Hvordan udvikler professionelle handelssignaler, bakket op af datavidenskab

Sidste uge vi offentliggjorde et indlæg beskriver introduktionen af ​​vores første token-hjælpeprogram, der giver COFI-indehavere mulighed for at sætte 25k-tokens for at få adgang til CoinFi Trading Signals beta.

Det har været spændende at se brugere indsætte deres COFI-tokens for at få adgang:

Faktisk er COFI-aktører nu samlet 11. største indehaver af COFI-tokens på blockchain!

I skrivende stund har beta-brugere indsat 2.960.622.9548 COFI-tokens for tidlig adgang til CoinFi-handelssignaler, hvilket er 1,685% af den cirkulerende forsyning af COFI.

Tagline for vores signaler er “Professionelle handelssignaler bakket op af datavidenskab”, så denne måned troede vi, at vi ville dele nogle af datalogien bag disse handelssignaler.

Selvfølgelig er dette kun toppen af ​​isbjerget, men forhåbentlig får du en bedre forståelse af, hvordan vi arbejder for at give dig nyttige handelssignaler.

Handelssignaler, der er attraktive og forudsigelige

På et højt niveau er vi interesseret i handelssignaler, som 1) CoinFi-brugere ønsker, og 2) muliggør bedre handelsbeslutninger. Det er vigtigt at bemærke, at disse to ikke nødvendigvis er de samme ting.

Der kan være eksempler på signaler, som brugerne ønsker, men som i sidste ende ikke har nogen sammenhæng med prisen. Og omvendt – der kan være signaler, som brugerne ikke er opmærksomme på, men det ville muliggøre bedre handelsbeslutninger, hvis du havde adgang til dem.

På grund af dette følger vi to parallelle (dog ikke uafhængige) ruter for at hjælpe os med at beslutte, hvilke handelssignaler der skal sendes. Imidlertid er vores hovedfokus i de tidlige faser på signaler, der begge er tiltrækkende til brugere OG forudsigende af prisændring.

Senere vil vi også bruge tid på at undersøge forudsigelige signaler, som vores brugere måske ikke havde overvejet.

For at finde ud af, hvad brugerne ønsker, har vores Product Manager Joe brugt meget tid på at tale med dig – vores brugere. Til denne statusopdatering vil vi dog fokusere på, hvordan vi tester for forudsigelighed af signaler.

Signalfabrikken


For at teste signalernes forudsigelige styrke anvender vi det, vi har kaldt Signalfabrik. Dette er vores interne værktøj til hurtig backtesting af signaler på historiske data. Specifikt kører vi vores signaldatasæt gennem et batteri af test ved flere granulariteter (dagligt, hver time, minut), og vi måler ting som vinderate, porteføljeafkast osv. Naturligvis tester vi også for betydning (ved hjælp af både Bayesian og frequentist tilgange). Grundideen er at teste: hvis et signal udløst på tidspunktet t, ville det have forudsagt en prisændring på tidspunktet t + n.

Formålet med Signal Factory er i det væsentlige at fremskynde build-measure-learning-cyklussen. Men det sikrer også konsistens i den måde, vi backtest signaler på, hvilket giver mulighed for sammenlignelige målinger på de samme data.

Vi er også begyndt at eksperimentere med black-box-metoder, hvor vi kombinerer store mængder signaler og udnytter maskinlæringsmetoder såsom dybe neurale netværk for at forudsige fremtiden.

Disse er imidlertid af andenordens prioritet. I denne tidlige fase vil vi gerne være i stand til at kommunikere nøjagtigt, hvorfor et signal udløser. Det er vigtigt at optimere evalueringsmålinger – men det er ikke alt. Kommunikation omkring vores signaler er lige så vigtig for at vinde tillid hos vores indsatte brugere.

Eksempler på resultater fra backtesting

Vi deler snart en “CoinFi Research” sektion, hvor du kan læse om resultaterne af backtesting af vores handelssignaler, men her er nogle teasere fra vores backtesting-resultater indtil videre.

ETH til / fra børser

Dette var et af de første signalområder, vi begyndte at se på. Som med alle vores signaler er vi nødt til at blive meget specifikke og tænke på, hvordan vi nøjagtigt skal udtrykke en hypotese som “ETH, der bevæger sig ind i (eller ud af) børser, vil være en førende forudsigelse for ETH-prisen”.

For eksempel kan du udtrykke dette som:

  1. Antal ETH-transaktioner
  2. Samlet volumen af ​​ETH-transaktioner
  3. Antal ETH-transaktioner større end X ETH
  4. Antal forskellige tegnebøger, der sender ETH

… og så videre.

Det pæne ved vores Signal Factory er, at vi kan udtrykke alle disse forskellige varianter og derefter backteste dem alle på historiske data. På denne måde lader vi dataene afgøre, hvad der er den bedste måde at beskrive udvekslingsbevægelser på. Hver specifik instantiering af et signal refererer vi til som et parametreret signal.

Vi bakker typisk hvert eneste parametriserede signal, da dette er en fuldautomatisk og skalerbar proces. Vi kan derefter vælge de øverste signaler baseret på vinderate, porteføljeafkast osv. Og studere dem mere nøje gennem dybdykanalyser.

Her er et eksempel på en graf fra et dybt dyk, som vi gjorde for at forstå prisens dynamik i løbet af de 48 timer, efter et signal udløste:

Den blå linje er den indekserede gennemsnitlige ETH-pris på dage, hvor signalet udløses. Den orange linje er den samme, men i dage, hvor signalet ikke udløses. “Time” x-aksen er i forhold til, hvornår signalet udløses.

Kort fortalt viser grafen ovenfor, at prisen historisk er faldet inden for de første 24 timer efter signaludløsningen, men derefter gendannes inden for 48 timer. Med andre ord kan dette signal være nyttigt til hurtigt at sælge – eller til at købe dip – afhængigt af din handelsstil.

Her kan du se, hvordan signalet historisk har udløst, overlejret på ETH-prisen:

BTC og ETH som førende indikatorer for andre mønter

Vi kan ikke forvente, at alle vores backtests resulterer i forudsigelige signaler. Faktisk passerer størstedelen af ​​de signaler, vi tester, ikke vores bar – dette skal ikke være let! Men mislykkede eksperimenter er ikke fejl – de giver stadig værdi til vores brugere, så længe vi kommunikerer vores erfaringer.

Et eksempel på dette er BTC og ETH som en førende prisindikator for andre mønter. Gennem Granger-kausalitetstest fandt vi ud af, at f.eks. BTC var tidligere en anstændig forudsigelse for ETH-prisen, men dette forhold brød sammen omkring februar i år, som du faktisk kan se visuelt her:

Der er også en chance for, at forholdet faktisk ikke er forsvundet. Det kan være, at reaktionstid af signalet er simpelthen gået ned, da flere bots og professionelle handlende er kommet ind på markedet.

Uanset hvad var konklusionen her for os, at vi vil ikke implementere et “BTC som en førende prisindikator” signal – til trods for at dette er et foreslået signal. Selvom BTC måske er en kort førende indikator, vil det kræve tæt på realtidshandelshandlinger, som vores kernebrugere ikke rigtig gør.

Hval token bevægelser

Et andet signal, som mange brugere bliver begejstrede for, er hvaler, der flytter deres tokens. Vi sporer hver eneste transaktion, der sker på blockchain for mere end 1100 ERC20-tokens. Dette betyder, at vi kan advare vores brugere, når vi ser bemærkelsesværdige transaktioner.

Det vanskelige ved denne er, at det er svært at finde ensartede mønstre på tværs af alle tokens. Så i stedet for at forsøge at lede efter et undvigende “samlet hval-token-signal” gennem backtesting, besluttede vi simpelthen at lade dig se tokens, du er interesseret i, og vi giver dig besked, når vi ser en transaktion, der er i 99,9-percentilen, der går ind i en udveksling.

Interessant, fandt vi ud af, at når token-centralisering (% af udbuddet af de 100 bedste tegnebøger) stiger, går prisen ned på kort sigt. Du kan se dette i tilfældet med OmiseGo historisk:

To forklaringer kan være:

1) Detailinvestorer (små tegnebøger) købte tidligt (dette vil mindske centraliseringen) og solgte derefter i stigende grad fra maj 2018 og fremefter (stigende centralisering)

2) Hvaler (store tegnebøger) dumpede omkring januar (dette vil også mindske centraliseringen) og muligvis købe tilbage fra maj 2018 og fremefter (stigende centralisering).

Begge forklaringer kunne være rigtige.

OmiseGo er ikke det eneste symbol, hvor symbolbevægelser er korreleret med prisbevægelser. Et andet eksempel er Crypto.com (tidligere Monaco), hvor du kan se, at de fleste toppe ville have udløst et salgssignal:

BTC-margin lange / korte positioner

Et signal, som vi endnu ikke har konkluderet, er margin- / short-positioner. Der er en klar omvendt sammenhæng mellem korte positioner og BTC-pris, som denne graf viser:

Men for at sikre, at dette er handlingsbart og forståeligt, bruger vi mere tid på at finde ud af, præcis hvilken slags signal vi vil udløse ved hjælp af disse data.

Hvad man kan forvente fremadrettet

Vi har samlet store mængder data på kryptomarkederne i år. Bare for at nævne et par områder har vi rå blockchain-transaktioner, nyhedsartikler om kryptokurrency, sociale medieindlæg og udvekslingsdata lige fra snapshots til ordrebøger til bjælker med høj-lav-tæt-tæt-volumen.

Det er vigtigt, at vi er i stand til at kombinere alle disse datapunkter via vores møntmasterdatabase, som vi mener er den mest omfattende kryptokurvedatabase, der findes.

Som nævnt er backtesting af individuelle handelssignaler topprioritet lige nu, men vi bevæger os snart mod mere maskinindlæring, hvor vi virkelig kan udnytte den overflod af data, vi har til rådighed. Som et eksempel ser nogle tidlige eksperimenter, der udnytter dybe neurale netværk til at forudsige prisvolatilitet, lovende ud.

Vi vil fortsætte både brugertest og backtesting af alle vores signaler for at give brugere, der spiller COFI-handelssignaler, der ikke kun er attraktive, men også forudsigelige.

Hvis du er interesseret i at deltage i handelssignalens beta, er det ikke for sent! Bare gå over her, klik reserver min plads, og læg nogle COFI-tokens.

Et nyt & Forbedret CoinFi.com

Hvis du har fulgt vores månedlige opdateringer, ved du, at CoinFi News har været i lukket beta i omkring 3 måneder.

Mens meget af datateamet har været fokuseret på signaler, nærmer CoinFi News sig også offentlig frigivelse. Hvis du hidtil ikke har haft mulighed for at deltage i beta, kan du forvente at høre fra os snart.

Vi har også nogle store opdateringer til CoinFi-webstedet i værk for resten af ​​4. kvartal

Som altid, hold øje med den videre udvikling!

Mike Owergreen Administrator
Sorry! The Author has not filled his profile.
follow me
Like this post? Please share to your friends:
Adblock
detector
map