800+ новых криптографических функций

Квентин Вивиль, Сударшан Савал и Эрнест Чан

PredictNow.ai рад сообщить, что мы расширяем наш зоопарк функций, чтобы охватить функции криптовалюты! Это следует за нашей работой над характеристиками акций США и характеристиками, основанными на действиях по опционам, ETF, фьючерсам и макроэкономическим показателям. Эти новые криптографические функции можно использовать в качестве входных данных для нашего API машинного обучения, чтобы улучшить вашу торговую стратегию. В этом блоге мы описали новые криптографические функции, а также продемонстрировали, как мы использовали их для краткосрочной генерации альфа-канала и оптимизации криптопортфеля.

Наши новые криптографические функции предназначены для захвата рыночной активности от незначительных движений до крупных всеобъемлющих тенденций. Эти функции будут количественно определять изменения цены, доходности, потока ордеров, волатильности и корреляций, которые появляются между ними.

Чтобы создать эти функции, мы сначала построили базовые функции, используя необработанные рыночные данные, которые включают информацию о микроструктуре. Затем мы применили простые математические функции, такие как экспоненциальное скользящее среднее, для создания Final Features.

Базовые функции:

Базовые функции построены с использованием данных долларовых слитков Binance, которые включают в себя:

  • Открыть
  • Высокий
  • Низкий
  • Закрывать
  • Объем
  • Поток ордеров (сумма подписанных объемов) (объем +ve для тега агрессора на покупку и объем -ve для тега агрессора на продажу)
  • Стоимость рыночного ордера на покупку (сумма объемов, соответствующих тегу агрессора на покупку)
  • Стоимость рыночного ордера на продажу (сумма объемов, соответствующих тегу продавца-агрессора)

Базовые функции основаны на:

  1. Отношения между ценой, высокой ценой, низкой ценой.
  • Относительный максимум: высокая цена относительно цены открытия
  • Относительный минимум: Низкая цена по отношению к цене открытия
  • Относительное закрытие: цена закрытия относительно цены открытия
  • Относительный объем: ордера на покупку относительно общего абсолютного объема.
  • Целевое усилие: вычисляет оценку «усилия», которое цена должна приложить для достижения целевой цены, путем сравнения наблюдаемой низкой и высокой цены.

2. Объем заменен.

  • Скорость доллара: среднее подписанное количество долларов, обмениваемых в секунду.

3. Отношения и потенциальные корреляции между изменениями цены, потока заказов и интенсивности активности на рынке.

  • Лямбда Кайла: связь между изменением цены и потоком заказов
  • SCOF: корреляция потока заказов с его запаздывающим рядом
  • VPIN: Вероятность информированной торговли, синхронизированная с объемом.

4. Наблюдается волатильность.

  • VLT: волатильность доходности (экспоненциально взвешенная)

Каждая функция связана с «промежутком времени» или периодом ретроспективного анализа, что помогает фиксировать рыночную активность в нескольких временных рамках.

Последние возможности:

После того, как мы сгенерировали базовые функции, был получен новый, разнообразный набор функций, называемый конечными функциями. Эти конечные функции являются преобразованием первоначальных Базовые характеристикив экспоненциально скользящие средние значения и вероятности за многие периоды времени.

Этот подход позволил нам создать большой набор финальных признаков (точнее, 879 признаков), которые могут фиксировать и количественно оценивать активность рынок в любой выбранный нами промежуток времени.

Применение к краткосрочной альфа-генерации

Основной функцией PredictNow.ai является метамаркировка, которая назначает вероятность прибыли для каждой сделки существующей стратегии (или будущего периода времени существующего портфеля). Это требует от нас построения модели машинного обучения с использованием большого количества входных функций и цели (метки), которая будет доходностью сделок (или портфеля).

Чтобы оценить эффективность функций, описанных выше, мы сначала построили базовую стратегию, а затем применили метамаркировку к сигналам этой стратегии, используя эти функции в качестве входных данных. Базовая стратегия — это высокочастотная стратегия, которая предсказывает аномальную доходность из-за необычного потока заказов. На приведенном ниже графике показана производительность только базовой стратегии:

  • Максимальная просадка: −5,327%
  • Годовой коэффициент Шарпа: 3,1
  • Годовая прибыль: 32,6%

Используя окончательные функции, как описано выше, в качестве входных данных для метамаркировки, мы успешно повысили эффективность стратегии значительно. На приведенном ниже графике показано улучшение производительности после применения металлизации:

  • Максимальная просадка: −4,998%
  • Годовой коэффициент Шарпа: 5,6
  • Годовая прибыль: 227%

Коэффициент Шарпа увеличенс 3,1 до 5,6, и мы имеем почти 7-кратный годовой доход до 227% за счет применения маркировка металлов с использованием наших новых криптографических функций.

Применение CPO к криптопортфелю:

Оптимизация средней дисперсии (MVO) — это популярный метод оптимизации портфеля, который создает портфель с максимальной ожидаемой доходностью при фиксированном уровне риска. Одним из недостатков метода MVO является то, что выбранный портфель оптимален только в среднем в прошлом. Это не гарантирует его оптимальности в различных рыночных режимах. Это ограничение дает нам возможность применить нашу запатентованную методику Условная оптимизация параметров (CPO).

Наш метод CPO может использоваться для улучшения эффективности стратегии в различных рыночных режимах путем адаптации параметров торговой стратегии к этим режимам. Точно так же он может оптимизировать распределение по разным составляющим портфеля в различных рыночных режимах. Вместо оптимизации, основанной только на исторических средних значениях и ковариациях доходности составляющих портфеля, CPO включает в себя обучение модели машинного обучения с огромным количеством внешних функций больших данных для управления процессом оптимизации.

В нашем следующем примере мы использовали наши криптографические функции в качестве входных данных. Затем мы сравнили коэффициенты Шарпа криптопортфеля, основанного на традиционной методике MVO, с нашей методикой CPO на данных вне выборки.

Результат обратного тестирования:

  • Портфели состоят из 8 символов (все криптовалютные бессрочные фьючерсы): BTCUSDT, ETHUSDT, XRPUSDT, ADAUSDT, EOSUSDT, LTCUSDT, ETCUSDT, XLMUSDT.
  • Тип позиции включает длинные и короткие позиции.
  • Целевой переменной является форвардный коэффициент Шарпа, рассчитанный как 3-часовая доходность, деленная на стандартное отклонение последовательности 5-минутных последовательных доходностей в течение 3-часового периода.
  • Набор тестовых данных начинается с января 2020 г. и заканчивается в июне 2021 г.
  • Результаты (годовой коэффициент Шарпа за 365 дней в году):

  • CPO улучшает коэффициент Шарпа в x3,8!

Вывод:

Мы продемонстрировали, что наши новые криптографические функции являются мощным дополнением к набору инструментов любого криптотрейдера или инвестора, применяя их к стратегии крипто-трейдинга в реальном развертывании и к оптимизации крипто-портфеля с использованием нашей собственной методики CPO. Доказано, что наши функции и стратегия в сочетании с нашим программным обеспечением для машинного обучения увеличивают доходность базовой торговой стратегии в 7 раз и повышают коэффициент Шарпа криптопортфеля 3,8 раза по сравнению с MVO. Кроме того, с нашей функцией объяснимого ИИ, использующей нашу методологию выбора функций, мы убрали догадки, чтобы вы точно знали, какие из наших новых криптографических функций важны для улучшения вашей стратегии.

Чтобы подписаться на бесплатную пробную версию, чтобы поэкспериментировать с этими новыми функциями с помощью нашего API или изучить наше программное обеспечение для машинного обучения, нажмите здесь. Институциональные инвесторы также могут узнать о подписке на наши торговые сигналы из нашей криптостратегии или на обновления из нашего динамически оптимизированного портфолио длинных и коротких криптоактивов.

Если у вас есть какие-либо вопросы или вы хотите работать с нами, напишите нам по адресу: [email protected].