বিটকয়েনের সাথে মুদ্রার পতনের সম্পর্ক

পূর্ববর্তী নিবন্ধগুলিতে, আমরা ডিজিটাল মুদ্রা বাজারে একটি সাধারণ ঘটনা নিয়ে আলোচনা করেছিঃ বেশিরভাগ ডিজিটাল মুদ্রা, বিশেষত যারা বিটকয়েন এবং ইথেরিয়ামের দামের ওঠানামা অনুসরণ করে, তারা প্রায়শই একের পর এক ঝাঁকুনির প্রবণতা প্রদর্শন করে। এই ঘটনাটি তাদের মূলধারার মুদ্রার সাথে অত্যন্ত সম্পর্কিত বলে প্রমাণ করে। তবে, বিভিন্ন ডিজিটাল মুদ্রার মধ্যে সম্পর্কিততার মাত্রাও আলাদা। তাহলে এই সম্পর্কিত পার্থক্যগুলি কীভাবে বিভিন্ন মুদ্রার বাজারের কার্যকারিতাকে প্রভাবিত করে? এই নিবন্ধে, আমরা 2023 সালের দ্বিতীয়ার্ধের ষাঁড়ের বাজারের উদাহরণ দিয়ে এই সমস্যাটি অনুসন্ধান করব।

ডিজিটাল মুদ্রা বাজারের সিঙ্ক্রোনাইজড রুট

ডিজিটাল মুদ্রা বাজারটি তার অস্থিরতা এবং অনিশ্চয়তার জন্য পরিচিত। বিটকয়েন এবং ইথেরিয়াম, বাজারের দুটি বড় জায়ান্ট হিসাবে, প্রায়শই দামের গতিতে নেতৃত্ব দেয়। বেশিরভাগ ছোট বা উদীয়মান ডিজিটাল মুদ্রা, বাজারের প্রতিযোগিতামূলকতা এবং লেনদেনের সক্রিয়তা বজায় রাখার জন্য, এই মূলধারার মুদ্রাগুলির সাথে, বিশেষত প্রকল্পের জন্য বাজারে থাকা মুদ্রাগুলির সাথে একটি নির্দিষ্ট পরিমাণে দামের সিঙ্ক্রোনাইজেশন বজায় রাখে। এই সিঙ্ক্রোনাইজেশনটি বাজারের অংশগ্রহণকারীদের মানসিক প্রত্যাশা এবং লেনদেনের কৌশলকে প্রতিফলিত করে, যা পরিমাণগত লেনদেনের কৌশল নকশায় গুরুত্বপূর্ণ বিবেচনার বিষয়।

সম্পর্কিত সূত্র এবং গণনার পদ্ধতি

পরিমাণগত লেনদেনের ক্ষেত্রে, সংশ্লিষ্টতা পরিমাপ করা হয় পরিসংখ্যানগত পদ্ধতির মাধ্যমে। সর্বাধিক ব্যবহৃত পরিমাপ পদ্ধতি হল পিলসন সংশ্লিষ্টতা সহগ, যা দুটি ভেরিয়েবলের মধ্যে রৈখিক সংশ্লিষ্টতার মাত্রা পরিমাপ করে। নীচে কয়েকটি মূল ধারণাগুলি এবং গণনার পদ্ধতি রয়েছেঃ

পিয়ারসন সম্পর্কিত ক্রিয়াফল ())\(r\)) এর পরিসীমা -1 থেকে +1 এর মধ্যে রয়েছে, যেখানে +1 সম্পূর্ণ ইতিবাচক সম্পর্ককে নির্দেশ করে, -1 সম্পূর্ণ নেতিবাচক সম্পর্ককে নির্দেশ করে এবং 0 কোনও রৈখিক সম্পর্ককে নির্দেশ করে না। এই সহগের গণনার সূত্রটি নিম্নরূপঃ

\(r = \frac{\sum_{i=1}^{n} (X_i - \bar{X}) ((Y_i - \bar{Y})}{\sqrt{\sum_{i=1}^{n} (X_i - \bar{X}) ^2} \sqrt{\sum_{i=1}^{n} (Y_i - \bar{Y}) ^2}}

এর মধ্যে, এবং\(Y_i\)এটি দুটি র্যান্ডম ভেরিয়েবলের জন্য একটি পর্যবেক্ষণ মান।\(\bar{X}\)এবং\(\bar{Y}\)এই দুটি র্যান্ডম ভেরিয়েবলের গড়। Python Science Calculation Related Packages ব্যবহার করে সম্পর্ক গণনা করা খুব সহজ।

তথ্য সংগ্রহ

এই নিবন্ধটি ২০২৩ সালের পুরো বছরের জন্য ৪hK লাইন ডেটা সংগ্রহ করেছে, ১৪৪ টি মুদ্রার জন্য যা ১লা জানুয়ারি থেকে চালু হয়েছে; ডাউনলোডের জন্য নির্দিষ্ট ডেটা কোড নিম্নরূপঃ

import requests
from datetime import date,datetime
import time
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

ticker = requests.get('https://fapi.binance.com/fapi/v1/ticker/24hr')
ticker = ticker.json()
sort_symbols = [k['symbol'][:-4] for k in sorted(ticker, key=lambda x :-float(x['quoteVolume'])) if k['symbol'][-4:] == 'USDT']

def GetKlines(symbol='BTCUSDT',start='2020-8-10',end='2023-8-10',period='1h',base='fapi',v = 'v1'):
    Klines = []
    start_time = int(time.mktime(datetime.strptime(start, "%Y-%m-%d").timetuple()))*1000 + 8*60*60*1000
    end_time =  min(int(time.mktime(datetime.strptime(end, "%Y-%m-%d").timetuple()))*1000 + 8*60*60*1000,time.time()*1000)
    intervel_map = {'m':60*1000,'h':60*60*1000,'d':24*60*60*1000}
    while start_time < end_time:
        time.sleep(0.5)
        mid_time = start_time+1000*int(period[:-1])*intervel_map[period[-1]]
        url = 'https://'+base+'.binance.com/'+base+'/'+v+'/klines?symbol=%s&interval=%s&startTime=%s&endTime=%s&limit=1000'%(symbol,period,start_time,mid_time)
        res = requests.get(url)
        res_list = res.json()
        if type(res_list) == list and len(res_list) > 0:
            start_time = res_list[-1][0]+int(period[:-1])*intervel_map[period[-1]]
            Klines += res_list
        if type(res_list) == list and len(res_list) == 0:
            start_time = start_time+1000*int(period[:-1])*intervel_map[period[-1]]
        if mid_time >= end_time:
            break
    df = pd.DataFrame(Klines,columns=['time','open','high','low','close','amount','end_time','volume','count','buy_amount','buy_volume','null']).astype('float')
    df.index = pd.to_datetime(df.time,unit='ms')
    return df

start_date = '2023-01-01'
end_date   = '2023-11-16'
period = '4h'
df_dict = {}

for symbol in sort_symbols:   
    print(symbol)
    df_s = GetKlines(symbol=symbol+'USDT',start=start_date,end=end_date,period=period)
    if not df_s.empty:
        df_dict[symbol] = df_s

df_close = pd.DataFrame(index=pd.date_range(start=start_date, end=end_date, freq=period),columns=df_dict.keys())
for symbol in symbols:
    df_s = df_dict[symbol]
    df_close[symbol] = df_s.close
df_close = df_close.dropna(how='any',axis=1)

পুনর্বিবেচনা

প্রথমত, ডেটা একত্রিত করার পরে, গড় মূল্য হ্রাসের সূচকটি গণনা করা হয়, আপনি দেখতে পাচ্ছেন যে ২০২৩ সালে দুটি বাজারের তরঙ্গ রয়েছে, যার মধ্যে বছরের শুরুতে একটি তরঙ্গ উত্থান এবং অক্টোবরে শুরু হওয়া একটি তরঙ্গ উত্থান, যা বর্তমানে মূলত সূচকের শীর্ষে রয়েছে।

df_norm = df_close/df_close.fillna(method='bfill').iloc[0] #归一化
total_index = df_norm.mean(axis=1)
total_index.plot(figsize=(15,6),grid=True);

### প্রাসঙ্গিকতা বিশ্লেষণ

পান্ডাস স্বয়ংক্রিয়ভাবে সম্পর্কিত গণনা করে, এবং বিটিসির দামের সাথে সম্পর্কিত এবং সবচেয়ে দুর্বল হিসাবে, বেশিরভাগ মুদ্রার সম্পর্ক ইতিবাচক, যার অর্থ তারা বিটিসির দাম অনুসরণ করে এবং কিছু মুদ্রার সম্পর্ক নেতিবাচক, যা ডিজিটাল মুদ্রা বাজারে একটি ব্যতিক্রম।

 corr_symbols = df_norm.corrwith(df_norm.BTC).sort_values().index

প্রাসঙ্গিকতা ও মূল্যবৃদ্ধি

এখানে মুদ্রা দুটি গ্রুপে বিভক্ত করা হয়, প্রথম গ্রুপটি ৪০ টি মুদ্রা যা বিটিসির দামের সাথে সবচেয়ে বেশি সম্পর্কিত, দ্বিতীয় গ্রুপটি বিটিসির দামের সাথে সবচেয়ে কম সম্পর্কিত মুদ্রা, প্রথম গ্রুপের দামের সূচক বিয়োগ করে দ্বিতীয় গ্রুপের সূচক ব্যবহার করে, যার অর্থ প্রথম গ্রুপের তুলনায় গড় পরিমাণে আরও বেশি করা এবং দ্বিতীয় গ্রুপটি খালি করা। কোড এবং ফলাফল নিম্নরূপঃ

(df_norm[corr_symbols[-40:]].mean(axis=1)-df_norm[corr_symbols[:40]].mean(axis=1)).plot(figsize=(15,6),grid=True);

ফলাফলগুলি দেখায় যে বিটিসির দামের সাথে আরও দৃ strongly়ভাবে সম্পর্কিত মুদ্রাগুলি ভাল বৃদ্ধি পেয়েছে এবং নিখরচায় সম্পর্কিত মুদ্রাগুলিও ভাল হিজিং করেছে। এখানে একটি অনিয়মিত জায়গা হ'ল ভবিষ্যতের ডেটা ব্যবহার করা হয়েছে যখন সম্পর্ক গণনা করা হয় এবং নীচে দুটি গোষ্ঠীতে বিভক্ত করা হয়, একটি গোষ্ঠী সম্পর্ক গণনা করা হয় এবং অন্যটি হিজিংয়ের পরে লাভ গণনা করার জন্য ব্যবহৃত হয়। ফলাফলগুলি নীচের চিত্রটিতে দেখানো হয়েছে, এবং ফলাফল একই।

বিটকয়েন এবং ইথেরিয়ামের মতো বাজারের নেতা হিসাবে, তাদের দামের গতি প্রায়শই পুরো বাজারে ব্যাপক প্রভাব ফেলে। যখন এই বিটকয়েনগুলির দাম বেড়ে যায়, তখন বাজারের মনোভাব সাধারণত আশাবাদী হয়ে যায় এবং অনেক বিনিয়োগকারী বাজারের প্রবণতা অনুসরণ করতে ঝোঁক। বিনিয়োগকারীরা এটিকে পুরো বাজারের উত্থানের সংকেত হিসাবে বিবেচনা করতে পারে এবং অন্যান্য মুদ্রা কিনতে শুরু করতে পারে। বাজারের অংশগ্রহণকারীদের সম্মিলিত আচরণের কারণে, মূলধারার মুদ্রার সাথে অত্যন্ত সম্পর্কিত মুদ্রাগুলির অনুরূপ দামের বৃদ্ধি হতে পারে। এই সময়ে, বাজারের দামের গতির প্রত্যাশা কখনও কখনও স্ব-প্রাপ্তি হয়ে যায়। বিটকয়েনের সাথে সম্পর্কিত নেতিবাচক মুদ্রাগুলি স্বতন্ত্রভাবে স্বতন্ত্র হতে পারে, যা তাদের মৌলিক দিকটি সরিয়ে ফেলতে পারে বা মূলধারার বিনিয়োগকারীদের দৃষ্টিভঙ্গির বাইরে চলে যেতে পারে, এমনকি বিদ্যমান মুদ্রার তুলনায় তাদের অনুসরণ করতে পারে এমন মুদ্রা ছেড়ে দিতে পারে।

corr_symbols = (df_norm.iloc[:1500].corrwith(df_norm.BTC.iloc[:1500])-df_norm.iloc[:1500].corrwith(total_index[:1500])).sort_values().index 

সংক্ষিপ্তসার

এই নিবন্ধটি পিয়ারসন সম্পর্কিত কোঅফিশিয়াল, যা মুদ্রাগুলির মধ্যে সম্পর্কিততার মাত্রা প্রকাশ করে। নিবন্ধটি দেখায় যে কীভাবে ডেটা সংগ্রহ করা যায়, মুদ্রাগুলির মধ্যে সম্পর্ক গণনা করা হয় এবং এই ডেটা ব্যবহার করে বাজারের প্রবণতা মূল্যায়ন করা হয়। এটি প্রকাশ করে যে ডিজিটাল মুদ্রা বাজারে দামের ওঠানামাটির সিঙ্ক্রোনাইজেশন কেবলমাত্র বাজারের মনোবিজ্ঞান এবং কৌশলগুলির প্রতিফলন নয়, তবে এটি বৈজ্ঞানিক পদ্ধতির মাধ্যমে পরিমাণযুক্ত এবং পূর্বাভাস দেওয়া যেতে পারে। এটি একটি পরিমাণগত ট্রেডিং কৌশল ডিজাইনের জন্য বিশেষভাবে গুরুত্বপূর্ণ।

এই নিবন্ধের ধারণাগুলির অনেকগুলি ক্ষেত্র রয়েছে যেখানে আরও কার্যকর তথ্য বিশ্লেষণের জন্য স্ক্রোলিং সম্পর্ক গণনা করা যেতে পারে, যেমন উত্থান এবং পতনের ক্ষেত্রে সম্পর্ক গণনা করা যেতে পারে।