Sự tương quan giữa sự tăng và giảm của tiền tệ và Bitcoin

Trong các bài viết trước đây, chúng tôi đã thảo luận về một hiện tượng phổ biến trên thị trường tiền kỹ thuật số: hầu hết các loại tiền kỹ thuật số, đặc biệt là những loại theo biến động giá của Bitcoin và Ethereum, thường cho thấy xu hướng tăng và giảm cùng nhau. Hiện tượng này cho thấy mối tương quan cao của chúng với các loại tiền tệ chính thống. Tuy nhiên, mức độ tương quan giữa các loại tiền kỹ thuật số khác nhau cũng khác nhau. Vậy sự khác biệt trong mối tương quan này ảnh hưởng đến hiệu suất thị trường của mỗi loại tiền tệ như thế nào?

Nguồn gốc đồng bộ của thị trường tiền kỹ thuật số

Thị trường tiền kỹ thuật số được biết đến với sự biến động và không chắc chắn của nó. Bitcoin và Ethereum, là hai gã khổng lồ trên thị trường, thường đóng vai trò hàng đầu trong xu hướng giá. Hầu hết các loại tiền kỹ thuật số nhỏ hoặc mới nổi, để duy trì khả năng cạnh tranh của thị trường và hoạt động giao dịch, thường giữ một mức độ nhất định của việc đồng bộ hóa giá với các loại tiền tệ chính thống này, đặc biệt là những đồng tiền được thực hiện bởi các bên dự án. Sự đồng bộ hóa này phản ánh kỳ vọng tâm lý và chiến lược giao dịch của những người tham gia thị trường, đây là những cân nhắc quan trọng trong việc thiết kế các chiến lược giao dịch định lượng.

Công thức và phương pháp tính toán tương quan

Trong lĩnh vực giao dịch định lượng, việc đo tương quan được đạt được thông qua các phương pháp thống kê.

Phạm vi của hệ số tương quan Pearson (được đánh dấu bằng r) là từ -1 đến +1, nơi +1 chỉ ra một tương quan dương hoàn hảo, -1 chỉ ra một tương quan âm hoàn hảo và 0 chỉ ra không có mối quan hệ tuyến tính. Công thức tính toán hệ số này như sau:

Trong số đó,vàlà các giá trị quan sát được của hai biến ngẫu nhiên,vàlà giá trị trung bình của hai biến ngẫu nhiên này tương ứng.

Thu thập dữ liệu

Bài viết này đã thu thập dữ liệu 4h K-line cho toàn bộ năm 2023 từ Binance, chọn 144 loại tiền tệ được liệt kê vào ngày 1 tháng 1. Mã cụ thể để tải xuống dữ liệu là như sau:

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)

Đánh giá thị trường

Sau khi bình thường hóa dữ liệu đầu tiên, chúng tôi tính toán chỉ số biến động giá trung bình. Có thể thấy rằng có hai xu hướng thị trường vào năm 2023. Một là sự gia tăng đáng kể vào đầu năm, và một là sự gia tăng lớn bắt đầu từ tháng 10. Hiện tại, nó về cơ bản ở một điểm cao về chỉ số.

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);

Phân tích tương quan

Panda đi kèm với tính toán tương quan tích hợp. Mối tương quan yếu nhất với giá BTC được hiển thị trong hình sau. Hầu hết các loại tiền tệ đều có tương quan tích cực, có nghĩa là chúng theo giá của BTC. Tuy nhiên, một số loại tiền tệ có tương quan tiêu cực, được coi là một sự bất thường trong xu hướng thị trường tiền kỹ thuật số.

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

Sự tương quan và tăng giá

Ở đây, các loại tiền tệ được chia thành hai nhóm. Nhóm đầu tiên bao gồm 40 loại tiền tệ có liên quan nhiều nhất đến giá BTC, và nhóm thứ hai bao gồm những loại ít liên quan đến giá BTC. Bằng cách trừ chỉ số của nhóm thứ hai khỏi nhóm đầu tiên, nó đại diện cho việc mua dài nhóm đầu tiên trong khi mua ngắn nhóm thứ hai. Bằng cách này, chúng ta có thể tính toán mối quan hệ giữa biến động giá và mối tương quan BTC.

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

Kết quả cho thấy các loại tiền tệ có mối tương quan mạnh mẽ hơn với giá BTC có mức tăng tốt hơn, và việc bán ngắn các loại tiền tệ có mối tương quan thấp cũng đóng một vai trò bảo hiểm tốt. Sự không chính xác ở đây là dữ liệu tương lai đã được sử dụng khi tính toán mối tương quan. Dưới đây, chúng tôi chia dữ liệu thành hai nhóm: một nhóm tính toán mối tương quan, và nhóm khác tính toán lợi nhuận sau khi bảo hiểm. Kết quả được hiển thị trong hình sau, và kết luận vẫn không thay đổi.

Bitcoin và Ethereum là các nhà lãnh đạo thị trường thường có tác động rất lớn đến xu hướng thị trường tổng thể. Khi giá của các loại tiền điện tử này tăng, tâm lý thị trường thường trở nên lạc quan và nhiều nhà đầu tư có xu hướng theo xu hướng này. Các nhà đầu tư có thể xem điều này như một tín hiệu của sự gia tăng thị trường tổng thể và bắt đầu mua các loại tiền tệ khác. Do hành vi tập thể của những người tham gia thị trường, các loại tiền tệ có mối tương quan cao với các loại tiền tệ chính thống có thể trải qua sự gia tăng giá tương tự. Vào những thời điểm như vậy, kỳ vọng về xu hướng giá đôi khi có thể trở thành những lời tiên tri tự hoàn thành. Ngược lại, các loại tiền tệ có mối tương quan tiêu cực với Bitcoin là duy nhất; các nguyên tắc cơ bản của chúng có thể đang xấu đi hoặc chúng có thể không còn trong tầm nhìn của dòng tiền chính - thậm chí có thể tồn tại tình huống hút máu của Bitcoin mà các nhà đầu tư từ bỏ các thị trường theo đuổi những người có thể theo kịp với giá tăng.

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

Tóm lại

Bài viết này thảo luận về hệ số tương quan Pearson, tiết lộ mức độ tương quan giữa các loại tiền tệ khác nhau. Bài viết chứng minh cách lấy dữ liệu để tính tương quan giữa các loại tiền tệ và sử dụng dữ liệu này để đánh giá xu hướng thị trường. Nó tiết lộ rằng sự đồng bộ trong biến động giá trên thị trường tiền kỹ thuật số không chỉ phản ánh tâm lý và chiến lược thị trường, mà còn có thể được định lượng và dự đoán thông qua các phương pháp khoa học. Điều này đặc biệt quan trọng để thiết kế các chiến lược giao dịch định lượng.

Có nhiều lĩnh vực mà các ý tưởng trong bài viết này có thể được mở rộng, chẳng hạn như tính toán các mối tương quan lăn, tính toán riêng biệt các mối tương quan trong thời gian tăng và giảm, vv, có thể mang lại rất nhiều thông tin hữu ích.