Hubungan Antara Naik Dan Turunnya 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 naik dan turun bersama. Fenomena ini mengungkapkan korelasi tinggi mereka dengan mata uang arus utama. Namun, tingkat korelasi antara mata uang digital yang berbeda juga bervariasi. Jadi bagaimana perbedaan korelasi ini mempengaruhi kinerja pasar setiap mata uang?

Asal-usul Synchronous Pasar Mata Uang Digital

Pasar mata uang digital dikenal karena volatilitas dan ketidakpastian. Bitcoin dan Ethereum, sebagai dua raksasa di pasar, sering memainkan peran utama dalam tren harga. Sebagian besar mata uang digital kecil atau berkembang, untuk mempertahankan daya saing pasar dan aktivitas perdagangan, sering menjaga tingkat sinkronisasi harga tertentu dengan mata uang arus utama ini, terutama koin yang dibuat oleh pihak proyek. Sinkronitas ini mencerminkan harapan psikologis dan strategi perdagangan peserta pasar, yang merupakan pertimbangan penting dalam merancang strategi perdagangan kuantitatif.

Rumus dan Metode Perhitungan Korélasi

Dalam bidang perdagangan kuantitatif, pengukuran korelasi dicapai melalui metode statistik. ukuran yang paling umum digunakan adalah koefisien korelasi Pearson, yang mengukur tingkat korelasi linier antara dua variabel. berikut adalah beberapa konsep inti dan metode perhitungan:

Kisaran Koefisien Korelasi Pearson (dilambangkan sebagai r) adalah dari -1 hingga +1, di mana +1 menunjukkan korelasi positif sempurna, -1 menunjukkan korelasi negatif sempurna, dan 0 menunjukkan tidak ada hubungan linier.

Di antaranya,danadalah nilai yang diamati dari dua variabel acak,danadalah nilai rata-rata dari kedua variabel acak tersebut masing-masing.

Pengumpulan data

Artikel ini telah mengumpulkan data 4h K-line untuk seluruh tahun 2023 dari Binance, memilih 144 mata uang yang terdaftar pada tanggal 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)

Tinjauan Pasar

Setelah menormalkan data terlebih dahulu, kita menghitung indeks fluktuasi harga rata-rata. dapat dilihat bahwa ada dua tren pasar pada tahun 2023. satu adalah peningkatan yang signifikan pada awal tahun, dan yang lainnya adalah kenaikan besar mulai Oktober. saat ini, pada dasarnya pada titik tinggi dalam hal indeks.

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

Analisis korelasi

Pandas dilengkapi dengan perhitungan korelasi built-in. Korelasi terlemah dengan harga BTC ditunjukkan dalam gambar berikut. Sebagian besar mata uang memiliki korelasi positif, yang berarti mereka mengikuti harga BTC. Namun, beberapa mata uang memiliki korelasi negatif, yang dianggap anomali dalam tren pasar mata uang digital.

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

Korélasi dan Peningkatan Harga

Di sini, mata uang dibagi menjadi dua kelompok. Kelompok pertama terdiri dari 40 mata uang yang paling berkorelasi dengan harga BTC, dan kelompok kedua mencakup yang paling tidak terkait dengan harga BTC. Dengan mengurangi indeks kelompok kedua dari yang pertama, itu mewakili pergi panjang pada kelompok pertama sementara shorting yang kedua. Dengan cara ini kita dapat menghitung hubungan antara fluktuasi harga dan korelasi BTC. Berikut adalah cara Anda melakukannya bersama dengan hasil:

(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 dengan korelasi yang lebih kuat dengan harga BTC memiliki kenaikan yang lebih baik, dan shorting mata uang dengan korelasi rendah juga memainkan peran lindung nilai yang baik. Keadaannya di sini adalah bahwa data masa depan digunakan saat menghitung korelasi. Di bawah ini, kami membagi data menjadi dua kelompok: satu kelompok menghitung korelasi, dan yang lain menghitung pengembalian setelah lindung nilai. Hasilnya ditunjukkan dalam gambar berikut, dan kesimpulan tetap tidak berubah.

Bitcoin dan Ethereum sebagai pemimpin pasar sering memiliki dampak besar pada tren pasar secara keseluruhan. Ketika harga cryptocurrency ini naik, sentimen pasar biasanya menjadi optimis dan banyak investor cenderung mengikuti tren ini. Investor mungkin melihat ini sebagai sinyal peningkatan pasar secara keseluruhan dan mulai membeli mata uang lain. Karena perilaku kolektif peserta pasar, mata uang yang sangat berkorelasi dengan arus utama mungkin mengalami kenaikan harga yang sama. Pada saat seperti itu, harapan tentang tren harga kadang-kadang dapat menjadi nubuatan yang memenuhi diri sendiri. Sebaliknya, mata uang yang berkorelasi negatif dengan Bitcoin adalah unik; dasar-dasarnya mungkin memburuk atau mereka mungkin tidak lagi terlihat oleh arus utama - bahkan mungkin ada situasi menghisap darah Bitcoin di mana investor meninggalkan pasar mengejar mereka yang mampu mengikuti kenaikan harga.

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

Ringkasan

Artikel ini membahas koefisien korelasi Pearson, yang mengungkapkan tingkat korelasi antara mata uang yang berbeda. Artikel ini menunjukkan cara memperoleh data untuk menghitung korelasi antara mata uang dan menggunakan data ini untuk menilai tren pasar.

Ada banyak bidang di mana ide-ide dalam artikel ini dapat diperluas, seperti menghitung korelasi bergulir, menghitung korelasi secara terpisah selama kenaikan dan penurunan, dll, yang dapat menghasilkan banyak informasi yang berguna.