучшие долгосрочные результаты были достигнуты путем накопления биткойнов, когда коэффициент Mayer Multiple был ниже 2,4, как показано на рисунке ниже:

Эта модель не может точно определить точку входа и не имеет конкретных критериев для выхода.

Модель журнала-журнала

Гарольд Кристофер Бургер в своей статье Естественный долгосрочный коридор роста Биткойна с законом о степенях роста предложил логарифмическую модель для оценки цены BTC только как функции времени, как показано на рисунке ниже:

В своей модели он провел регрессионный анализ между журналом цены BTC и журналом дней с момента запуска BTC. И он обнаружил удивительно линейную связь между ними. Линейная регрессия дает степенной закон для предсказания цены биткойна в данный день.

Эта модель, кажется, подбирает как точки входа, так и точки выхода. Чтобы получить зону покупки / накопления, он должен сместить основную линию регрессии вниз на некоторое специальное значение, чтобы обозначить зеленый цвет (зона накопления) и линию поддержки. И чтобы определить линию сопротивления или точки выхода, он должен провести отдельную регрессию по трем точкам ATH каждой фазы быка / медведя.

Модель MVRV

Сантимент разработал модель MVRV. MVRV - это отношение рыночной стоимости к реализованной стоимости. MVRV long / short diff измеряет разницу между длинным и коротким периодом MVRV. На рисунке ниже показана эта функция для биткойнов:

Эта модель также дает достаточно хорошие точки входа после каждой медвежьей фазы, когда разница между длинным / коротким MVRV пересекает отметку выше нуля. Но не дает точек выхода.

В заключение - большинство проведенных исследований помогают понять, когда биткойн недооценен, и являются хорошей отправной точкой. Но почти все они не обеспечивают удовлетворительной точки выхода.

Основное внимание в нашем исследовании уделяется возможности получить разумные точки выхода для больших медвежьих / бычьих циклов в дополнение к точкам входа и, если возможно, выбрать также вход / выход между циклами.

Анализ биткойнов

Биткойн существует уже более 10 лет. История блочных данных биткойна с момента его запуска 3 января 2009 года доступна для изучения и анализа. На рисунке ниже показана история цен на биткойны с 17 июля 2010 года по 5 мая 2019 года.

История цен ясно показывает поведение американских горок. Хотя есть большие взлеты и падения, в целом с момента его запуска цена сильно выросла. Следовательно, понимание поведения цен и прогнозирование будущих уровней цен или изменений цен представляет огромную ценность и интерес для мира криптовалют.

Мы работали над пятью разными подходами:

  1. Подход 1 - спрогнозируйте значение текущей дневной цены закрытия, чтобы определить времена недооцененных или переоцененных зон, используя нейронную сеть обратного распространения, и используйте это, чтобы придумать простую инвестиционную / торговую стратегию.
  2. Подход 2 - прогнозируйте значение текущего закрытия, чтобы определить времена недооцененных или переоцененных зон, используя нейронную сеть LSTM, и используйте это, чтобы придумать простую инвестиционную / торговую стратегию.
  3. Подход 3. Используйте HODL Waves, чтобы разработать простую инвестиционную / торговую стратегию.
  4. Подход 4 - спрогнозируйте процентное изменение будущих n дней и используйте это, чтобы придумать простую инвестиционную / торговую стратегию.
  5. Подход 5 - Гибридная стратегия двух вышеперечисленных

Мы использовали следующую процедуру для оценки добавленной стоимости этих подходов:

  • Разработайте два торговых сигнала, используя простую стратегию, основанную на простой скользящей средней (SMA).
  • Сигнал MA с SMA2 (2 образца) и SMA11 (11 Sample) для фактического закрытия
  • Отфильтрованный сигнал путем объединения
  • Сигнал скользящей средней с SMA2 (2 выборки) и SMA11 (11 выборок) для фактического закрытия
  • Сигнал скользящей средней с полями SMA2 (2 образца) и SMA11 (11 образцов), полученный с использованием прогнозируемого значения
  • Открывайте сделку, только если оба вышеуказанных сигнала имеют одинаковый сигнал
  • Торговая стратегия
  • Начальный капитал 100 000
  • Брокерские услуги 0,075%
  • Сегодняшний сигнал будет исполнен по "цене открытия" следующего дня
  • Сравните прирост капитала отфильтрованного сигнала с сигналом скользящей средней.
  • Сравните прирост капитала отфильтрованного сигнала с покупкой и удержанием
  • Сравните параметры доходности риска для двух вышеуказанных сигналов.

Сбор данных

Мы использовали данные из двух источников - Blockchain.info и Santiment. Диапазон дат для используемых данных - с 28 апреля 2013 года по 8 мая 2019 года. Ниже приводится список данных из каждого источника.

Данные с Blockchain.info

Данные от Santiment

AvgBlockSize, Ntransactions, сложности, BlocksSize, CostPerTransaction, HashRate, Капитализация, MedianConfirmationTime, NTransactionsperBlock, transactionfees, nuniqueaddresses, estimatedtransactionvolumeusd, MinersRevenue, openPriceUsd, closePriceUsd, highPriceUsd, lowPriceUsd, объем, Капитализация, daily_active_addresses, network_growth, burn_rate, token_age_consumed, average_token_age_consumed_in_days, transaction_volume, token_velocity, token_circulation, mvrv_ratio, nvt_ratio, daily_active_deposits, github_activity, dev_activity, exchange_funds_flow, social_volume_PROFESSIONAL_TRADERS_CHAT_OVERVIEW, social_volume_TELEGRAM_CHATS_OVERVIEW, social_volume_DISCORD_DISCUSSION_OVERVIEW, BTC_hodl_waves.csv_circulation_7d, BTC_hodl_waves.csv_circulation_10y, BTC_hodl_waves.csv_circulation_180d, BTC_hodl_waves.csv_circulation_1d, BTC_hodl_waves.csv_circulation_20y, BTC_hodl_waves.csv_circulation_2y, BTC_hodl_waves.csv_circulation_30d, BTC_hodl_waves.csv_circulation_365d, BTC_hodl_waves.csv_circu lation_3y, BTC_hodl_waves.csv_circulation_5y, BTC_hodl_waves.csv_circulation_60d, BTC_bounded_mvrv.csv_mvrv_10y, BTC_bounded_mvrv.csv_mvrv_180d, BTC_bounded_mvrv.csv_mvrv_1d, BTC_bounded_mvrv.csv_mvrv_20y, BTC_bounded_mvrv.csv_mvrv_2y, BTC_bounded_mvrv.csv_mvrv_30d, BTC_bounded_mvrv.csv_mvrv_365d, BTC_bounded_mvrv.csv_mvrv_3y, BTC_bounded_mvrv.csv_mvrv_5y, BTC_bounded_mvrv.csv_mvrv_60d, BTC_realized_value.csv_realized_value, BTC_marketcaps.csv_circulation_10y, BTC_marketcaps.csv_circulation_180d, BTC_marketcaps.csv_circulation_1d, BTC_marketcaps.csv_circulation_20y, BTC_marketcaps.csv_circulation_2y, BTC_marketcaps.csv_circulation_30d, BTC_marketcaps.csv_circulation_365d, BTC_marketcaps.csv_circulation_3y, BTC_marketcaps.csv_circulation_5y, BTC_marketcaps.csv_circulation_60d, BTC_active_coins.csv_% монет активен за последние 3 года, BTC_active_coins.csv_% монет, активных за последний 1 год, BTC_realized_cap.csv_realized_cap_10y, BTC_realized_cap.csv_realized_cap_180d, BTC_realized_cap.csv_realiz ed_cap_1d, BTC_realized_cap.csv_realized_cap_20y, BTC_realized_cap.csv_realized_cap_2y, BTC_realized_cap.csv_realized_cap_30d, BTC_realized_cap.csv_realized_cap_365d, BTC_realized_cap.csv_realized_cap_3y, BTC_realized_cap.csv_realized_cap_5y, BTC_realized_cap.csv_realized_cap_60d, BTC_mvrv_diff.csv_MVRV Long / Short Diff

Оба этих набора данных были объединены в один набор данных. И этот набор данных затем используется для анализа.

Удалить избыточные функции

Всего в объединенном файле 76 функций. Очевидно, что можно ожидать, что многие поля будут сильно коррелированы друг с другом. Поэтому мы провели корреляционный анализ, чтобы найти поля с высокой степенью корреляции и удалить все те, у которых корреляция превышает 0,95. Это дало нам те поля, которые не коррелируют друг с другом. Ниже приведен список этих 33 функций:

[‘OpenPriceUsd’ ‘volume’ ‘daily_active_addresses’ ‘burn_rate’

‘Transaction_volume’ ‘token_circulation’ ‘mvrv_ratio’ ‘github_activity’

‘Dev_activity’ ‘BTC_hodl_waves.csv_circulation_10y’

‘BTC_hodl_waves.csv_circulation_180d’ ‘BTC_hodl_waves.csv_circulation_2y’

‘BTC_hodl_waves.csv_circulation_30d’

‘BTC_hodl_waves.csv_circulation_365d’ ‘BTC_hodl_waves.csv_circulation_3y’

‘BTC_hodl_waves.csv_circulation_60d’ ‘BTC_bounded_mvrv.csv_mvrv_180d’

‘BTC_bounded_mvrv.csv_mvrv_1d’ ‘BTC_bounded_mvrv.csv_mvrv_30d’

‘BTC_bounded_mvrv.csv_mvrv_60d’ ‘BTC_realized_value.csv_realized_value’

‘BTC_marketcaps.csv_circulation_1d’

«BTC_active_coins.csv_% монет, активных за последние 3 года»

«BTC_active_coins.csv_% монет, активных за последний год»

‘BTC_realized_cap.csv_realized_cap_180d’

‘BTC_mvrv_diff.csv_MVRV Long / Short Diff’ ‘AvgBlockSize’ ‘Ntransactions’

‘Сложность’ ‘BlocksSize’ ‘CostPerTransaction’ ‘MedianConfirmationTime’

'операционные издержки']

Подход-1

В этом подходе мы пытаемся предсказать цену закрытия, используя другие функции в качестве входных данных для нейронной сети обратного распространения.

В этом подходе сначала мы проводим корреляционный анализ с близкими, чтобы выявить и удалить те особенности, которые меньше коррелируют с близкими (корреляция

Ниже приведен окончательный список выбранных функций.

Close, объем, daily_active_addresses, mvrv_ratio, github_activity, dev_activity, social_volume_PROFESSIONAL_TRADERS_CHAT_OVERVIEW, social_volume_TELEGRAM_CHATS_OVERVIEW, social_volume_DISCORD_DISCUSSION_OVERVIEW, BTC_hodl_waves_circulation_10y, BTC_hodl_waves_circulation_180d, BTC_hodl_waves_circulation_2y, BTC_hodl_waves_circulation_30d, BTC_hodl_waves_circulation_365d, BTC_hodl_waves_circulation_3y, BTC_hodl_waves_circulation_60d, BTC_active_coins_% монет активных последних 3-х лет, BTC_active_coins_% монет активных Последние 1 года, AvgBlockSize, Ntransactions, Difficulty, BlocksSize, MedianConfirmationTime

Эти функции используются в качестве входных данных, а цена закрытия - в качестве выходных данных для нейронной сети обратного распространения с одним скрытым слоем, и сеть обучается на наборе данных в период с 28 апреля 2013 г. по 8 мая 2019 г. Обученная сеть затем используется для моделирования закрытия . На рисунке ниже показано сравнение смоделированного закрытия с фактическим закрытием:

На рисунке ниже показана точность моделирования закрытия.

Ниже приведены наблюдения и выводы из этого:

  • Смоделированное закрытие сильно коррелирует с закрытием (корреляция = 0,99), в то время как исходные данные не имеют никакого отпечатка закрытия.
  • Точность направления ›50% (57%)
  • Результаты обнадеживают для дальнейшего анализа.

Моделирование ходьбы вперед

Вышеупомянутое смоделированное закрытие не подходит для построения торговой / инвестиционной стратегии, поскольку в этом случае все данные использовались для обучения и моделирования закрытия за один раз. Итак, чтобы смоделировать сценарий реального мира, нам нужно будет выполнить это моделирование на основе шага вперед. Закрытие, смоделированное с помощью симуляции движения вперед, может быть репрезентативным закрытием, которое затем можно использовать для построения торговой стратегии.

Ниже приведена процедура имитации движения вперед, которую мы использовали:

  • Прочитать все функции из объединенного файла CSV
  • Чтобы идти вперед, сделайте следующее
  • Первая симуляция
  • Выбрать первые 365 образцов
  • Удалите все элементы, которые сильно коррелируют друг с другом. ›максимальный порог корреляции (0,95)
  • Из оставшихся функций удалите все функции, которые менее коррелированы с близким ‹минимальным порогом корреляции (0,1)
  • Нормализовать оставшиеся функции, а также поле вывода
  • Оптимальный выбор нейронов в скрытом слое, эпохах обучения и размере пакета в зависимости от количества доступных выборок
  • Обучите нейронную сеть обратного распространения
  • Предсказать закрытие для последней выборки с помощью обученной нейронной сети и денормализовать выходные данные
  • Не изменяйте прогноз и объедините его с предыдущими 364 образцами. Назовите это предсказанное закрытие
  • Вторая симуляция
  • Выбрать первые 366 образцов
  • Удалите все элементы, которые сильно коррелируют друг с другом. ›максимальный порог корреляции (0,95)
  • Из оставшихся функций удалите все функции, которые менее коррелированы с близким ‹минимальным порогом корреляции (0,1)
  • Нормализовать оставшиеся функции, а также поле вывода
  • Оптимальный выбор нейронов в скрытом слое, эпохах обучения и размере пакета в зависимости от количества доступных выборок
  • Обучите нейронную сеть обратного распространения
  • Предсказать закрытие для последней выборки с помощью обученной нейронной сети и денормализовать выходные данные
  • Оставить прогнозируемое закрытие и объединить с прогнозируемым закрытым массивом, сохраненным на предыдущем шаге
  • Третье моделирование и так далее
  • По завершении моделирования сравните фактическое закрытие с прогнозируемым закрытием.

На рисунке ниже показано сравнение моделируемого закрытия с фактическим закрытием.

  • Долгая медвежья фаза хорошо видна, показывая, что она постоянно недооценена.
  • В целом очень хороший прогноз

Анализ стоимости

Ниже приводится процедура, используемая для анализа стоимости этого подхода:

  • Разработайте два торговых сигнала, используя простую стратегию, основанную на простой скользящей средней (SMA)
  • Сигнал MA с SMA2 (2 образца) и SMA11 (11 Sample) для фактического закрытия
  • Отфильтрованный сигнал путем объединения
  • Сигнал скользящей средней с SMA2 (2 выборки) и SMA11 (11 выборок) для фактического закрытия
  • Сигнал скользящей средней с SMA2 (2 выборки) и SMA11 (11 выборок) для разницы между прогнозируемым закрытием и фактическим закрытием
  • Открывайте сделку, только если оба вышеуказанных сигнала имеют одинаковый сигнал
  • Торговая стратегия
  • Начальный капитал 100 000
  • Брокерские услуги 0,075%
  • Сегодняшний сигнал будет исполнен по "цене открытия" следующего дня
  • Сравните прирост капитала отфильтрованного сигнала с сигналом скользящей средней.
  • Сравните прирост капитала отфильтрованного сигнала с покупкой и удержанием
  • Сравните параметры доходности риска для двух вышеуказанных сигналов.

На рисунке ниже показано сравнение двух торговых сигналов, описанных выше:

На рисунке ниже показаны другие параметры для этих двух сигналов:

Наблюдения

  • Доходность отфильтрованного сигнала выше, чем при покупке и удержании
  • Прибыльность отфильтрованного сигнала выше, чем у простого сигнала скользящей средней.
  • Количество сделок уменьшается для отфильтрованного сигнала
  • Увеличение процента выигрыша для отфильтрованного сигнала
  • Коэффициент Шарпа для отфильтрованного сигнала выше, чем для сигнала MA.

Подход-2

В этом подходе для моделирования близкого перехода вперед вместо использования обратного распространения мы использовали нейронную сеть LSTM. Ниже представлены четыре различных модели:

Идите вперед Симуляторы

В этом подходе мы выполнили четыре различных моделирования движения вперед, как описано ниже:

Моделирование с использованием LSTM (1 скрытый слой) - функции, выбранные на основе корреляции ›0,1 и‹ 0,95

Моделирование с использованием LSTM (2 скрытых слоя) - функции, выбранные на основе корреляции ›0,1 и‹ 0,95

Моделирование движения вперед с использованием LSTM (1 скрытый слой) - только все волны HODL

Моделирование движения вперед с использованием LSTM (2 скрытых слоя) - только все волны HODL

Прогнозируемое закрытие с двумя скрытыми слоями и всеми волнами Ходля намного более стабильно, чем в других случаях. Однако различия между прогнозируемым и фактическим закрытием несущественны, кроме как во время крупных запусков к ATH. И это может помочь получить сигналы выхода, в то время как сигналы входа получаются путем объединения их с другими существующими моделями, например. Модель потока запасов

Модель потока запасов

Мы вычислили закрытие на основе модели от запасов к потоку, используя следующие выражения:

StockFlow = Годовое изменение запасов / Текущие запасы

STFClose = 0,4 * pow (StockFlow, 3)

Полученное закрытие сравнивается с фактическим закрытием на рисунке ниже:

Анализ стоимости

Ниже приводится процедура, используемая для анализа стоимости этого подхода:

  • Разработайте два торговых сигнала, используя простую стратегию, основанную на простой скользящей средней (SMA)
  • Сигнал MA с SMA2 (2 образца) и SMA11 (11 Sample) для фактического закрытия
  • Отфильтрованный сигнал путем объединения
  • Сигнал скользящей средней с SMA2 (2 выборки) для фактического закрытия и SMA11 (11 выборок) для прогнозируемого закрытия
  • Фильтр выше сигнала, например, покупка, только если фактическое закрытие ниже STFClose, и продажа, только если фактическое закрытие выше STFClose
  • Торговая стратегия
  • Начальный капитал 100 000
  • Брокерские услуги 0,075%
  • Сегодняшний сигнал будет исполнен по "цене открытия" следующего дня
  • Сравните прирост капитала отфильтрованного сигнала с сигналом скользящей средней.
  • Сравните прирост капитала отфильтрованного сигнала с покупкой и удержанием
  • Сравните параметры доходности риска для двух вышеуказанных сигналов.

На рисунке ниже показано сравнение двух торговых сигналов, описанных выше:

На рисунке ниже показаны другие параметры для этих двух сигналов:

Результаты торговой стратегии для всех вариантов

Наблюдения

  • Торговый сигнал превосходит покупку / удержание
  • Торговый сигнал превосходит сигнал на основе скользящей средней
  • Коэффициент Шарпа для торгового сигнала составляет 1,89.
  • Количество сделок по торговому сигналу намного меньше
  • Процент выигрыша по торговому сигналу составляет 80–100%.

Подход-3

В этом подходе мы пытаемся использовать волны HODL с обычными индикаторами, чтобы получить торговую / инвестиционную стратегию, комбинируя сигнал MA для закрытия и для волн Hodl. На рисунке ниже показаны волны удержания биткойна из базы данных настроений:

Анализ стоимости

Ниже приводится процедура, используемая для анализа стоимости этого подхода:

  • Разработайте два торговых сигнала, используя простую стратегию, основанную на простой скользящей средней (SMA)
  • Сигнал MA с SMA2 (2 образца) и SMA11 (11 Sample) для фактического закрытия
  • Отфильтрованный сигнал путем объединения
  • Сигнал пересечения скользящей средней с SMA2 (выборка 2) для фактического закрытия и SMA11 (выборка 11) для закрытия
  • Вычислить сигнал скользящей средней для волны HODL
  • Открывайте сделку, только если оба вышеуказанных сигнала имеют одинаковый сигнал
  • Торговая стратегия
  • Начальный капитал 100 000
  • Брокерские услуги 0,075%
  • Сегодняшний сигнал будет исполнен по "цене открытия" следующего дня
  • Сравните прирост капитала отфильтрованного сигнала с сигналом скользящей средней.
  • Сравните прирост капитала отфильтрованного сигнала с покупкой и удержанием
  • Сравните параметры доходности риска для двух вышеуказанных сигналов.

На рисунке ниже показаны все торговые сигналы для разных волн HODL:

На рисунке ниже показано сравнение прироста капитала между сигналом скользящей средней и лучшим торговым сигналом HODL WAVE:

На рисунке ниже показано сравнение сигналов от всех волн HODL:

Наблюдения

  • Большинство торговых сигналов Hodl Wave лучше, чем покупка / удержание
  • Некоторые торговые сигналы Hodl Wave превосходят сигнал MA

Подход-4

В подходах 1 и 2 мы пытались предсказать цену закрытия, а затем использовали прогнозируемую цену вместе с фактической ценой, чтобы придумать торговую стратегию. Этот подход критикуют, поскольку абсолютные значения закрытия не являются стационарными и несут в себе память, которая просачивается в нейронную сеть, обеспечивая большую корреляцию между прогнозируемым закрытием и фактическим закрытием. Поэтому в экономической литературе предлагается использовать процентное изменение или логарифмическую доходность в качестве целевого результата.

В этом подходе мы будем прогнозировать процентное изменение закрытия на 7 дней вперед на основе прогнозирования и использовать прогнозируемое процентное изменение закрытия для разработки торговой стратегии. Выбор 7 дней в лучшем случае произвольный. Единственный мыслительный процесс, стоящий за этим числом, заключается в том, что следующая волна удержания, доступная после 1-дневной волны ходла, - это 7-дневная волна ходла. Мы могли бы выбрать 1-дневное процентное изменение, но ожидается, что оно будет более волатильным, чем 7-дневное процентное изменение.

Прежде чем приступить к моделированию на основе прогулки вперед, мы проведем базовый анализ, чтобы понять причинно-следственную связь. Сначала мы удаляем сильно коррелированные признаки (корреляция> 0,95), как описано в подходе-1. Остальные особенности:

[‘BTC_hodl_waves.csv_circulation_2y’ ‘CostPerTransaction’

‘BTC_hodl_waves.csv_circulation_3y’

‘BTC_realized_value.csv_realized_value’ ‘Сложность’

‘BTC_realized_cap.csv_realized_cap_180d’ ‘openPriceUsd’

‘BTC_hodl_waves.csv_circulation_365d’ ‘volume’

‘BTC_bounded_mvrv.csv_mvrv_1d’

«BTC_active_coins.csv_% монет, активных за последние 3 года»

‘BTC_hodl_waves.csv_circulation_10y’

‘BTC_active_coins.csv_% монет, активных за последний 1 год’ ‘BlocksSize’

‘BTC_marketcaps.csv_circulation_1d’ ‘github_activity’ ‘AvgBlockSize’

‘Transaction_volume’ ‘dev_activity’ ‘daily_active_addresses’

‘BTC_hodl_waves.csv_circulation_180d’ ‘Ntransactions’

‘MedianConfirmationTime’ ‘transactionfees’

‘BTC_hodl_waves.csv_circulation_60d’ ‘burn_rate’

‘BTC_hodl_waves.csv_circulation_30d’ ‘token_circulation’

‘BTC_mvrv_diff.csv_MVRV Long / Short Diff’ ‘BTC_bounded_mvrv.csv_mvrv_60d’

‘BTC_bounded_mvrv.csv_mvrv_180d’ ‘BTC_bounded_mvrv.csv_mvrv_30d’

‘Mvrv_ratio’]

Затем мы проводим корреляционный анализ с абсолютными значениями выбранных выше характеристик с истинным 7-дневным прогнозом процентного изменения, близким к близкому, чтобы понять причинно-следственную связь. На рисунке ниже показана корреляция выбранных функций с процентным изменением закрытия на 7 дней вперед:

Когда эти функции используются для обучения и прогнозирования всего диапазона данных через нейронную сеть обратного распространения, мы получаем результаты, которые показаны на рисунке ниже:

Корреляция прогнозируемого процентного изменения на 7 дней вперед с истинным процентным изменением на 7 дней вперед показана на рисунке ниже:

Мы также проводим корреляционный анализ 1-дневного обратного процентного изменения выбранных выше характеристик с истинным 7-дневным прямым процентным изменением, близким к близкому, чтобы понять причинно-следственную связь. На рисунке ниже показана корреляция процентного изменения на 1 день назад выбранных выше характеристик с процентным изменением закрытия на 7 дней вперед:

Когда процентное изменение функций на 1 день назад используется для обучения и прогнозирования всего диапазона данных через нейронную сеть с обратным распространением, мы получаем результаты, которые показаны на рисунке ниже;

Корреляция прогнозируемого процентного изменения на 7 дней вперед с истинным процентным изменением на 7 дней вперед показана на рисунке ниже:

Очевидно, что прогнозирование процентного изменения на 7 дней вперед с использованием процентного изменения характеристик на 1 день назад дает несколько лучшие результаты, чем при использовании абсолютных значений характеристик.

Моделирование ходьбы вперед

Выше смоделированное процентное изменение закрытия на 7 дней вперед не подходит для построения торговой / инвестиционной стратегии, поскольку в этом случае все данные использовались для обучения и моделирования за один раз. Итак, чтобы смоделировать реальный сценарий, нам нужно будет выполнить это моделирование на основе шага вперед, как описано ранее. Процентное изменение закрытия на 7 дней вперед, которое моделируется с помощью моделирования шага вперед, может быть репрезентативным процентным изменением закрытия на 7 дней вперед, которое затем можно использовать для построения торговой стратегии.

Во время моделирования мы обнаружили, что использование только волн HODL дает более стабильные результаты, чем использование всех функций. Поэтому для моделирования движения вперед мы использовали только HODL-волны.

На рисунке ниже показано сравнение истинного процентного изменения закрытия на 7 дней вперед с прогнозируемым процентным изменением закрытия на 7 дней:

Корреляционный анализ истинного семидневного форвардного процентного изменения закрытия с прогнозируемым семидневным форвардным процентным изменением закрытия показан ниже для различных сдвигов.

Ясно, что корреляционный анализ низкий при отсутствии сдвига, т.е. 0,2732 для моделирования на основе обхода, чем когда весь набор данных использовался на ходу, т.е. 0,77. Но это лучшее, что можно ожидать в реальном сценарии.

Следовательно, одно только прогнозируемое процентное изменение нельзя использовать для получения торгового сигнала. Однако его сочетание с обычным сигналом, основанным на пересечении SMA, может оказаться полезным.

Анализ стоимости

Ниже приводится процедура, используемая для анализа стоимости этого подхода:

  • Разработайте два торговых сигнала, используя простую стратегию, основанную на простой скользящей средней (SMA)
  • Сигнал MA с SMA2 (2 образца) и SMA11 (11 Sample) для фактического закрытия
  • Отфильтрованный сигнал путем объединения
  • Сигнал пересечения скользящей средней с SMA2 (2 выборки) и SMA11 (11 выборок) для фактического закрытия
  • Сигнал пересечения скользящей средней с SMA2 (2 выборки) и SMA11 (11 выборок) на 7 дней вперед предсказал процентное изменение закрытия
  • Открывайте сделку, только если оба вышеуказанных сигнала имеют одинаковый сигнал
  • Торговая стратегия
  • Начальный капитал 100 000
  • Брокерские услуги 0,075%
  • Сегодняшний сигнал будет исполнен по "цене открытия" следующего дня
  • Сравните прирост капитала отфильтрованного сигнала с сигналом скользящей средней.
  • Сравните прирост капитала отфильтрованного сигнала с покупкой и удержанием
  • Сравните параметры доходности риска для двух вышеуказанных сигналов.

На рисунке ниже показаны все торговые сигналы:

На рисунках ниже показаны другие параметры для этих двух сигналов:

Наблюдения

Хотя результаты лучше, чем покупка и удержание, стратегия, основанная на скользящей средней, превосходит стратегию сигнала на основе подхода с точки зрения общего прироста капитала. Однако сигнал стратегии "процент выигрышей" лучше, чем сигнал скользящей средней.

Подход-5

Прогнозируемое 7-дневное процентное изменение имеет корреляцию 0,27 с истинным 7-дневным процентным изменением. Использование его как такового не дало результатов лучше, чем сигнал на основе скользящей средней. А с другой стороны, подход-1 с абсолютной близостью дал лучшие результаты.

Какой из двух подходов, основанный на абсолютном значении или на процентном изменении, следует использовать, - это типичная дилемма в мире финансовых технологий при использовании ИИ, известная как дилемма стационарности или памяти. Дилемма состоит в том, что доходность стационарна, но без памяти; и - цены имеют память, однако они нестационарны.

Поэтому мы решили объединить два подхода в нашем подходе-5, как описано ниже:

Мы накопили прогнозируемое изменение в процентах за 7 дней и построили график. Ниже приведены результаты:

И вычисленная корреляция фактического закрытия с накопленным прогнозируемым процентным изменением, и то же самое показано ниже:

Корреляционный анализ показывает корреляцию 0,55. Нам рекомендуется использовать его в качестве входных данных для нейронной сети обратного распространения, чтобы предсказать закрытие в режиме ходьбы вперед, как подробно описано ниже:

Идти вперед Моделирование

Как описано выше, имитация движения вперед выполняется для прогнозирования закрытия, в то время как входные данные нейронной сети накапливают прогнозируемое процентное изменение.

Прогнозируемое процентное изменение, вычисленное в подходе-4, на основе шага вперед удовлетворяет требованию стационарности. И прогнозируемое закрытие на основе шага вперед с использованием накопленного процентного изменения удовлетворяет требованиям к памяти. Так эффективно в этом подходе мы попытались последовательно объединить два разных подхода, чтобы индивидуально удовлетворить каждое требование.

Анализ стоимости

Ниже приводится процедура, используемая для анализа стоимости этого подхода:

  • Разработайте два торговых сигнала, используя простую стратегию, основанную на простой скользящей средней (SMA)
  • Сигнал MA с SMA2 (2 образца) и SMA11 (11 Sample) для фактического закрытия
  • Отфильтрованный сигнал путем объединения
  • Битовый комплекс
  • Торговая стратегия
  • Начальный капитал 100K
  • Брокерские услуги 0,075%
  • Сегодняшний сигнал будет исполнен по "цене открытия" следующего дня
  • Сравните прирост капитала отфильтрованного сигнала с сигналом скользящей средней.
  • Сравните прирост капитала отфильтрованного сигнала с покупкой и удержанием
  • Сравните параметры доходности риска для двух вышеуказанных сигналов.

На рисунке ниже показаны все торговые сигналы:

На рисунке ниже показан дополнительный анализ этих торговых сигналов:

Наблюдения

Ниже приведены наблюдения за результатами этого подхода.

  • Процент побед ›66%
  • Доходность лучше, чем у стратегии на основе скользящей средней
  • Возврат лучше, чем покупать и держать
  • Шарп 1,68
  • НАСТОЛЬКО ЛУЧШИЕ РЕЗУЛЬТАТЫ ПО ВСЕМ КРИТЕРИЯМ

Все подходы в одном кадре

На рисунке ниже показано сравнение всех подходов в одном кадре.

В подходе-2 и подходе-5 - мы успешно зафиксировали точки выхода, когда цены начинают падать с ATH этого цикла и для всех циклов. Это в дополнение к успешной возможности войти в рынок около дна медвежьей фазы. Мы думаем, что нам удалось достичь целей исследования.

Анализ для Ethereum

Из анализа данных Биткойн и производительности различных подходов - Мы решили протестировать подход-5 на Ethereum. Хотя оба актива имеют разные характеристики, включая максимальное предложение, которое ограничено в случае биткойна, но не в случае Ethereum, все же хорошо протестировать на Ethereum, который также будет действовать как полная слепая проверка для методологии.

Волны HODL для Ethereum доступны в базе данных настроений. На рисунке ниже показаны волны Ходла Ethereum:

Данные, используемые для Ethereum, - с 8 августа 2015 года по 17 августа 2019 года.

Подход-5

Как описано в случае с биткойном выше, сначала мы провели прямое моделирование для 7-дневного прямого процентного изменения, используя только волны HODL в качестве входных данных.

Симуляция перехода вперед на 7 дней вперед процентное изменение

Для ETH мы использовали точно такую ​​же процедуру, как описано для подхода № 5 в случае BTC. На рисунке ниже показано сравнение истинного процентного изменения закрытия на 7 дней вперед с прогнозируемым процентным изменением закрытия на 7 дней:

Корреляционный анализ истинного семидневного форвардного процентного изменения закрытия с прогнозируемым семидневным форвардным процентным изменением закрытия показан ниже для различных сдвигов.

Очевидно, что при отсутствии сдвига корреляция очень мала, т.е. 0,059. Но это лучшее, что можно ожидать в реальном сценарии. Следовательно, одно только прогнозируемое процентное изменение нельзя использовать для получения торгового сигнала.

Так. как обсуждалось в случае Биткойна - мы накопили прогнозируемое изменение процента за 7 дней и построили график. Ниже приведены результаты:

И вычисленная корреляция фактического закрытия с накопленным прогнозируемым процентным изменением, и то же самое показано ниже:

Корреляционный анализ показывает корреляцию 0,72. Нам рекомендуется использовать его в качестве входных данных для нейронной сети обратного распространения, чтобы предсказать закрытие в режиме ходьбы вперед, как подробно описано ниже:

Идите вперед Моделирование для закрытия

Как описано выше, имитация движения вперед выполняется для прогнозирования закрытия, в то время как входные данные нейронной сети накапливают прогнозируемое процентное изменение. Результаты показаны на рисунке ниже:

Анализ стоимости

Ниже приводится процедура, используемая для анализа стоимости этого подхода:

  • Разработайте два торговых сигнала, используя простую стратегию, основанную на простой скользящей средней (SMA)
  • Сигнал MA с SMA2 (2 образца) и SMA11 (11 Sample) для фактического закрытия
  • Отфильтрованный сигнал путем объединения
  • Битовый комплекс
  • Торговая стратегия
  • Начальный капитал 100 000
  • Брокерские услуги 0,075%
  • Сегодняшний сигнал будет исполнен по "цене открытия" следующего дня
  • Сравните прирост капитала отфильтрованного сигнала с сигналом скользящей средней.
  • Сравните прирост капитала отфильтрованного сигнала с покупкой и удержанием
  • Сравните параметры доходности риска для двух вышеуказанных сигналов.

На рисунке ниже показаны все торговые сигналы:

На рисунке ниже показан дополнительный анализ этих торговых сигналов:

Наблюдения

Ниже приведены наблюдения за результатами этого подхода.

  • Процент побед ›45%
  • Доходность лучше, чем у стратегии на основе скользящей средней
  • Возврат лучше, чем покупать и держать
  • Шарп 1,68
  • Слепой тест прошел успешно

Влияние на прибыльность из-за спрэда и проскальзывания спроса / предложения

Во всех приведенных выше симуляциях предполагается, что маклерство составляет 0,075%. Однако в реальном случае на прибыльность будет негативное влияние из-за спреда спроса / предложения и проскальзывания. Когда количество сделок больше для стратегии, эти эффекты нельзя игнорировать, и они должны быть включены. Если мы добавим консервативный спред между спросом и предложением в размере 0,1% и проскальзывание в 0,1% поверх брокерских услуг 0,075%, то ниже приведены результаты подхода №5 для биткойнов и эфириума:

Результаты Биткойн

Результаты Ethereum

Очевидно, что любая стратегия, которая генерирует много сделок, обязательно даст худшие результаты, потому что точность прогнозов будет низкой для стратегии высокочастотной торговли. С другой стороны, даже при умеренной точности прогноза ожидается, что стратегия, которая генерирует меньше сделок с большой прибылью на сделку, даст достаточно хорошие результаты.

заключение и рекомендации

Ниже приведены наши выводы и рекомендации по результатам исследования:

Выводы

  1. Большинство существующих моделей дают хорошие точки входа после большой медвежьей фазы.
  2. Но все они не обеспечивают хороших точек выхода.
  3. Между многими функциями, которые у нас были, и закрытием очень хорошая причинно-следственная связь.
  4. Прогнозирование фактического закрытия с использованием обратного распространения ошибки, а также нейронной сети LSTM хорошее и помогает выбрать основные недооцененные зоны.
  5. Нет значимой причинно-следственной связи между всеми имеющимися у нас функциями и процентным изменением закрытия.
  6. Прогнозирование процентного изменения закрытия с использованием RNN не очень удовлетворительное, чего можно ожидать, поскольку отсутствует причинно-следственная связь между входом и выходом.
  7. Волны HODL намного более стабильны, чем другие особенности. По этой причине прогнозирование фактического закрытия, а также процентное изменение закрытия на основе нейронной сети более стабильно, когда только волны HODL используются в качестве входных данных для нейронных сетей.
  8. Прогнозируемое процентное изменение, вычисленное в подходе-4, на основе шага вперед удовлетворяет требованию стационарности. И предсказанное закрытие, вычисленное в подходе № 5, с использованием накопленного процентного изменения удовлетворяет требованиям к памяти. Так эффективно в подходе №5 мы попытались последовательно объединить два разных подхода, которые индивидуально удовлетворяют требованиям стационарности и памяти.
  9. Многие другие критические замечания в отношении подхода, основанного на нейронных сетях, такие как рандомизация начального состояния, чрезмерное обучение, выбор наборов данных для обучения и проверки, выбор сетевых параметров и т. Д., Учтены, поскольку мы делаем все на основе продвижения вперед. Таким образом, если есть неоптимальное обучение и прогноз из-за каких-либо проблем, связанных с нейронной сетью, тогда, когда мы делаем заново для каждой выборки, потенциальный ущерб нашей способности обучать и прогнозировать будет временным на нескольких выборках. И мы действительно видим это в наших прогнозируемых значениях, поскольку некоторые значения аномально скачут вверх или вниз, но вскоре начинают следовать общей тенденции.
  10. Мы разработали и протестировали пять различных подходов.
  11. Все подходы дали лучшие результаты, чем покупай и держи.
  12. Все подходы дали лучшие результаты, чем простая стратегия на основе скользящей средней, за исключением подхода №4.
  13. Подход № 5 является предпочтительным, поскольку он также решает дилемму стационарности и памяти, и результаты также хороши.
  14. Подход № 5 также помогает нам последовательно выбирать достаточно хорошую точку выхода / короткую позицию после ATH каждого бычьего / медвежьего цикла.

Рекомендации

Чтобы снизить волатильность доходности, ниже приведены наши рекомендации:

  1. Используйте 50% стоимости счета для торговли с использованием этих сигналов. Мы использовали 100% стоимости счета.
  2. Сгенерируйте торговые сигналы, используя подход №5, на других достаточно ликвидных активах, входящих в топ-20/30, и включите их в портфель.
  3. Мы использовали простую стратегию на основе SMA для определения ценности данных и методологии. Мы ожидаем, что результаты можно улучшить с помощью более продвинутых стратегий.
  4. Разверните стратегии хеджирования
  5. Хотя мы изо всех сил старались включить все соответствующие функции в наше исследование, было бы несправедливо сказать, что мы смогли изучить и извлечь всю ценность, скрытую в данных, доступных в базе данных Santiment. Мы будем продолжать работать над новыми идеями и делиться любыми новыми открытиями с сообществом.

Сокращения

ATH - Максимум за все время

SMA - простая скользящая средняя

MA - скользящая средняя

HODL - эквивалент HOLD в криптографии

LSTM - Долгосрочная краткосрочная память

RNN - Рекуррентная нейронная сеть

Подтверждение

Это совместная работа команд Santiment и ShilazTech в течение 3-4 месяцев. У нас были очень конструктивные обсуждения и отзывы многих экспертов. Лично я хотел бы поблагодарить Яна Смирного, Неманья Церовац, Цанко Матев и Dindustries за их бесценный вклад. Также хочу поблагодарить Максима Балашевича, основателя Santiment, за спонсирование исследования.