کرنسیوں کے گرنے اور بٹ کوائن کے درمیان تعلق

پچھلے مضامین میں ، ہم نے ڈیجیٹل کرنسیوں کی مارکیٹ میں ایک عام رجحان کا جائزہ لیا: زیادہ تر ڈیجیٹل کرنسیاں ، خاص طور پر وہ جو بٹ کوائن اور ایتھروئن کی قیمتوں میں اتار چڑھاؤ کی پیروی کرتی ہیں ، اکثر اسی طرح کے رجحانات کا مظاہرہ کرتی ہیں۔ اس رجحان سے یہ ظاہر ہوتا ہے کہ وہ مرکزی کرنسیوں کے ساتھ انتہائی وابستہ ہیں۔ تاہم ، مختلف ڈیجیٹل کرنسیوں کے مابین وابستگی کی سطح بھی مختلف ہے۔ تو ، وابستگی کے اس فرق سے مختلف کرنسیوں کی مارکیٹ کی کارکردگی پر کیا اثر پڑتا ہے؟ اس مضمون میں ، ہم اس مسئلے کو 2023 کی دوسری ششماہی میں بیل مارکیٹ کی مثال کے طور پر دریافت کریں گے۔

ڈیجیٹل کرنسی مارکیٹ کی ہم آہنگی کی جڑیں

ڈیجیٹل کرنسیوں کی مارکیٹیں اپنی اتار چڑھاؤ اور غیر یقینی صورتحال کے لئے مشہور ہیں۔ بٹ کوائن اور ایتھریئم ، جو مارکیٹ کے دو بڑے جنات ہیں ، اکثر قیمتوں کی نقل و حرکت میں رہنمائی کرتے ہیں۔ زیادہ تر چھوٹی یا ابھرتے ہوئے ڈیجیٹل کرنسیاں ، مارکیٹ کی مسابقت اور تجارتی سرگرمی کو برقرار رکھنے کے ل these ، اکثر ان اہم کرنسیوں ، خاص طور پر پروجیکٹ کی طرف سے مارکیٹ کی کرنسیوں کے ساتھ کسی حد تک قیمتوں میں مطابقت رکھتی ہیں۔ یہ ہم آہنگی مارکیٹ کے شرکاء کی نفسیاتی توقعات اور تجارتی حکمت عملی کی عکاسی کرتی ہے ، جو مقدار کی تجارت کی حکمت عملی کے ڈیزائن میں ایک اہم عنصر ہے۔

متعلقہ فارمولے اور حساب کتاب کے طریقے

مقداری تجارت کے شعبے میں ، وابستگی کی پیمائش شماریاتی طریقوں سے کی جاتی ہے۔ سب سے زیادہ استعمال ہونے والا طریقہ پیئرسن وابستگی کا ہے ، جو دو متغیرات کے مابین لکیری وابستگی کی پیمائش کرتا ہے۔ ذیل میں کچھ بنیادی تصورات اور حساب کتاب کے طریقے ہیں:

پیرسن کے متعلقہ عوامل (جسے $r$ کے طور پر لکھا جاتا ہے) -1 سے +1 کے درمیان ہوتے ہیں، جہاں +1 مکمل طور پر مثبت متعلقہ ہے، -1 مکمل طور پر منفی متعلقہ ہے، اور 0 کوئی لکیری تعلق نہیں ہے۔

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

اس میں $X_i$ اور $Y_i$ دو بے ترتیب متغیرات کے مشاہداتی اقدار ہیں، $\bar{X}$ اور $\bar{Y}$ ان دو بے ترتیب متغیرات کے اوسط ہیں۔

ڈیٹا اکٹھا کرنا

اس مضمون میں بِی این اے 2023 کے پورے سال کے لیے 4hK لائن کے اعداد و شمار جمع کیے گئے ہیں، جن میں سے 144 کرنسیوں کا انتخاب کیا گیا ہے جو یکم جنوری کو لانچ کی گئیں۔ مخصوص ڈاؤن لوڈ ڈیٹا کوڈ درج ذیل ہیں:

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)

زندگی کا جائزہ

پہلے اعداد و شمار کا مجموعہ کریں اور اوسطاً قیمتوں میں کمی کا انڈیکس حساب لگائیں۔ آپ دیکھ سکتے ہیں کہ 2023 میں مارکیٹ کی دو لہریں ہیں جن میں سال کی شروعات میں ایک لہر اور اکتوبر میں شروع ہونے والی لہر ہے ، جو فی الحال بنیادی طور پر انڈیکس کی چوٹی پر ہے۔

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);

متعلقہ تجزیہ

پانڈوں نے خود سے وابستگی کا حساب لگایا ، اور بی ٹی سی کی قیمت سے وابستگی اور سب سے کمزور کے ساتھ ، زیادہ تر کرنسیوں کی وابستگی مثبت ہے ، جس کا مطلب ہے کہ وہ بی ٹی سی کی قیمتوں پر عمل پیرا ہیں ، جبکہ کچھ کرنسیوں کی وابستگی منفی ہے ، جو ڈیجیٹل کرنسی مارکیٹ میں ایک غیر معمولی حساب کتاب ہے۔

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

قیمتوں میں اضافہ

یہاں کرنسیوں کو دو گروپوں میں تقسیم کرنا غیر سنجیدہ ہے ، پہلا گروپ بی ٹی سی کی قیمت سے سب سے زیادہ متعلق 40 کرنسیوں کا ہے ، دوسرا گروپ بی ٹی سی کی قیمت سے سب سے کم متعلق کرنسیوں کا ہے ، پہلے گروپ کے قیمت انڈیکس کو دوسرے گروپ کے اشاریہ سے کم کرکے ، پہلے گروپ کو اوسطا زیادہ کرنے کے لئے دوسرے گروپ کو خالی کرنے کے لئے ، آپ کو قیمت میں کمی اور بی ٹی سی کے تعلقات کا حساب لگانے کے لئے استعمال کرسکتے ہیں۔ کوڈ اور نتائج مندرجہ ذیل ہیں:

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

نتائج سے پتہ چلتا ہے کہ بی ٹی سی کی قیمت سے زیادہ وابستہ کرنسیوں میں اضافہ بہتر ہوتا ہے ، اور غیر متعلقہ کرنسیوں نے بھی اچھی طرح سے ہیجنگ کا کام کیا ہے۔ یہاں غیر سنجیدہ جگہ یہ ہے کہ وابستگی کا حساب لگاتے وقت مستقبل کے اعداد و شمار کا استعمال کیا جاتا ہے ، اور پھر اعداد و شمار کو دو گروپوں میں تقسیم کیا جاتا ہے ، ایک گروپ جو وابستگی کا حساب لگاتا ہے ، اور دوسرا گروپ جو ہیجنگ کے بعد منافع کا حساب لگاتا ہے ، نتیجہ ایک جیسا ہی ہوتا ہے ، جیسا کہ ذیل میں دکھایا گیا ہے۔

بٹ کوائن اور ایتھرین مارکیٹ کے رہنماؤں کی حیثیت سے ، ان کی قیمتوں کی نقل و حرکت کا اکثر پورے مارکیٹ پر بہت بڑا اثر پڑتا ہے۔ جب ان بٹ کوائنز کی قیمتیں بڑھتی ہیں تو ، مارکیٹ کی جذبہ عام طور پر خوشگوار ہوجاتی ہے ، اور بہت سے سرمایہ کار مارکیٹ کے رجحانات پر عمل پیرا ہوتے ہیں۔ سرمایہ کار اس کو پورے مارکیٹ میں بڑھتی ہوئی سگنل کے طور پر دیکھ سکتے ہیں اور دوسرے سکے خریدنا شروع کردیتے ہیں۔ مارکیٹ کے شرکاء کے اجتماعی رویے کی وجہ سے ، مرکزی کرنسی کے ساتھ انتہائی وابستہ کرنسیوں میں بھی اسی طرح کی قیمتوں میں اضافے کا سامنا کرنا پڑ سکتا ہے۔ اس وقت مارکیٹ میں قیمتوں کی نقل و حرکت کی توقع کبھی کبھی خود پورا ہوجاتی ہے۔ بٹ کوائنز کے ساتھ وابستہ کرنسیوں کی پیش گوئی خود مختار ہوتی ہے ، اور ان کی بنیادی سطح کو تبدیل کرنے یا مرکزی سرمایہ کاروں کے دائرہ کار سے باہر ہونے کی صلاحیت ہوتی ہے ، اور یہاں تک کہ موجودہ کرنسیوں کے جذباتی بازار کو بھی چھوڑ دیا جاسکتا ہے تاکہ وہ بڑے پیمانے پر پیروی کرسکیں۔

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

خلاصہ

اس مضمون میں پیرسن کے متعلقہ عوامل کے بارے میں بتایا گیا ہے۔ اس مضمون میں بتایا گیا ہے کہ کس طرح اعداد و شمار کو حاصل کیا جاسکتا ہے تاکہ کرنسیوں کے مابین تعلقات کا حساب لگایا جاسکے اور ان اعداد و شمار کا استعمال مارکیٹ کے رجحانات کا اندازہ کرنے کے لئے کیا جاسکے۔ یہ ظاہر کیا گیا ہے کہ ڈیجیٹل کرنسی مارکیٹ میں قیمتوں میں اتار چڑھاؤ کی ہم آہنگی نہ صرف مارکیٹ کی نفسیات اور حکمت عملی کی عکاسی کرتی ہے بلکہ اسے سائنسی طریقوں سے بھی مقداری اور پیش گوئی کی جاسکتی ہے۔ یہ تجارتی حکمت عملی کے ڈیزائن کے لئے خاص طور پر اہم ہے۔

اس مضمون کے خیالات میں بہت کچھ توسیع کی جا سکتی ہے ، جیسے رولنگ ریلیشن کا حساب لگانا ، بڑھتے ہوئے اور گرتے ہوئے ریلیشن کا حساب لگانا ، اور اسی طرح کی مزید مفید معلومات کا تجزیہ کرنا۔