동전의 하락과 비트코인의 연관성

이전 기사에서는 디지털 화폐 시장에서 일반적인 현상을 살펴봤습니다. 대부분의 디지털 화폐, 특히 비트코인 및 이더리움의 가격 변동을 따르는 것들은 종종 동화와 동화 추세를 나타냅니다. 이 현상은 그들이 주류 화폐와 매우 연관되어 있음을 보여줍니다. 그러나 다른 디지털 화폐들 사이의 연관도 차이는 있습니다. 그렇다면 이러한 연관성의 차이는 각 화폐의 시장 성능에 어떻게 영향을 미치나요? 이 글에서는 2023년 하반기 황금시장의 예를 들어서 이 문제를 탐구합니다.

디지털 통화 시장의 동기화 뿌리

디지털 화폐 시장은 변동성과 불확실성으로 유명하다. 비트코인과 이더리움은 시장의 두 거장으로서 종종 가격 움직임에 주도적인 역할을 한다. 대부분의 소규모 또는 신흥 디지털 화폐는 시장 경쟁력과 거래 활력을 유지하기 위해 이러한 주류 화폐, 특히 프로젝트별 시장을 운영하는 화폐와 어느 정도의 가격 동기화를 유지한다. 이러한 동기화는 시장 참여자의 심리적 기대와 거래 전략을 반영하고 있으며, 양적 거래 전략 설계에 중요한 고려 요소이다.

연관성의 공식과 계산 방법

양적 거래의 영역에서 상관관계의 측정은 통계적인 방법으로 이루어진다. 가장 일반적으로 사용되는 측정 방법은 피어슨 상관관계이다. 이 계수는 두 변수 사이의 선형적 상관관계를 측정한다. 다음은 몇 가지 핵심 개념과 계산 방법이다:

피어슨 관련 계수 (이하 $r$) 는 -1에서 +1까지의 범위에서, +1은 완전히 긍정적으로 관련되어 있으며, -1은 완전히 부정적으로 관련되어 있으며, 0은 선형적인 관련성이 없다는 것을 나타냅니다. 이 계수의 계산 공식은 다음과 같습니다.

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

여기서 $X_i$와 $Y_i$는 두 개의 무작위 변수의 관찰값이며, $\bar{X}$와 $\bar{Y}$는 각각 두 개의 무작위 변수의 평균값이다.

데이터 수집

이 문서에서는 1월 1일 출시된 144개의 동전을 선택하여 2023년 전체 4hK 라인 데이터를 수집합니다.

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)

회고록

먼저 데이터를 통합한 후 평균 가격 하락 지수를 계산하면 2023년에는 두 개의 파동 시장이 있다는 것을 알 수 있습니다.

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);

연관성 분석

pandas 자율성 상관성 계산, BTC 가격 상관성 및 가장 약한 것 아래와 같이, 대부분의 코인의 상관성이 긍정적 인 것으로 나타났습니다. 이는 BTC의 가격을 따르고 있으며 일부 코인의 상관성이 부정적이라는 것을 의미합니다.

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

관련성, 가격 상승

여기서 부조리하게 화폐를 두 그룹으로 나누면, 첫 번째 그룹은 BTC 가격과 가장 관련이있는 40 개의 화폐, 두 번째 그룹은 BTC 가격과 가장 관련이없는 화폐입니다. 첫 번째 그룹의 가격 인덱스를 두 번째 그룹의 인덱스를 빼고 평균적으로 첫 번째 그룹을 더하고 두 번째 그룹을 공백으로 나타냅니다.

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

이 결과는 BTC 가격과 더 밀접한 연관성이 있는 동전들이 더 잘 상승하고, 공허한 연관성이 낮은 동전들도 더 잘 헤지 역할을 한다는 것을 보여준다. 여기서 무모한 점은 연관성을 계산할 때 미래 데이터를 사용했고, 아래에서 데이터를 두 그룹으로 나누고, 하나는 연관성을 계산하고, 다른 그룹은 헤지 수익을 계산하기 위해 사용되었다. 결과는 아래 그림에서 보이는 것처럼, 결론은 여전히 동일하다.

비트코인과 에테리움은 시장의 리더로서 가격 움직임이 전체 시장에 큰 영향을 미치는 경우가 많다. 이러한 비트코인 가격들이 상승할 때 시장 정서가 일반적으로 낙관적이 되고 많은 투자자들이 시장의 추세를 따라가는 경향이 있다. 투자자들은 이를 전체 시장이 상승하는 신호로 간주하여 다른 동전을 구매하기 시작할 수 있다. 시장 참여자들의 집단 행위로 인해 주류 동전과 매우 연관된 동전들이 비슷한 가격 상승을 경험할 수 있다. 이 때 시장은 가격 움직임에 대한 예측이 때때로 자기 성취가 된다. 비트코인과 연관된 부정적 동전들은 특이적이고, 근본적인 변동이 있을 수도 있고, 주류 투자자의 시야에서 벗어날 수도 있고, 심지어는 기존의 동전 유입 동전 시장에 비해 유입 동전을 포기할 수도 있다.

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

요약

이 문서는 피어슨 관련 계수, 이 문서는 통화 간의 연관성의 정도를 밝힌다. 이 문서는 통화 간의 연관성을 계산하는 데이터를 얻는 방법과 시장 추세를 평가하기 위해 이 데이터를 사용하는 방법을 보여준다. 이 문서는 디지털 통화 시장에서 가격 변동의 동기화가 시장 정신과 전략의 반영일 뿐만 아니라 과학적인 방법으로 정량화 및 예측될 수 있음을 밝힌다. 이것은 거래 전략의 양적 설계에 특히 중요합니다.

이 글의 아이디어는 확장할 수 있는 많은 부분이 있습니다. 예를 들어, 롤러 관련성, 상승과 하락의 관련성 등을 계산할 수 있고, 더 많은 유용한 정보를 분석할 수 있습니다.