Многие из вас, возможно, помнят бум криптовалют в 2017 году, когда цены на различные виртуальные монеты взлетели до необъяснимых значений. Исторически сложилось так, что цена некоторых криптовалют является высокой волатильностью [1], поэтому актив имеет тенденцию колебаться довольно часто. Это, конечно, очень выгодно для инвесторов, так как в краткосрочной перспективе можно получить большие суммы прибыли от торговли этими активами.
Основы трейдинга
Торговля криптовалютами включает обмен между криптовалютой и стоимостью токена, например BTC, на USDT. USDT - это Tether, основанная на блокчейне криптовалюта, чьи криптовалюты в обращении поддерживаются эквивалентным количеством традиционных фиатных валют. 1 USDT = 1 доллар США. Чтобы получить прибыль во время торговли, необходимо приобрести актив, когда он дешев, и продать его по более высокой цене, а для того, чтобы сделать это эффективно и результативно, необходимо реализовать торговую стратегию. Важно отметить, что при выборе актива для торговли решающее значение имеет большой объем торгов [2], поскольку это означает, что есть люди, желающие торговать с вами, и, следовательно, вы можете получить желаемую позицию по невысокой цене.
Торговая стратегия - это алгоритмический план, направленный на получение прибыльной прибыли. Существует ряд стратегий, которые можно использовать, однако в этой статье будет рассмотрено, подойдет ли возврат к среднему, а если нет, то что будет более оптимальным. Прежде чем я объясню, что такое возврат к среднему значению, я хотел бы дать несколько ключевых определений. Среднее - это средняя цена определенного набора данных, а стандартное отклонение - это то, как далеко данные отклоняются от среднего. Среднее изменение - это предположение, что цена актива будет колебаться вокруг среднего значения, стремясь со временем перейти к средней цене; предполагая, что если цена находится на расстоянии нескольких стандартных отклонений, ожидается, что она вернется к средней цене в этой точке. Следовательно, актив покупается, когда он ниже среднего, и продается, когда он выше среднего, с этими стандартными отклонениями [3]. И наоборот, актив может означать предотвращение, что предполагает, что цена продолжает расти или падать в точке, где, как ожидается, она вернется к среднему значению. Это может быть связано с чрезмерной реакцией или страхом инвесторов в такие периоды, как бум или всплеск инвесторов в актив [4]. Если актив обладает средними предотвращающими свойствами, может быть реализована стратегия импульса, поскольку предположение о том, что актив будет продолжать расти в течение более длительного периода, может использоваться для получения прибыли. Проведя некоторые предварительные исследования, есть данные, позволяющие предположить, что цена биткойна не означает возврат, а фактически означает предотвращение [5]. Есть свидетельства того, что во время Второй мировой войны и депрессии активы претерпели возврат к среднему значению, однако предполагается, что свидетельства возврата к среднему значению являются преувеличением, поскольку учет этих периодов является неточным [6].
Методология
Используя Python и его различные статистические библиотеки, я стремлюсь экспериментировать и моделировать торговлю BTC и ETH, которые являются двумя наиболее популярными и торгуемыми криптовалютами с большим объемом торговли. Данные, полученные от Binance, одной из крупнейших платформ для торговли криптовалютами, будут использоваться при проверке моей гипотезы в периоды 2017, 2018 и 2019 годов. Изначально для проверки возврата к среднему будет использоваться расширенный тест Дики-Фуллера (ADFT). . ADFT проверяет нулевую гипотезу о наличии единичного корня, а альтернативную гипотезу об отсутствии единичного корня, предполагающую, что временной ряд является стационарным. Временной ряд является стационарным, если один сдвиг во времени не меняет статистических свойств временного ряда, и в этом случае единичный корень не существует [7]. Если P-значение, полученное в результате теста, ниже уровня значимости, мы можем отклонить нулевую гипотезу, поскольку этого недостаточно, чтобы предположить наличие единичного корня. Этот тест может легко определить, где набор данных подвергается среднему возврату, поскольку стационарный временной ряд будет возвращаться к среднему, следовательно, не будет иметь единичных корней. Если есть доказательства, позволяющие предположить возврат к среднему, стратегия, основанная на этом принципе, с использованием концепции, упомянутой ранее, была бы идеальной; покупка актива, когда оно на несколько стандартных отклонений ниже среднего, и продажа актива, когда оно выше среднего.
В качестве альтернативы, если ADFT предполагает, что существует достаточно доказательств, чтобы принять нулевую гипотезу, это будет означать, что актив испытывает средние предотвращающие свойства. Если это так, то стратегия, основанная на принципе импульса, была бы идеальной. Это связано с тем, что есть свидетельства того, что цена актива будет продолжать расти / падать даже после нескольких стандартных отклонений. Это означает, что в течение определенного периода времени, дней или часов, если цена актива выше скользящего среднего, он считается привлекательным для покупки, а когда он ниже среднего, он непривлекателен, поэтому должен быть продан; поскольку мы ожидаем дальнейшего падения на этом этапе.
При тестировании данные будут разбиты на две группы. Группа 1 будет соответствовать данным или историческим данным, используемым для создания стратегии и согласования ее с данными. Группа 2 будет данными вне выборки, на которых будет проверяться стратегия, чтобы увидеть, дает ли она положительные или отрицательные результаты. Данные вне выборки имитируют то, что произойдет при развертывании стратегии в реальной жизни. Иногда стратегия может быть переоснащена историческими данными, что означает, что она прекрасно работает с историческими данными, обеспечивая большую отдачу, однако она настолько идеально работает с историческими данными, что больше не работает с вне выборки. данные [8]. Соответствующие данные или исторические данные используются для создания, тестирования и оптимизации стратегии с целью получения прибыльной прибыли.
Во время тестирования подгонки данных были изменены два фактора: комиссионные сборы и окно скользящего среднего, чтобы сгенерировать ряд таблиц для ежедневных и почасовых данных для исследуемых криптовалют. Изменение окна скользящего среднего изменяет количество предыдущих цен, которые мы используем для построения скользящего среднего. Различные платформы для торговли криптовалютой имеют разные комиссионные сборы, поэтому, исследуя результаты при различных уровнях комиссий, это моделирует более реалистичный сценарий. Я стремлюсь поэкспериментировать с уровнями комиссии (0,01, 0,05, 0,1, 0,5,1%) [9] и скользящими окнами (2,5,7,10,15,20,24) дней или часов. Определив наиболее эффективные параметры на исторических данных (2017–2017 гг.), Они затем будут использованы и опробованы на данных вне выборки (2019 г.).
Анализ с использованием расширенного теста Дики-Фуллера
При тестировании с помощью ADFT на данных за 2017 и 2018 годы на уровнях значимости 1,5 и 10% значение P было больше, чем все значения, указанные на уровнях значимости. Это говорит о том, что существует достаточно доказательств, чтобы принять нулевую гипотезу, утверждающую, что существует единичный корень. Как упоминалось ранее, наличие единичного корня означает, что данные не являются стационарными временными рядами, следовательно, предполагается, что они не проявляют поведения, возвращающего среднее значение. Скорее всего, это связано с количеством всплесков в 2017 и 2018 годах, вызванных криптовалютным бумом, когда многие люди инвестировали в валюты, пытаясь получить прибыль. Однако это указывает на то, что цены на криптовалюты, как правило, продолжают двигаться в том же направлении после движения, а не возвращаются к среднему значению. В результате было бы более целесообразно использовать стратегию, основанную на импульсе.
Стратегия, основанная на импульсе
Стратегия, основанная на импульсе, основана на предположении, что после того, как цена актива изменилась в определенном направлении, она будет продолжать двигаться в том же направлении в течение определенного периода времени. Если цена актива выше среднего, то мы можем ожидать, что она продолжит расти, и поэтому мы купим актив, чтобы потом продать его по высокой цене. Обратное делается, если цена актива ниже среднего. Кроме того, можно ограничить количество токенов в любой момент времени, например максимум до 5, чтобы снизить степень риска. Например, если у нас было 100 токенов, это представляет высокий риск, поскольку внезапное падение цены может привести к увеличению наших общих потерь до очень значительной суммы.
Зеленые кружки показывают, что мы покупаем актив, а красные кружки продаем актив. Используя этот принцип, эта стратегия будет запускаться на исторических почасовых данных в течение 2017 и 2018 годов для торговли BTC за USDT; формирование таблицы прибылей и убытков, варьируя параметры скользящих окон для скользящей средней (2, 5, 7, 10, 15, 20, 24 часа) и различных уровней комиссий (0,01, 0,05, 0,1, 0,5, 1% ).
Полученные результаты
Запустив стратегию, мы получим эти таблицы ниже, содержащие значения прибылей и убытков (PNL) для BTC / USDT и использующие ту же стратегию для ETH / USDT (Ethereum).
Анализируя обе таблицы, мы видим, что обе криптовалюты стабильно получают прибыльную прибыль при уровнях комиссии от 0,0001 до 0,001 и с окнами скользящего среднего в 20 или 24 часа. Однако мы видим, что Ethereum начинает приносить прибыль при гораздо меньшем временном интервале, 5 часов, по сравнению с BTC, который становится прибыльным только через 15 часов. На графиках ниже показан рост прибыли (PNL) при уровне комиссии 0,0001 и MA за 24 часа для биткойнов и 20 часов для Etherum, соответственно.
Кроме того, если мы запустим ту же стратегию для BTC / USDT и ETH / USDT для ежедневных данных в течение 2017 и 2018 годов, мы получим следующие результаты.
Анализируя обе эти таблицы, мы после получения прибыли видим схожую закономерность: обе криптовалюты приносят прибыльную прибыль в окне скользящего среднего в 20 или 24 дня, однако получают прибыль при всех уровнях комиссий. Еще более важно отметить, что биткойн становится прибыльным только в окне в 5 дней, однако Ethereum прибылен во всех отношениях. На графиках ниже показан рост прибыли при уровне комиссии 0,0001 и MA за 24 дня для биткойнов и 20 дней для Etherum, соответственно.
Анализ
При анализе данных соответствия в течение 2017 и 2018 годов для BTC / USD окном с наибольшей прибылью является 24-часовое окно, однако оно перестает быть прибыльным при комиссиях 0,005 и 0,01. Для ETH / USDT идеальным окном является 20-часовое окно, однако оно также перестает быть прибыльным при комиссиях 0,005 и 0,01. Очевидно, что ни одна из криптовалют не приносит прибыли выше этих уровней комиссий, поэтому такую стратегию следует использовать на торговой платформе, которая предлагает низкие комиссии, например, на binance [9].
Приведенные выше таблицы показывают прибыль обеих криптовалют в их наилучшем окне и уровнях комиссий при рассмотрении производительности в течение 2019 года. Это делается на основе выборочных данных, чтобы проверить, может ли стратегия, созданная на основе более ранних данных соответствия (исторических), быть пригоден для прогнозирования по новым данным. Это моделирует то, что произошло бы, если бы стратегия была реализована в реальной жизни.
Обе криптовалюты приносят высокую прибыль во время нашего вневыборочного тестирования; при этом биткойн работает лучше, давая большую прибыль по сравнению с Ethereum.
Сделав то же самое для обеих криптовалют на наших ежедневных данных вне выборки, можно получить приведенную ниже таблицу, показывающую прибыль в идеальных дневных окнах для каждой криптовалюты, соответственно.
Глядя на таблицы, стратегия имитирует, что в 2019 году мы были бы прибыльны с биткойнами, используя 24-дневную скользящую среднюю, вплоть до уровня комиссии 0,001. Тем не менее, похоже, что Ethereum, хотя и был прибыльным по всем направлениям в течение 2017 и 2018 годов, наша стратегия не принесла высоких прибылей в течение 2019 года.
Сравнивая как Биткойн, так и Etherum, исходя из наших результатов и анализа, было бы идеально торговать на почасовых данных, а не на дневных данных, поскольку оба дают высокую прибыль, а также предоставляют доказательства, позволяющие предположить, что наша модель хорошо подходит.
В заключение, все собранные доказательства показывают, что Биткойн и Etherum означают предотвращение, как подчеркивает ADFT, в течение 2017 и 2018 годов. В результате стратегия импульса более уместна при попытке спрогнозировать, когда покупать и продавать криптовалюту. В целом моделирование показывает, что эта стратегия подходит для прогнозирования того, когда криптовалюта должна быть куплена или продана, поскольку существует множество доказательств того, что это можно сделать с прибылью.
Будущая работа
При рассмотрении улучшений и адаптации для других сценариев существуют различные факторы, которые можно принять во внимание, чтобы улучшить моделирование. В своей стратегии я ограничил общее количество монет, которые я могу иметь в любой момент, и общее количество токенов, которые я могу закрыть, до 5. Это позволило мне свести к минимуму риск иметь слишком много активов, если количество монет слишком высока, это создает риск больших потерь, если по какой-либо причине цена актива резко упадет. Одним из факторов, который игнорировался в стратегии, было проскальзывание. Проскальзывание - это когда участник торгов получает цену исполнения, которая на процент выше или ниже предполагаемого числа. Например, цена исполнения при покупке актива может быть на 2% выше фактической цены. Обычно это происходит из-за небольшого количества людей, торгующих, однако, поскольку я выбрал валюты с большим объемом торгов, проскальзывание можно игнорировать, так как оно будет очень маленьким. Это предположение дополнительно подтверждается данными, представленными в этих двух статьях [10] [11]. Тем не менее, если актив имеет низкий объем торгов, проскальзывание будет фактором, который следует принять во внимание, чтобы обеспечить более точную симуляцию.
Еще один фактор, который можно изучить дополнительно, - это окно скользящей средней. Исследуемые окна были: 2,5,7,10,15,20,24 дня или часа. Используя более широкий диапазон окон, например 30 дней и 90 дней, можно получить больше данных для проверки лучшей отдачи.
Кроме того, было бы интересно протестировать эту стратегию на других криптовалютах, таких как Ripple (XRP), чтобы увидеть, есть ли доказательства того, что эта стратегия работает с другими криптовалютами на рынке.
использованная литература
[1] (9 августа 2016 г.) Может ли объем предсказывать доходность и волатильность биткойнов? Подход на основе квантилей https://www.sciencedirect.com/science/article/abs/pii/S0264999317304558
[2] Карпофф Дж. (1987). Связь между изменениями цен и объемом торгов: обзор. Журнал финансового и количественного анализа, 22 (1), 109–126. DOI: 10.2307 / 2330874
[3] Определение среднего реверсии ОБЗОР ДЖЕЙМСА ЧЕНА Обновлено 15 мая 2019 г. https://www.investopedia.com/terms/m/meanreversion.asp
[4] The Journal of Investing Winter 2009, 18 (4) 57–71 https://joi.pm-research.com/content/18/4/57.abstract
[5] Тестирование возврата к среднему в биткойнах возвращается с помощью рандомизации с расширенной выборкой Гиббса https://www.sciencedirect.com/science/article/abs/pii/S1544612319306415
[6] Маккуин, Г. (1992). Возвращение к средним ценам на долгосрочные горизонты. Журнал финансового и количественного анализа, 27 (1), 1–18. DOI: 10.2307 / 2331295 https://www.cambridge.org/core/journals/journal-of-financial-and-quantitative-analysis/article/longhorizon-meanreverting-stock-prices-revisited/9E5B50277CCDE2451639A1AF87DE05
[7] Расширенный тест Дики-Фуллера на Python 20.11.2018 http://www.insightsbot.com/blog/1MH61d/augmented-dickey-fuller-test-in-python
[8] J. Chem. Инф. Comput. Sci. 2004, 44, 1, 1–12 Дата публикации: 2 декабря 2003 г. https://pubs.acs.org/doi/abs/10.1021/ci0342472
[9] https://www.binance.com/en/fee/schedule
[10] Се, Энтони. Анализ проскальзывания на бирже Binance, HodlBlog, 16/11/19, https://www.hodlbot.io/blog/an-analysis-of- проскальзывание-на-бинанс-обмене .
[11] Получение проскальзывания даже при небольших рыночных ордерах, GitHub, 16.11.19, https://github.com/sammchardy/python-binance/issues/142
