Hvordan utvikler profesjonelle handelssignaler, støttet av datavitenskap

Forrige uke vi publiserte et innlegg beskriver introduksjonen av vårt første tokenverktøy, som gjør det mulig for COFI-holdere å satse 25k tokens for tilgang til CoinFi Trading Signals beta.

Det har vært spennende å se brukere som setter COFI-tokens for å få tilgang:

Faktisk er COFI-spillere nå samlet 11. største innehaver av COFI-tokens på blockchain!

I skrivende stund har beta-brukere stilt 2.960.622.9548 COFI-tokens for tidlig tilgang til CoinFi-handelssignaler, som er 1,685% av den sirkulerende forsyningen av COFI..

Tagline for signalene våre er “Profesjonelle handelssignaler støttet av datavitenskap”, så denne måneden trodde vi at vi ville dele noe av datavitenskapen som ligger til grunn for disse handelssignalene.

Selvfølgelig er dette bare toppen av isfjellet, men forhåpentligvis får du en bedre forståelse av hvordan vi jobber for å gi deg nyttige handelssignaler.

Handelssignaler som er attraktive og prediktive

På et høyt nivå er vi interessert i handelssignaler som 1) CoinFi-brukere ønsker, og 2) muliggjør bedre handelsbeslutninger. Det er viktig å merke seg at disse to ikke nødvendigvis er det samme.

Det kan være eksempler på signaler som brukere vil ha, men som til slutt ikke har noen sammenheng med pris. Og omvendt – det kan være signaler som brukerne ikke er klar over, men det vil muliggjøre bedre handelsbeslutninger hvis du hadde tilgang til dem.

På grunn av dette følger vi to parallelle (men ikke uavhengige) ruter for å hjelpe oss med å bestemme hvilke handelssignaler som skal sendes. Imidlertid er vårt hovedfokus i de tidlige stadiene på signaler som begge er attraktiv til brukere OG prediktiv av prisendring.

Senere vil vi også bruke tid på å undersøke prediktive signaler som brukerne kanskje ikke hadde vurdert.

For å finne ut hva brukerne vil ha, har produktsjefen vår Joe brukt mye tid på å snakke med deg – våre brukere. For denne statusoppdateringen vil vi imidlertid fokusere på hvordan vi tester for forutsigbarhet for signaler.

Signalfabrikken


For å teste den prediktive kraften til signaler, bruker vi det vi har kalt Signalfabrikk. Dette er vårt interne verktøy for rask backtesting av signaler på historiske data. Spesielt kjører vi signaldatasettene våre gjennom et testerbatteri med flere granulariteter (daglig, hver time, minutt), og vi måler ting som gevinst, porteføljeavkastning osv. Naturligvis tester vi også for betydning (ved bruk av både Bayesian og frequentist tilnærminger). Den grunnleggende ideen er å teste: hvis et signal utløst på tidspunktet t, ville det ha spådd en prisendring på tidspunktet t + n.

Hensikten med Signal Factory er i hovedsak å øke hastigheten på build-measure-learning-syklusen. Men det sørger også for konsistens i måten vi backtester signaler på, slik at man kan få sammenlignbare beregninger på de samme dataene.

Vi har også begynt å eksperimentere med black-box-metoder der vi kombinerer store mengder signaler og utnytter maskinlæringsmetoder som dype nevrale nettverk for å komme med spådommer om fremtiden.

Disse er imidlertid av andre ordens prioritet. I denne tidlige fasen vil vi kunne kommunisere nøyaktig hvorfor et signal utløser. Det er viktig å optimalisere evaluering – men dette er ikke alt. Kommunikasjon rundt signalene våre er like viktig for å vinne tilliten til våre innsatte brukere.

Eksempler på Backtesting-resultater

Vi vil snart dele en “CoinFi Research” -seksjon der du kan lese om backtesting-resultatene av våre handelssignaler, men her er noen teasere fra backtesting-resultatene så langt.

ETH til / fra børser

Dette var et av de første signalområdene vi begynte å se på. Som med alle signalene våre, må vi bli veldig spesifikke og tenke på hvordan vi kvantitativt kan uttrykke en hypotese som “ETH som flytter inn i (eller ut av) børser vil være en ledende prediktor for ETH-pris”.

For eksempel kan du uttrykke dette som:

  1. Antall ETH-transaksjoner
  2. Totalt volum av ETH-transaksjoner
  3. Antall ETH-transaksjoner større enn X ETH
  4. Antall forskjellige lommebøker som sender ETH

… og så videre.

Det fine med Signal Factory er at vi kan uttrykke alle disse forskjellige variantene, og deretter backtest dem alle på historiske data. På denne måten lar vi dataene bestemme hva som er den beste måten å beskrive utvekslingsbevegelser på. Hver spesifikke instantiering av et signal, refererer vi til som et parameterisert signal.

Vi vil vanligvis teste hvert eneste parameteriserte signal, siden dette er en helautomatisk og skalerbar prosess. Deretter kan vi velge de beste signalene basert på gevinst, porteføljeavkastning osv. Og studere dem nøyere gjennom dypdykkanalyser.

Her er et eksempel på en graf fra et dypdykk vi gjorde for å forstå prisens dynamikk i løpet av de 48 timene etter at et signal utløste:

Den blå linjen er den indekserte gjennomsnittlige ETH-prisen på dager da signalet utløses. Den oransje linjen er den samme, men i flere dager da signalet ikke utløste. “Time” x-aksen er i forhold til når signalet utløses.

Kort fortalt viser grafen over at prisen historisk har falt i løpet av de første 24 timene etter signalutløsningen, men deretter gjenopprettet innen 48 timer. Med andre ord kan dette signalet være nyttig for å selge raskt – eller for å kjøpe dip – avhengig av din handelsstil.

Her kan du se hvordan signalet har utløst historisk, lagt over ETH-prisen:

BTC og ETH som ledende indikatorer for andre mynter

Vi kan ikke forvente at alle våre backtester resulterer i prediktive signaler. Faktisk vil flertallet av signalene vi tester ikke passere baren vår – dette skal ikke være lett! Men mislykkede eksperimenter er ikke feil – de gir fortsatt verdi til brukerne våre så lenge vi kommuniserer våre erfaringer.

Et eksempel på dette er BTC og ETH som en ledende prisindikator for andre mynter. Gjennom Granger kausalitetstester fant vi at f.eks. BTC pleide å være en anstendig prediktor for ETH-prisen, men dette forholdet brøt sammen omtrent rundt februar i år, som du faktisk kan se visuelt her:

Det er også en sjanse for at forholdet faktisk ikke har forsvunnet. Det kan være at den ventetid av signalet har rett og slett gått ned, ettersom flere roboter og profesjonelle handelsmenn har kommet inn på markedet.

Uansett var konklusjonen for oss her at vi vil ikke implementere et “BTC som en ledende prisindikator” signal – til tross for at dette er et foreslått signal. Selv om BTC kan være en kort ledende indikator, vil det kreve nær sanntidshandelshandlinger, som kjernebrukerne egentlig ikke gjør.

Hval-token bevegelser

Et annet signal som mange brukere blir begeistret for, er at hvaler flytter tokens. Vi sporer hver eneste transaksjon som skjer på blockchain for mer enn 1100 ERC20-tokens. Dette betyr at vi kan varsle brukerne våre når vi ser bemerkelsesverdige transaksjoner.

Det vanskelige med denne er at det er vanskelig å finne konsistente mønstre på tvers av alle tokens. Så i stedet for å prøve å lete etter et unnvikende “enhetlig hval-token-signal” gjennom tilbaketesting, bestemte vi oss for å bare la deg se på tokens du er interessert i, og vi vil varsle deg når vi ser en transaksjon som er i det 99,9. Persentilen som går inn i en utveksling.

Interessant, fant vi ut at i noen tilfeller, når tokensentralisering (% av tilbudet som holdes av de 100 beste lommebøkene) øker, går prisen ned på kort sikt. Du kan se dette i tilfelle OmiseGo historisk:

To forklaringer kan være:

1) Retailinvestorer (små lommebøker) kjøpte tidlig (dette vil redusere sentraliseringen), og solgte deretter i økende grad fra mai 2018 og fremover (økende sentralisering)

2) Hvaler (store lommebøker) dumpet rundt januar (dette vil også redusere sentraliseringen) og muligens kjøpe tilbake fra mai 2018 og utover (økende sentralisering).

Begge forklaringene kan være sanne.

OmiseGo er ikke det eneste tokenet der tokenbevegelser er korrelert med prisbevegelser. Et annet eksempel er Crypto.com (tidligere Monaco), hvor du kan se at de fleste topper ville ha utløst et salgssignal:

BTC margin lange / korte posisjoner

Ett signal vi ennå ikke har konkludert med er margin- / shortposisjoner. Det er en tydelig omvendt sammenheng mellom korte posisjoner og BTC-pris, som denne grafen viser:

Men for å sikre at dette er handlingsbart og forståelig, bruker vi mer tid på å finne ut nøyaktig hva slags signal vi vil utløse ved hjelp av disse dataene..

Hva du kan forvente fremover

Vi har samlet store mengder data på kryptomarkedene i år. Bare for å nevne noen få områder, har vi rå blockchain-transaksjoner, kryptovaluta-nyhetsartikler, innlegg på sosiale medier og utvekslingsdata som strekker seg fra øyeblikksbilder av ordrebok til barer med høyt volum og nært.

Det er viktig at vi kan kombinere alle disse datapunktene via myntmasterdatabasen, som vi mener er den mest omfattende kryptokurrencydatabasen som eksisterer.

Som nevnt er backtesting av individuelle handelssignaler topprioritet akkurat nå, men vi vil snart gå mot mer maskinlæring, der vi virkelig kan utnytte overflod av data vi har tilgjengelig. Som et eksempel ser noen tidlige eksperimenter som utnytter dype nevrale nettverk for å forutsi prisvolatilitet, lovende ut.

Vi vil fortsette både brukertesting og backtesting av alle signalene våre, for å gi brukere som spiller COFI-handelssignaler som ikke bare er attraktive, men også prediktive.

Hvis du er interessert i å delta i trading signal beta, er det ikke for sent! Bare gå hit, klikk på Reserver min plass, og sett noen COFI-tokens.

En ny & Forbedret CoinFi.com

Hvis du har fulgt de månedlige oppdateringene våre, vet du at CoinFi News har vært i lukket beta i rundt 3 måneder.

Mens mye av datateamet har vært fokusert på signaler, nærmer CoinFi News seg også offentlig utgivelse. Hvis du ikke har hatt mulighet til å delta i beta så langt, kan du forvente å høre fra oss snart.

Vi har også noen store oppdateringer til CoinFi-nettstedet i verk for resten av 4. kvartal

Som alltid, følg med på videre utvikling!

Mike Owergreen Administrator
Sorry! The Author has not filled his profile.
follow me
Adblock
detector