Relacionamento entre queda de moeda e Bitcoin

Em artigos anteriores, discutimos um fenômeno comum no mercado de moedas digitais: a maioria das moedas digitais, especialmente aquelas que seguem as flutuações de preços do Bitcoin e do Ethereum, geralmente apresentam tendências de queda e queda. Este fenômeno revela uma alta correlação entre elas e as moedas tradicionais. Mas, também, o grau de correlação entre as diferentes moedas digitais também varia. Então, como essa diferença de correlação afeta o desempenho do mercado de cada moeda?

A raiz sincronizada do mercado de moeda digital

O mercado de moedas digitais é conhecido por sua volatilidade e incerteza. O Bitcoin e o Ethereum, como os dois gigantes do mercado, costumam desempenhar um papel de liderança nos movimentos de preços. A maioria das moedas digitais pequenas ou emergentes costuma manter um certo grau de sincronia de preços com essas moedas principais, especialmente as moedas de mercado por projeto, a fim de manter a competitividade do mercado e a agilidade das transações. Essa sincronia reflete as expectativas psicológicas e as estratégias de negociação dos participantes do mercado e é uma consideração importante no design de estratégias de negociação quantitativas.

Fórmulas e métodos de cálculo da correlação

No campo da quantificação de transações, a medição da correlação é realizada por métodos estatísticos. O método de medição mais usado é o coeficiente de correlação de Pearson, que mede o grau de correlação linear entre duas variáveis.

Os coeficientes de correlação de Pearson (em inglês: Pearson correlation coefficients, em inglês: Pearson correlation coefficients, em inglês: Pearson correlation coefficients, em inglês: Pearson correlation coefficients, em inglês: Pearson correlation coefficients, em inglês: Pearson correlation coefficients, em inglês: Pearson correlation coefficients, em inglês: Pearson correlation coefficients, em inglês: Pearson correlation coefficients, em inglês: Pearson correlation coefficients, em inglês: Pearson correlation coefficients, em inglês: Pearson correlation coefficients, em inglês: $r$) variam entre -1 e +1, onde +1 é uma correlação totalmente positiva, -1 é uma correlação totalmente negativa e 0 é uma correlação totalmente linear. A fórmula para calcular o coeficiente é a seguinte:

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

Dentre eles, $X_i$ e $Y_i$ são os valores observados de duas variáveis aleatórias, $\bar{X}$ e $\bar{Y}$ são os valores médios das duas variáveis aleatórias, respectivamente.

Coleta de dados

Este artigo reúne dados da linha 4hK para todo o ano de 2023, selecionando 144 moedas lançadas em 1o de janeiro.

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)

Revisão

Primeiro, após a integração dos dados e o cálculo do índice de queda média dos preços, pode-se ver que em 2023 existem duas ondas de mercado, sendo uma onda de alta no início do ano e outra que começou em outubro, que está atualmente basicamente no topo do índice.

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);

Análise de correlação

A correlação da pandas com o preço do BTC e a correlação mais fraca é a seguinte: a maioria das moedas tem correlações positivas, o que significa que elas seguem o preço do BTC, enquanto outras são negativas, o que é uma anomalia no mercado de moedas digitais.

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

Relação com o aumento dos preços

Aqui, dividindo as moedas em dois grupos, o primeiro grupo é de 40 moedas mais relacionadas com o preço do BTC, o segundo grupo é as moedas menos relacionadas com o preço do BTC, usando o índice de preço do primeiro grupo menos o índice do segundo grupo, representando uma média de mais do primeiro grupo para o segundo grupo, pode-se calcular a relação entre a queda do preço e a relação do BTC. O código e o resultado são os seguintes:

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

Os resultados mostram que as moedas mais fortemente correlacionadas com o preço do BTC crescem melhor e as moedas com baixa correlação de zero também têm um bom efeito de hedge. O que não é rigoroso aqui é usar dados futuros para calcular a correlação, e depois dividir os dados em dois grupos, um grupo para calcular a correlação e outro para calcular o rendimento pós-hedge, o resultado é o mesmo, como mostrado na figura abaixo.

Como líderes do mercado, o Bitcoin e o Ethereum tendem a ter um grande impacto sobre o mercado como um todo. Quando o preço desses bitcoins sobe, o sentimento do mercado geralmente se torna otimista, e muitos investidores tendem a seguir a tendência do mercado. Os investidores podem ver isso como um sinal de um aumento no mercado como um todo e começar a comprar outras moedas. Moedas altamente associadas aos principais tipos de moedas podem experimentar aumentos de preços semelhantes devido ao comportamento colectivo dos participantes do mercado.

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

Resumo

Este artigo revela o grau de correlação entre as moedas. O artigo mostra como obter dados para calcular a correlação entre as moedas e usar esses dados para avaliar as tendências do mercado. Revela que a sincronia das flutuações de preços no mercado de moedas digitais não é apenas um reflexo da psicologia e estratégia do mercado, mas também pode ser quantificada e prevista por métodos científicos.

A ideia deste artigo pode ser ampliada, como calcular a correlação de rolagem, a correlação de alta e baixa respectivamente, etc., para analisar mais informações úteis.