Hubungan antara penurunan mata uang dan Bitcoin

Dalam artikel sebelumnya, kami membahas fenomena umum di pasar mata uang digital: sebagian besar mata uang digital, terutama yang mengikuti fluktuasi harga Bitcoin dan Ethereum, sering menunjukkan tren jatuh dan jatuh yang sama. Fenomena ini mengungkapkan bahwa mereka sangat terkait dengan mata uang utama. Namun, tingkat korelasi antara mata uang digital yang berbeda juga berbeda. Jadi, bagaimana perbedaan korelasi ini mempengaruhi kinerja pasar masing-masing mata uang?

Akar sinkronisasi pasar mata uang digital

Pasar mata uang digital terkenal dengan ketidakstabilan dan ketidakpastian mereka. Bitcoin dan Ethereum, dua raksasa di pasar, sering memainkan peran utama dalam pergerakan harga. Sebagian besar mata uang digital kecil atau baru muncul, untuk menjaga daya saing pasar dan aktivitas perdagangan, seringkali memiliki tingkat sinkronisasi harga dengan mata uang utama ini, terutama mata uang yang dipasarkan masing-masing proyek. Sinkronisasi ini mencerminkan harapan psikologis dan strategi perdagangan para peserta pasar, dan merupakan pertimbangan penting dalam desain strategi perdagangan kuantitatif.

Rumus dan metode perhitungan korelasi

Dalam bidang transaksi kuantitatif, pengukuran korelasi dilakukan dengan metode statistik. Metode pengukuran yang paling umum digunakan adalah koefisien korelasi Pearson, yang mengukur tingkat korelasi linier antara dua variabel. Berikut adalah beberapa konsep dan metode perhitungan inti:

Koefisien Pearson (dicatat sebagai $r$) berkisar antara -1 dan +1, di mana +1 menunjukkan korelasi positif sepenuhnya, -1 menunjukkan korelasi negatif sepenuhnya, dan 0 menunjukkan tidak ada korelasi linier. Rumus perhitungan untuk koefisien ini adalah sebagai berikut:

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

Di antaranya, $X_i$ dan $Y_i$ adalah nilai observasi dari dua variabel acak, $\bar{X}$ dan $\bar{Y}$ adalah rata-rata dari dua variabel acak tersebut. Dengan menggunakan paket terkait komputasi ilmiah Python, perbandingan dapat dihitung dengan mudah.

Pengumpulan data

Artikel ini mengumpulkan data garis 4hK untuk tahun penuh 2023 dari 144 mata uang yang akan diluncurkan pada 1 Januari.

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)

Pembahasan

Pertama, setelah mengintegrasikan data dan menghitung indeks penurunan harga rata-rata, Anda dapat melihat bahwa pada tahun 2023, ada dua gelombang pasar, yaitu gelombang awal tahun dan gelombang besar yang dimulai pada bulan Oktober, yang saat ini pada dasarnya berada di puncak indeks.

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);

Analisis Relevansi

Pandas melakukan perhitungan korelasi sendiri, dengan korelasi harga BTC dan yang terlemah, sebagian besar mata uang memiliki korelasi positif, yang berarti mereka mengikuti harga BTC, dan ada juga beberapa korelasi mata uang negatif, yang merupakan perhitungan yang tidak biasa dalam pasar mata uang digital.

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

Perbedaan dan Harga

Di sini tidak ketat membagi mata uang menjadi dua kelompok, kelompok pertama adalah 40 mata uang yang paling terkait dengan harga BTC, dan kelompok kedua adalah mata uang yang paling tidak terkait dengan harga BTC, menggunakan indeks harga kelompok pertama dikurangi indeks kelompok kedua, mewakili rata-rata melakukan lebih dari kelompok pertama kosong kelompok kedua, dapat dihitung hubungan penurunan harga dengan hubungan BTC.

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

Hasilnya menunjukkan bahwa mata uang yang lebih terkait dengan harga BTC meningkat lebih baik, dan mata uang yang kurang terkait dengan nol juga memiliki efek hedging yang baik. Di sini, yang tidak ketat adalah menggunakan data masa depan untuk menghitung korelasi, dan kemudian membagi data ke dalam dua kelompok, satu kelompok untuk menghitung korelasi, dan kelompok lain untuk menghitung keuntungan pasca-hedging, dan hasilnya tetap sama, seperti yang ditunjukkan di bawah ini.

Bitcoin dan Ethereum sebagai pemimpin pasar, pergerakan harga mereka sering memiliki dampak besar pada seluruh pasar. Ketika harga bitcoin ini naik, sentimen pasar biasanya menjadi optimis, dan banyak investor cenderung mengikuti tren pasar. Investor mungkin melihat ini sebagai sinyal kenaikan pasar secara keseluruhan dan mulai membeli mata uang lain. Karena perilaku kolektif para peserta pasar, mata uang yang sangat terkait dengan mata uang utama mungkin mengalami kenaikan harga yang sama.

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

Pengamatan

Koefisien hubungan Pearson, artikel ini mengungkapkan tingkat korelasi antar mata uang. Artikel ini menunjukkan bagaimana mendapatkan data untuk menghitung korelasi antar mata uang dan menggunakan data tersebut untuk menilai tren pasar. Artikel ini mengungkapkan sinkronisasi fluktuasi harga di pasar mata uang digital yang tidak hanya mencerminkan psikologi dan strategi pasar, tetapi juga dapat diukur dan diprediksi dengan metode ilmiah.

Ada banyak hal yang dapat diperluas dalam artikel ini, seperti perhitungan hubungan gulung, perhitungan hubungan naik dan turun, dan lain-lain, yang dapat menganalisis informasi yang lebih efektif.