شرط بندی در بیت کوین: تجارت سودآور بین استراتژی های جهت دار و محافظ

در این مقاله ، ما یک استراتژی اصلی تجارت در مورد بیت کوین ها ارائه می دهیم. متدولوژی ما پیشنهاد می کنیم سود محور است ، و مبتنی بر خرید یا فروش به اصطلاح قراردادهای برای تفاوت است ، به طوریآستانه مناسببا شروع از برخی از یافته های تجربی ، و عبور از مشخصات یک مدل نظری مناسب برای فرآیند قیمت بیت کوین ، ما به لطف استفاده از یک شبکه عصبی مکرر با یک حافظه کوتاه مدت طولانی برای پیش بینی اهداف ، می توانیم سناریوهای سرمایه گذاری احتمالی را ارائه دهیم. واد

روی نسخه خطی کار می کنید؟

مقدمه

برای دهه های گذشته ، ارزهای رمزنگاری شده به طور فزاینده ای نقش اصلی در سناریوی اقتصادی و مالی جهانی را ایفا می کنند. در میان ارزهای مختلف رمزنگاری که در حال حاضر در دسترس خریداران بالقوه است ، بیت کوین (BTC ، از این پس) مطمئناً مشهورترین و جالب ترین نمونه است. به عنوان اثبات این امر ، کافی است توجه داشته باشید که سرمایه گذاری در بازار BTC 2019 برابر با حدود 170 دلار بود ، که نمایانگر (53 ٪) سرمایه گذاری در بازار پیشرو Cryptocur ارز است. پاورقی 1

با تمرکز بر روی BTC ، ادبیات ساختار عجیب و غریب آن را برجسته کرده است. از بعضی جهات ، BTC را می توان به دلیل ارزش ذاتی محدود ، به یک ارز استاندارد تشبیه کرد. از این منظر ، به نظر می رسد دلار آمریکا به بهترین وجهی از سنگفرش نشان می دهد ، حتی اگر با تعریف ، BTC توسط هیچ بانک مرکزی صادر نمی شود. در همین حال ، BTC چندین ویژگی جالب را با برخی از دارایی های ایمن مانند طلا به اشتراک می گذارد. با این حال ، BTC به دلیل عدم توانایی در انجام محافظت مالی ، نمی تواند کالایی در نظر گرفته شود ، به عنوان مثال ، Byström و Kryger (2018) برای جزئیات بیشتر مراجعه کنید.

حداقل چند دلیل قابل تصور وجود دارد که چرا دانشگاهیان و هم پزشکان در حال حاضر در چنین پیشرفت بزرگی از پدیده ارزهای رمزپایه شرکت می کنند.

اولین انگیزه مربوط به کار اصلی آنها است. لازم به یادآوری است که ارزهای رمزنگاری شده به عنوان یک شکل جایگزین برای پرداخت سنتی متولد شده اند ، به عنوان مثال ، ناکاموتو (2008) را با استناد به BTC ، که به درستی می تواند مشهورترین cryptocurrency صادر شده در نظر گرفته شود ، ببینید. به طور دقیق تر ، آنها نوعی پرداخت دیجیتالی را نشان می دهند ، مانند نقل و انتقالات معروف بانکی یا به طور کلی انتقال پول آنلاین ، به گونه ای که حضور واسطه ها مجاز نیست ، مانند موارد پرداخت نقدی ، به عنوان مثال ، Ametrano (به عنوان مثال ، به Ametrano مراجعه کنید. 2016) و منابع موجود در آن.

دلیل دوم موفقیت فوق الذکر برای خانواده ارزهای رمزنگاری شده احتمالاً در تمایل روزافزون از طرف اپراتورهای مالی برای یافتن اشکال جدید سرمایه گذاری که تضمین حاشیه سود بزرگ را تضمین می کند ، یافت می شود ، بدون اینکه سطح خطر را به خود اختصاص دهدمرتبط با این معاملات مالی. به عبارت دیگر ، ارزهای رمزنگاری شده را می توان شکل جدیدی از سرمایه گذاری سوداگرانه در نظر گرفت.

در مقایسه با محصولات سرمایه گذاری کلاسیک (مانند شاخص های سهام یا ارزهای استاندارد) ، ارزهای رمزنگاری شده با سطح نوسانات قابل توجهی مشخص می شوند ، به عنوان مثال ، باکو و همکاران.(2015) و کیریازیس و همکاران.(2019). در نتیجه ، این نوع محصولات برای سرمایه گذاران به دنبال ریسک بسیار خوشایند هستند ، در حالی که برای سرمایه گذاران ریسک کمتری جذاب تر هستند. به لطف اظهارات فوق الذکر در مورد طبیعت BTC ، و با در نظر گرفتن نقش مهم که توسط نوسانات بازی شده است ، اخیراً بسیاری از نویسندگان شروع به نگاه به BTC (و به طور کلی ، تمام ارزهای رمزنگاری شده بر روی سیستم عامل های اصلی) به عنوان نمونه ای از خالصاوراق بهادار خطرناک. تقریباً ، BTC می تواند به عنوان یک ابزار مالی کلاسیک استفاده شود ، که ممکن است سرمایه گذاران به روش های مختلفی عمل کنند. به عنوان مثال ، یک عامل ممکن است مستقیماً روی امنیت متمرکز شود ، یعنی با شرط بندی بر افزایش قیمت های احتمالی یا غوطه وری. از طرف دیگر ، همان نماینده می تواند هرگونه استراتژی سرمایه گذاری مناسب را شامل می شود که شامل ابزارهای مشتق شده است ، به عنوان مثال ، Bistarelli و همکاران.(2019) برای تجزیه و تحلیل عمیق.

شایان ذکر است که علاقه روزافزون به ارزهای رمزنگاری شده از جنبه های مختلفی آشکار می شود. بسیاری از نویسندگان در مطالعه سیستم های نرم افزاری تجاری مناسب متمرکز شده اند ، و سعی در شناسایی نقاط قوت و ضعف آنها ، اصرار بر شفافیت رویه ها و همچنین عدم وجود کلاهبرداری و دستکاری داده ها دارند ، به عنوان مثال ، Bauriya و همکاران.(2019).

تقاضا برای ارائه ابزارهای مؤثر برای وزن گیری استراتژی های معاملاتی رمزنگاری شده باعث افزایش قابل توجه اخیر مقالات آماری-اقتصادی برای تخمین و پیش بینی متغیرهای اقتصادی خاص شده است ، به عنوان مثال ، Katsiampa (2017). علاوه بر این ، نقش کلیدی که توسط ارزهای رمزپایه به عنوان دارایی های خطرناک ایفا می شود ، باعث شده است که دانشگاهیان به مسائل مربوط به بازار کارآیی بالقوه (در)) ، به عنوان مثال ، Le Tran و Leirvik (2020) و Brandvold و همکاران مراجعه کنند.(2015). سرانجام ، خطوط تحقیقاتی اختصاص داده شده به توضیح قیمت گذاری ارزهای رمزنگاری شده از طریق اقتصاد رفتاری به طور فزاینده ای محبوب می شوند ، به خصوص به لطف شبکه های اجتماعی ، به عنوان مثال ، کیم و همکاران.(2016).

در چنین ادبیاتی گسترده ، مقاله حاضر با هدف غنی سازی رشته اخیر ادبیات که قوانین تجارت فنی را در بازارهای رمزنگاری مورد مطالعه قرار می دهد ، به عنوان مثال ، Detzel و همکاران مراجعه کنید.(2018) ، هادسون و اروخارت (2019) ، VO و یوست-برم (2018) ، کوهن (2020) ، با استفاده از تکنیک های آماری یادگیری تحت نظارت برای برآورد و استنباط.

به طور دقیق تر ، ما می خواهیم استراتژی های تجاری نوآورانه در مورد BTC ارائه دهیم. پیشنهاد ما می تواند به عنوان یک سازش مناسب بین قمار و ساختن یک سبد محافظت مناسب تلقی شود. به این ترتیب ، این استراتژی برای کاهش حرف های بسیار سوداگرانه سابق از طریق تزریق ریسک ریسک دومی فراهم می شود. ایده پشت استراتژی ما به شرح زیر است. با شروع از سری زمانی BTC ، ما یک استراتژی پیش بینی کننده را در افق های زمانی کوتاه تنظیم کردیم. با توجه به شماره n سطل های زمانی که در آن امکان تجارت بیش از چنین پیش بینی وجود دارد ، در زمان اولیه ثابت (T_0 ) معامله گر برای توافق نامه های اختلاف (CFD) به همان تعداد قرارداد N وارد می شود ، چه با کوتاه یا طولانیموقعیت ، بسته به مقداری که انتظار می رود BTC با توجه به آستانه ثابت به آن برسد. این سود با سوء استفاده از تعریف CFD ، یعنی حاصل می شود. این تفاوت بین قیمت BTC و مقدار آستانه ، که در هر سطل زمان ارزیابی می شود ، داده می شود. علاوه بر این ، معامله گر همچنین می تواند یک استراتژی انتظار و دیدن را انتخاب کند ، که شامل فروش یا خرید CFD فقط در لحظه ای است که انتظار می رود حداکثر سود حاصل شود.

با وجود اینکه تمرکز اصلی مقاله حاضر نیست، پیش بینی قیمت بیت کوین یک محصول جانبی صرف نیست. مدل های انعطاف پذیر ماهر در تشخیص ویژگی های پنهان که قیمت ها را تعیین می کنند، برای انجام پیش بینی ها در طول زمان، اجتناب از دام های ناشی از مدل های پیش بینی ساختاری مطلوب هستند. مدل های یادگیری عمیق ماشینی و عمیق به دلیل ظرفیت پردازش داده ها، گرفتن الگوهای اساسی در آنها ابزار مناسبی هستند. مدل های مبتنی بر داده، با بررسی رفتار تجربی قیمت BTC، نمونه های اولیه برجسته ای را برای رسیدن به دقت و قابلیت اطمینان در پیش بینی رفتار آشفته نشان می دهند.

در میان مدل های مختلف ماشینی و یادگیری عمیق موجود در ادبیات، در این مقاله، ما به چارچوب شبکه های عصبی (NN) متوسل می شویم. به طور صحیح تر، ما یک مدل شبکه عصبی بازگشتی (RNN) با معماری حافظه کوتاه مدت بلند مدت (LSTM، از این پس) انتخاب می کنیم، به عنوان مثال، Hochreiter و Schmidhuber (1997) را ببینید تا سری قیمت BTC مشاهده شده و پروژه را توضیح دهیم. آن را در یک افق کوتاه مدت طراحی شده است. انتخاب ما در امتداد خطوط آلتان و همکاران حرکت می کند.(2019)، لاهمیری و بکیروس (2019) و لاهمیری و بکیروس (2020). دومی مدل های یادگیری ماشینی متفاوت را برای پیش بینی قیمت BTC برای اهداف معاملاتی با فرکانس بالا مقایسه می کند. Lahmiri and Bekiros (2019)، ابتدا در ادبیات، LSTM را برای پیش بینی قیمت BTC پیشنهاد می کنند و مهارت معماری RNN را برای پیش بینی الگوهای فرکتال کوتاه و بلند نشان می دهند. در نهایت آلتان و همکاران.(2019) یک سیستم پیش بینی نوآورانه را بر اساس LSTM طراحی می کند که نزدیکی بالایی به قیمت های ارزهای دیجیتال مشاهده شده دارد.

هرچه استراتژی انجام شده توسط سرمایه گذار باشد ، مهم است که به BTC یک مدل ریاضی اختصاص دهد که قادر به ضبط و احتمالاً تکرار ، تکامل در زمان ویژگی ها و خصوصیات اصلی آن باشد. ادبیات چندین رویکرد را ارائه می دهد. با نگاهی به نوسانات به عنوان شاخصی از تکامل فرآیند اساسی ، اخیراً بسیاری از نویسندگان به مدل های نوسانات تصادفی برای پویایی قیمت BTC متکی هستند ، به عنوان مثال ، Bohte و Rossini (2019) مراجعه کنید. علاوه بر این ، با شواهد تجربی که نشان دهنده وجود نوسانات بزرگ اما نادر در قیمت های رمزنگاری است ، توجیه شده است ، با فرض وجود ناپیوستگی در پویایی ، چنین مدل هایی را می توان بیشتر تعمیم داد. هو و همکاران.(2018). علاوه بر این ، ادبیات یک رویکرد کلاسیک را بر اساس استفاده از مدلهای پراکنده برای پویایی قیمت پیشنهاد می کند ، به عنوان مثال ، Bistarelli و همکاران.(2019) و منابع موجود در آن. این ساده سازی مدل سازی صرف نیست. چنین انتخابی با شواهد تجربی توجیه می شود و توسط ملاحظات نظری پشتیبانی می شود. یکی از تکنیک های موجود در ادبیات برای تأیید اینکه آیا یک پدیده معین توسط یک حرکت (کسری) براون (FBM) هدایت می شود ، شامل اندازه گیری به اصطلاح Hurst Exponent H است. به طور خاص ، می توان ثابت کرد که (H = 0. 5 ) معادل گفتن اینکه FBM مربوطه یک فرآیند Wiener است. برای اطلاعات بیشتر در مورد FBM و تعمیم آن ، ما به خواننده به Bianchi و Pianese (2015) و Bianchi و همکاران خطاب می کنیم.(2015).

از دیدگاه عملیاتی ، ادبیات چندین الگوریتم استاندارد را برای محاسبه شاخص HURST مرتبط با یک سری زمانی معین ارائه می دهد. برخی از نمونه ها توسط تجزیه و تحلیل دامنه نجات یافته (R/S) ، تکنیک های طیفی فوریه (PSD) یا تجزیه و تحلیل واریانس موجک ارائه شده است ، برای جزئیات بیشتر به عنوان به عنوان مثال ، Serinaldi (2010) مراجعه کنید. در این مقاله ، به دنبال شهود مورد بهره برداری در Bariviera و همکاران.(2017) ، ما از تجزیه و تحلیل نوسان محروم معرفی شده در پنگ و همکاران بهره برداری می کنیم.(1995) و پنگ و همکاران.(1994). ما به سری زمانی مالی BTC بازده فوری ، بین 1 ژانویه 2019 و 31 دسامبر 2019 مراجعه می کنیم. تجزیه و تحلیل تجربی انجام شده در مجموعه داده ها نشان می دهد که (H = 0. 5 ، ) که مجاز به فرض یک log-normal استدینامیک قیمت BTC در یک افق زمانی کوتاه.

تازگی پیشنهاد ما در معرفی یک مرز مناسب است که صرفاً به دینامیک قیمت انتشاری اساسی مرتبط است. تا جایی که ما می دانیم، این برای اولین بار در ادبیات اتفاق می افتد. چنین مقایسه ای یک بار دیگر پتانسیل پیشنهاد ما را نشان می دهد: تجزیه و تحلیل فنی انجام شده نشان می دهد که استراتژی ما از نظر بازده قابل مقایسه با سایرین است، اما محافظه کارانه تر است، زیرا ضررهای قابل توجهی کمتری را تضمین می کند.

بقیه مقاله به شرح زیر سازماندهی شده است. در بخش 2، روش مورد استفاده خود را شرح می دهیم. به طور خاص، مدل مالی و همچنین نتایج تجربی اصلی مربوط به داده هایی را که در نظر می گیریم، به یاد می آوریم. بخش 3 به اجرای استراتژی معاملاتی که ارائه می کنیم اختصاص دارد، در حالی که بخش. 4 نتایج عددی را نشان می دهد که پیشنهاد ما را تایید می کند. بخش 5 مقاله را به پایان می رساند.

تجزیه و تحلیل BTC

مجموعه داده

به منظور انجام بررسی های تجربی خود، به قیمت های BTC 2019 (USD) جمع آوری شده از gemini.com مراجعه می کنیم. گستره داده های تحلیل شده از 1 ژانویه 2019 تا 31 دسامبر 2019، نشان دهنده سری زمانی قیمت 1 دقیقه ای روزانه، با مجموع 483826 مشاهده است. در شکل 1، قیمت های BTC را رسم می کنیم، در حالی که شکل 2 بازده بیت کوین را نشان می دهد.