Как я создал алгоритм торговли биткоинами, используя анализ тональности, с доходностью 29%

До какой степени можно предсказать цену Биткоина (BTC)? Что если находящиеся в открытом доступе данные из Google Trends могут помочь в прогнозировании ценовых колебаний?

Другими словами, можем ли мы создать надежную формулу, которая способна опередить рынок? Это вопросы, на которые я искал ответы. Моя цель состояла в том, чтобы попытаться понять очень волатильный, пугающий и, казалось бы, непредсказуемый рынок криптовалют.

Существует большое количество трейдеров, которые дают клятвы, опираясь на технический анализ, и тех, кто идет более фундаментальным путем анализа. Правда в том, что нет волшебной торговой стратегии, которая всегда на шаг впереди рынка. Слишком много переменных, из-за которых даже лучшие алгоритмы торговли на основе искусственного интеллекта не могут последовательно получать прибыль.

Сегодняшняя формула очень базовая, и я намерен представить ее в сыром виде и попросить совета по ее улучшению. Это формула еще в процессе разработки и она отнюдь не надежная, поэтому просьба использовать ее на свой страх и риск.

Правда в том, что нет волшебной торговой стратегии, которая всегда на шаг впереди рынка.

Формула

Я тестировал по формуле то, что считаю относительно последовательным показателем цены BTC. В частности, я смог смоделировать прибыль в размере 29% за 90-дневный период, используя 100 000 долларов в качестве начальной инвестиции.

Обратите внимание, что эта сумма не учитывает биржевые сборы, которые, я надеюсь, такие решения, как децентрализованные биржи, в один прекрасный день упразднят.

Вдохновением для моей модели стала первоначальная работа Вилли Ву, который первоначально экспериментировал с данными из Google Trends в качестве показателя для проверки активности цены биткоина.

Ниже описан процесс, который я применил:

1. Я искал в Google Trends сочетания слов “BTC USD” и “Buy Bitcoin” (купить биткоин) в течение последних трех месяцев:
   
2. Я заметил, что когда соотношение “BTC USD” к “Buy Bitcoin” менее ~3:1 (точнее <35%) при цене “закрытия” BTC на день, то на следующий день цена закрытия увеличивается. Если соотношение более ~3:1 (точнее >35%) (т.е. 4:1 или 5:1), тогда это сигнал о том, что нужно продавать, поскольку цена на следующий день упадет.
3. Затем я опытным путем пришел к тому, что когда разница в цене закрытия BTC составляет более $ 80 по сравнению с ценой закрытия предыдущего дня, это делает модель более последовательной. $ 80-это произвольное значение, которое хорошо работает в этом наборе данных. Вот скриншот того, как это выглядит:

BTC USD: ежедневный индикатор, взятый непосредственно из Google Trends.

Buy Bitcoin (купить биткоин): ежедневный индикатор, взятый непосредственно из Google Trends.

Price (цена): Цена закрытия на текущий день, взятая из CoinMarketCap.

Столбец E: соотношение “Buy Bitcoin”/”BTC USD”

Столбец F: Формула, которая решает, покупать или продавать. К примеру, вот формула для ячейки F20:
=Если(И(E20>35%,G20>80),”ПОКУПАТЬ”,”ПРОДАВАТЬ”) . Обратите внимание, что “35%” это пороговое значение наряду с тем, что цена выше “$80”.

Столбец G: отличие цены биткоина от цены закрытия предыдущего дня.

Столбец H: промежуточный итог, основанный на первоначальной инвестиции в размере 100 000 долларов на дату 7/7/2018 (первая покупка).

Результаты модели и последующие шаги

Так за 90-дневный период инвестиция в размере 100 000 долларов составит 128 839 долларов, в моей модели — это почти 29% прибыли. Но это далеко не оптимизированная модель, и есть несколько вещей, которые я хотел бы оптимизировать.

“ > 35%” и "> 80 $ " являются довольно произвольными индикаторами, которые кажутся показательными в этом наборе данных, которые ограничены периодом в 3 месяца. Есть ли более точная формула, которая лучше свидетельствует в пользу покупки или продажи?

Эти переменные, похоже, работают в ценовом диапазоне BTC $6000–8000. Я хотел бы проверить больше данных за последний год или два. Модель будет сравнивать общие доходы от сигналов на покупку/продажу через соотношения (~3:1–~5:1), и “$80” вместо этого будет фиксированным процентом от цены биткоина за сутки с тем, чтобы выявить основные ценовые всплески.

Так, возможно, оптимальная модель является соотношением 3.23-1 при 0.014543229 дневного колебания цен.

Матрица переменных входных данных выглядела бы подобным образом:

Если вы хорошо разбираетесь в данных, давайте поговорим

Другими словами, я хочу таким образом выстроить проверку, чтобы найти оптимальные переменные для ввода, что позволит максимизировать прибыль при этом наборе данных. Это включало бы регрессионное тестирование относительно прошлых данных о ценах и настроениях. Моя гипотеза заключается в том, что существуют оптимальные переменные на разных ценовых уровнях.

В настоящее время я проверяю “v2” этого алгоритма и хотел бы сотрудничать с любыми разбирающимися в данных специалистами, которые знакомы с R или Python chops, чтобы запустить полный сценарий регрессии и скрипт для поиска цели для оптимизации алгоритма. Не стесняйтесь, напишите мне комментарий или личное сообщение, и я буду на связи.

************************************
ОБНОВЛЕНИЕ: Благодаря обратной связи от членов сообщества сообщества и некоторым интересным новым моделям я буду выкладывать дальнейшие посты с результатами моей проверки v2. Если вы хотите быть первым, чтобы увидеть мою новую формулу, подписывайтесь на меня на Medium