И что действительно важно в долгосрочной перспективе

Перси Венегас www.EconomyMonitor.com

Люди часто задаются вопросом, почему падают цены, особенно в тяжелые времена, например, на прошлой неделе. Но если вы имеете в виду, почему цены на ETH падают сейчас, то вы задаете неправильный вопрос не в то время (слишком поздно). На самом деле, полезно задать вопрос: можно ли прогнозировать направление цены ETH на периоды дней, используя нефинансовые измерения спроса, чтобы облегчить хеджирование от возникающих финансовых рисков?

Какими бы непредсказуемыми ни были цены на финансовые инструменты (включая криптовалюты), суть проблемы в значительной степени зависит от экономики спроса: кодировщиков, которые вносят вклад в публичный проект, и тех, кто разрабатывает децентрализованные приложения на Ethereum. блокчейн и те, кто изучает знания сообщества разработчиков для частных проектов, все являются поставщиками технологий, но потребителями контента, связанного с Ethereum ... они привлекают внимание к системе. Точно так же майнеры, которые проверяют транзакции, являются поставщиками экосистемы (они создают эфир, топливо для блокчейна Ethereum), но потребляют информацию о пулах для майнинга, калькуляторах для майнинга и т. Д. Наконец, конечные пользователи сигнализируют о спросе, используя кошельки, биржи и продавцов, которые принимают ETH в качестве способа оплаты. Таким образом, инвесторы, которые ищут прогнозы цен на Ethereum, выиграют, если подойдут к этому вопросу с точки зрения экономики спроса.

В нашей последней книге мы проанализировали данные о ежедневном использовании 69 сервисов и групп в экосистеме Ethereum за период с декабря 2015 года по май 2017 года. Из данных временных рядов одного выбранного показателя спроса мы могли бы сделать интересные наблюдения, в том числе первоначальная роль сборщиков для зарождения экономики, как активность в сообществе DAO и группах разработчиков, связанных с DAO, коррелировала с падением цен (в дни, предшествующие хардфорку), и очевидный эффект, который добавление майнинговых мощностей оказало на прокачку поднять цену.

Такой вид графика времени выглядит простым, но часто нам нужно думать с точки зрения как времени , так и частоты. Теперь вам может быть интересно, что означает первое изображение - оно больше похоже на одну из тех карт погоды, на которых прослеживаются штормы и другие явления окружающей среды. В этом случае мы используем форму финансовой картографии, которая эффективно работает как навигационная карта для изучения корреляций между ценовым сигналом и сигналом спроса (измеряемым использованием веб-кошельков), чтобы понять, какие ведет другой, когда и с какой периодичностью. Таким образом, мы получаем не только портрет того, что произошло, но и учимся ориентироваться - как выдерживать шторм. В частности, эта карта показывает, что оба сигнала согласованы - цена и использование кошелька сильно коррелированы в долгосрочной перспективе с некоторыми другими зонами согласования в более короткие периоды времени (скажем, 8 дней), которые представляют интерес для дальнейшего изучения.

Мы также использовали машинное обучение для поиска среди миллионов возможных решений. Для начала мы предпочли уравнения, сочетающие в себе пригодность и интерпретируемость; например, при выборе формулы вида,

ETH_price = a*sma(wallet_1, 12)
 over, 
ETH_price = b + c*rankings_1

сложность по форме или размеру уравнения больше, но погрешность резко уменьшается. Кроме того, первая модель обеспечивает более глубокое понимание механики системы: цена может быть лучше аппроксимирована с помощью простой скользящей средней (SMA) и спроса на кошельки Ethereum, а не с использованием порталов рейтинга криптовалют.

Это уровень понимания, который необходим менеджеру для принятия решений или разработки стратегии - даже если прогнозы на несколько долларов ошибочны. В этом случае ключевой вывод состоит в том, что для прогнозирования направления цены нужно просто сравнить пару скользящих средних, каждая из которых охватывает разные временные рамки (например, 12 дней, как в случае с уравнением, и, скажем, 30 дней): если краткосрочная простая скользящая средняя выше долгосрочной средней, ожидается восходящий тренд.

Очевидно, что модель не идеальна: при высокой изменчивости прогноз может быть превышен или занижен, но это все же гораздо лучшее приближение, чем простое предположение. Если бы нам пришлось автоматизировать весь торговый процесс, тогда точность до центов стала бы более важной, а простота модели - менее - поскольку машины могут обрабатывать произвольно высокие уровни сложности, мы могли бы потакать, используя десятки терминов. Например, продолжая поиск в пространстве возможных решений, можно найти модель, которая делает явными зависимости между предложением (майнеры) и спросом (пользователи кошелька),

ETH_price = d + e*miningpool_1*wallet_1

и сообщите о чувствительности переменной, чтобы увидеть, приемлемы ли выигрыш / проигрыш.

Под чувствительностью здесь понимается относительное влияние, которое переменная оказывает на целевую переменную (ETH_price),% Positive - это вероятность того, что увеличение этой переменной приведет к увеличению значения целевой переменной, а положительная величина указывает, насколько велико положительное влияние при увеличении этой переменной. приводят к увеличению целевой переменной. В этом случае в 100% случаев увеличение использования (на одно стандартное отклонение) ресурсов, связанных с этим конкретным пулом майнинга и кошельком, приводит к увеличению цены примерно на 0,2 стандартного отклонения.
Конечно, для таких приложений, как высокочастотная торговля, необходимы более глубокая детализация и более частые выборки, и возникает необходимость расширить модель другими переменными, которые имеют более слабые и временные эффекты. Следует отметить одну очень важную вещь: модели, проанализированные до сих пор, используют только сигналы вне сети, а это означает, что вполне вероятно разработать оракулы, использующие потоки потоковых данных для повышения интеллекта и принятия решений о ценах.

Мы изучили несколько из этих «сильных» и «слабых» сигналов, но давайте поговорим здесь конкретно об одном: новости.

Новости Ethereum

Общественность следит за новостями для принятия инвестиционных решений. Но правда в том, что СМИ часто опаздывают на вечеринку: когда они начинают освещать определенное событие в массовом порядке, возможности инвестировать ради выгоды обычно больше нет. На графике показано, как внимание (потребление новостей) к Ethereum достигло пика перед ралли в мае-июне, а когда все больше СМИ начали освещать новости ETH, цены уже достигли пика.

Итак, как опередить новости?

Один из способов - использовать активное прогнозирование, другой - искать слабые сигналы,
расширяя охват за пределами основных СМИ. Ниже показана простая модель, описывающая влияние новостей на цену. Модель создается с использованием эволюционного алгоритма, начиная с сигналов потребления новостей от 20 ведущих СМИ, освещающих Ethereum, и заканчивая определением двух основных драйверов.

ETH_price = f + g*delay(ethereum_news, 3)*delay(crypto_news, 3)

Во-первых, мы отмечаем, что изменение движений в одном конкретном средстве массовой информации, ориентированном на Ethereum, и одном общем выпуске новостей о криптовалюте может объяснить предстоящее изменение цены с трехдневным ожиданием. Конечно, это не детальный прогноз цены: коэффициент корреляции равен 0,88342086, и ошибка все еще высока, но формула не настолько сложна, чтобы скрывать смысл - ясно, что новости могут использоваться в качестве предиктора движения цены. , и мы получаем представление о том, где именно следует отслеживать эти новости (т. е. какие СМИ имеют отношение к делу).

Выводы

Хотя в наших моделях мы не помечали переменные как «контролируемые» или «неконтролируемые», понятие наличия сети ресурсов, которые контролирует сообщество Ethereum, важно. Например, некоторые биржи используются всем криптосообществом, поэтому причинно-следственную связь между увеличением объема на бирже и изменением цены ETH может быть труднее доказать, чем, например, для таких ресурсов, как майнинг только для Ethereum. бассейны. Поскольку данные в реальном времени являются дорогостоящим товаром, менеджер может выбрать различение источников данных - и для этой цели способность модели явно представлять компромиссы (например, Парето сложности ошибки) имеет жизненно важное значение (это становится еще более важным. при работе с криптовалютами, занимающими большую площадь, например биткойнами). Этот подход не ограничивается менеджерами: советники и другие доверенные советники могут извлечь выгоду из идей, полученных с помощью простых моделей, основанных на основных экономических концепциях (без необходимости в обученном специалисте по данным).
Наконец, возможность прогнозирования, казалось бы, непредсказуемой вещи -
динамики цен криптобезопасности - в пределах известных допустимых ошибок и определенных временных рамок, не только предлагает возможности для повышения стоимости, но и предоставляет полезный инструмент управления рисками.

Предлагается читать: Краткое исследование спроса на CFD (контракты на разницу)

Опубликовано www.EconomyMonitor.com