ایجاد یک الگوریتم معاملاتی نوین بیت کوین با استفاده از تجزیه و تحلیل احساسات با بازده 29٪

من فرمولی ایجاد کرده ام که پیش بینی می کند شما باید بیت کوین را براساس داده های قیمت ارز روزانه و کلمات کلیدی گوگل ترندز (Google Trends) خریداری یا بفروشید . این مدل در طی 90 روز با سود 28،839 دلاری 29٪ بازده داشت .

تا چه درجه ای می توان قیمت بیت کوین (BTC) را پیش بینی کرد ؟ اگر داده های عمومی گوگل ترندز Google Trends بتواند به پیش بینی نوسانات قیمت کمک کند چه می کنید ؟

به عبارت دیگر آیا ما می توانیم با اطمینان فرمولی را بسازیم که بتواند عملکرد بهتری در بازار داشته باشد ؟ اینها سوالاتی است که به دنبال پاسخ آنها هستم . هدف من این بود که سعی در درک بازار ارزهای رمزپایه بسیار ناپایدار ، ترسناک و به ظاهر غیر قابل پیش بینی داشته باشم .

بسیاری از تریدرها هستند که با تجزیه و تحلیل تکنیکال سوگند یاد می کنند و برخی دیگر که بیشتر به تحلیل بنیادی می پردازند . حقیقت این است که هیچ استراتژی معاملاتی جادویی وجود ندارد که همیشه بازار را پشت سر بگذارد .  متغیرهای بسیار زیادی وجود دارند که حتی بهترین الگوریتم های تجاری مبتنی بر هوش مصنوعی نیز نمی توانند به طور مداوم از آنها سود ببرند .

فرمول امروز بسیار اساسی است و هدف من این است که به روش خود آن را ارائه دهم و در مورد چگونگی بهتر کردن آن بازخورد بگیرم . این یک کاری است که من در حال انجام آن هستم و به هیچ وجه احمقانه نمی باشد . بنابراین لطفاً با مسئولیت خود آن را مورد استفاده قرار دهید .

حقیقت این است که هیچ استراتژی معاملاتی جادویی وجود ندارد که همیشه بازار را پشت سر بگذارد .

فرمول

من فرمولی را آزمایش کرده ام که به نظر من شاخص نسبتاً مطلوبی از عملکرد قیمت بیت کوین BTC است . به طور خاص من با استفاده از 100000 دلار به عنوان سرمایه گذاری اولیه توانستم 29٪ سود را در طی 90 روز مدلسازی كنم . توجه داشته باشید که این کارمزد معاملات ارزی را در نظر نمیگیرد که امیدوارم روزی راه حل هایی مانند صرافی های غیرمتمرکز آن را برطرف کند .

مدل من از کار اولیه ویلی وو الهام گرفته شده است که در ابتدا داده های گوگل ترند Google Trend را به عنوان پروکسی بررسی فعال قیمت بیت کوین تجربه کرده است .

این روشی است که من استفاده کردم :

۱. من در روز آخر دوره‌ی 90 روز در گوگل ترندز Google Trends برای “BTC USD” و “Buy Bitcoin” جستجو کردم :

2. متوجه شدم که وقتی نسبت “BTC USD” به “خرید بیت کوین” کمتر از 3: 1 ~ (به طور خاص <35٪) با قیمت BTC “بسته” برای روز است ، قیمت بسته روز بعد افزایش می یابد . اگر بیش از نسبت 3: 1 ~ (به طور خاص> 35٪) (یعنی 4: 1 یا 5: 1) باشد ، سیگنال فروش آن است زیرا قیمت روز بعد کاهش می یابد .

3. بعد من وقتی اختلاف قیمت بیت کوین BTC بیش از 80 دلار بالاتر از قیمت بسته شده روز قبل بسته شد ، آزمایش کردم ، این مجب الگوی سازگارتری می شود . 80 دلار یک مقدار دلخواه است که عملکرد خوبی در این مجموعه داده دارد . به تصویر زیر نگاه کنید :

BTC USD : شاخص روزانه مستقیماً از گوگل ترندز Google Trends.

خرید بیت کوین : اندیکاتور روزانه مستقیماً از گوگل ترندز Google Trends.

قیمت : قیمت نزدیک روز فعلی از کوین مارکت کپ Coin Market Cap.

ستون E : نسبت “خرید بیت کوین” / “BTC USD”

ستون F : فرمول تصمیم گیری خرید / فروش . برای مثال فرمول F20 در اینجا آمده است :

= if (AND (E20> 35٪ ، G20> 80) ، “BUY” ، “SELL”).  توجه داشته باشید که “35٪” آستانه خرید همراه با قیمت بالاتر از “80 $” است .

ستون G : تفاوت قیمت بیت کوین نسبت به روز گذشته .

ستون H : در حال اجرا بر اساس سرمایه گذاری اولیه 100000 دلار در 7/7/2018 (اولین خرید) .

نتایج مدل و مراحل بعدی

بنابراین طی یک دوره 90 روزه سرمایه گذاری 100 هزار دلاری در مدل من 128 هزار و 839 دلار می شود – تقریباً بازدهی 29 درصدی . اما این به دور از یک مدل بهینه شده است و موارد مختلفی وجود دارد که من می خواهم آنها را بهینه کنم .

“> 35٪” و “> 80 $” بر اساس آنچه در این مجموعه داده 90 روزه محدود کار می کند ، کاملاً دلخواه است . آیا فرمول بهتری وجود دارد که سیگنال خرید / فروش بهتری داشته باشد ؟

به نظر می رسد این متغیرها در سطح قیمت BK 6k-8k دلار کار می کنند . من می خواهم داده های تاریخی بیشتری را طی یکی دو سال گذشته آزمایش کنم . این مدل کل درآمد حاصل از سیگنال های خرید / فروش را با استفاده از آرایه ای (3 ~: 1– ~ 5: 1) مقایسه می کند و در عوض “80 دلار” یک درصد ثابت از قیمت روز بیت کوین BTC خواهد بود تا بتواند عمده آن باشد . افزایش قیمت به عنوان مثال ، ممکن است در نهایت مدل بهینه با نسبت 3.23–1 در 0.014543229 از نوسان قیمت روز باشد .

ماتریس ورودی متغییر چیزی به شکل زیر دارد : 

من می خواهم آزمایشی را برای یافتن متغیرهای بهینه برای اتصال به حداکثر سود برای مجموعه داده‌ی ارائه شده تنظیم کنم . این شامل تست رگرسیون در برابر داده های گذشته قیمت و احساسات است . فرضیه من این است که متغیرهای بهینه در سطوح مختلف قیمت وجود دارد .

الگوی ارائه شده دست‌یافته نویسنده اصلی مطلب است و هیچ تضمینی مبنی بر کارآمد بودن آن وجود ندارد . بنابراین مسئولیت استفاده از این مطالب و به‌ کارگیری الگوی ارائه شده به عهده خود کاربر است .