Περίληψη
Τα αυτόματα συστήματα συναλλαγών αντιμετωπίζουν τις ανάγκες της εξάλειψης των συναισθηματικών προκαταλήψεων από την εμπορική λειτουργία των δημόσιων περιουσιακών στοιχείων. Αυτά τα συστήματα τοποθετούν παραγγελίες με βάση ένα μοντέλο τιμών που προβλέπει τη μελλοντική τιμή ενός περιουσιακού στοιχείου. Τα εν λόγω συστήματα, που αναπτύχθηκαν από τα αμοιβαία κεφάλαια Edge και τους θεσμικούς επενδυτές, δεν είναι διαθέσιμα στο κοινό και η εκτεταμένη έρευνα σε αυτόν τον τομέα αξίζει τον κόπο. Σε αυτή την έρευνα, αναπτύξαμε ένα μοντέλο βραχυπρόθεσμων τιμών που βασίζεται σε ένα νευρωνικό δίκτυο και το χρησιμοποιήσαμε για να προβλέψουμε την κατεύθυνση των τιμών στο εγγύς μέλλον. Πιο αναλυτικά, παρουσιάσαμε τη διαδικασία εξαγωγής χαρακτηριστικών και τη στρατηγική παραμετρικής επισήμανσης για τη δημιουργία ενός έτοιμου συνόλου δεδομένων ML που περιλαμβάνει περισσότερα από 400 κρυπτονομίσματα. Στη συνέχεια, το μοντέλο επικυρώνεται με τη δημιουργία μιας στρατηγικής συναλλαγών για τα δύο πιο κεφαλαιοποιημένα κρυπτονομίσματα κατά τη στιγμή της σύνταξης: το Bitcoin και το Ethereum. Η επικύρωση χρησιμοποιεί μια προσομοίωση συναλλαγών που εκτείνεται σε έξι χρόνια ιστορικών δεδομένων για το Bitcoin και το Ethereum, συμπεριλαμβανομένων τόσο αναδρομικών (backtest) όσο και μελλοντικών (forward test) αξιολογήσεων. Τα αποτελέσματα δείχνουν ότι το μοντέλο που βασίζεται σε νευρωνικά δίκτυα παρουσιάζει μια πολύ καλή γενίκευση σε μοτίβα που βρίσκονται σε ιστορικά δεδομένα, επιτρέποντας προβλέψεις σε μελλοντικά δεδομένα στο πλαίσιο της προσομοίωσης συναλλαγών. Επιπλέον, διεξήχθη μια ολοκληρωμένη ανάλυση της σημασίας των χαρακτηριστικών για την ενίσχυση της ερμηνείας και της απόδοσης του μοντέλου. Τέλος, δοκιμάζουμε το μοντέλο μας σε μια προσομοιωμένη συνεδρία συναλλαγών. Δείχνει ότι, με μια απλή στρατηγική αγοράς μόνο συν μια απώλεια στάσης, το σύστημα συναλλαγών περιορίζει την αυγή της κλήρωσης κατά τη διάρκεια των αγορών σε ύφεση (bear).
Εισαγωγή
Ένα σύστημα χρηματοοικονομικών συναλλαγών που λειτουργεί σε χρηματιστήρια δημόσιων αγορών περιλαμβάνει ένα δομημένο σύνολο πρωτοκόλλων και αναλυτικών εργαλείων που έχουν σχεδιαστεί για τη βελτιστοποίηση των ικανοτήτων λήψης αποφάσεων του εμπορικού πράκτορα σε αναζήτηση μέγιστων αποδόσεων επένδυσης. Αυτά τα πρωτόκολλα και τα εργαλεία δημιουργούνται στο πλαίσιο αλγορίθμων συναλλαγών, οι οποίοι επεξεργάζονται δεδομένα που σχετίζονται με ένα ή περισσότερα χρηματοοικονομικά περιουσιακά στοιχεία για τον εντοπισμό και την εκμετάλλευση ευκαιριών για παραγωγή κέρδους. Χρησιμοποιούνται πολλαπλές ροές δεδομένων για την υποστήριξη της διαδικασίας λήψης αποφάσεων. Ένα παράδειγμα τέτοιων μεθοδολογιών σε χρηματοοικονομικές εφαρμογές είναι η Standard & Poor's Neural Fair Value 25. Αυτό το χαρτοφυλάκιο χρησιμοποιεί ένα τεχνητό νευρωνικό δίκτυο για την εκτέλεση εβδομαδιαίων επιλογών 25 μετοχών από μια υποψήφια ομάδα 3000, με στόχο να ξεπεράσει την απόδοση της αγοράς λαμβάνοντας την εβδομαδιαία εύλογη αξία κάθε μετοχής μέσω θεμελιώδους ανάλυσης. Η ανάπτυξη μοντέλων πρόβλεψης, όπως τα Νευρωνικά Δίκτυα (ΝΝ), στις συναλλαγές κινητών αξιών έχει υποβληθεί σε εκτεταμένο επιστημονικό έλεγχο, με στοιχεία που υποδηλώνουν σημαντική αποτελεσματικότητα (Kumbure et al. 2022 Ωστόσο, η αφομοίωση αυτών των τεχνικών σε επιχειρησιακά περιβάλλοντα συναλλαγών παραμένει συχνά ιδιόκτητη, περιορίζοντας τη δημοσιοποίηση των λεπτομερειών εφαρμογής (Gerlein et al. 2016). Ως αποτέλεσμα, εξακολουθούν να υπάρχουν σημαντικά περιθώρια για την προώθηση της έρευνας των αυτοματοποιημένων συστημάτων συναλλαγών μέσω της εφαρμογής σύγχρονων παραδειγμάτων μηχανικής μάθησης (ML).
Τα τελευταία χρόνια, τα κρυπτονομίσματα έχουν εισέλθει στο στάδιο της ωριμότητας, καθιστώντας ευρέως προσβάσιμα ως επενδυτικές ευκαιρίες στο ευρύ κοινό μέσω των διαπραγματεύσιμων αμοιβαίων κεφαλαίων (ETFs) που τα ενσωματώνουν (Olabanji et al. 2024 Επιπλέον, αρκετές χώρες (π.χ. Ελ Σαλβαδόρ, Κεντροαφρικανική Δημοκρατία) έχουν χορηγήσει καθεστώς νόμιμου χρήματος σε ορισμένα σημαντικά κρυπτονομίσματα (βλ. Alvarez et al. 2023 Θα πρέπει να σημειωθεί ότι, σε αυτό το εξαιρετικά δυναμικό περιβάλλον, οι ευκαιρίες κέρδους πολλαπλασιάζονται. Κατά συνέπεια, πολλά αμοιβαία κεφάλαια αντιστάθμισης κινδύνου και επενδυτές ενσωματώνουν τώρα κρυπτονομίσματα στα χρηματοοικονομικά τους χαρτοφυλάκια, επηρεάζοντας σημαντικά τη συνολική αγορά και δημιουργώντας σημαντικό ενδιαφέρον για την εμπορία αλγορίθμων για αυτά τα ψηφιακά περιουσιακά στοιχεία. Σύμφωνα με τους Fang et al. (2022), η έρευνα σχετικά με τις συναλλαγές κρυπτονομισμάτων έχει σημειώσει δραματική αύξηση τα τελευταία χρόνια. Οι συγγραφείς τονίζουν ότι ένα εντυπωσιακό 85% όλων των δημοσιευμένων επιστημονικών εργασιών έχουν παραχθεί για αλγοριθμικές συναλλαγές περιουσιακών στοιχείων που σχετίζονται με κρυπτονομίσματα τα τελευταία πέντε χρόνια. Αυτό δείχνει ότι ο τομέας της έρευνας για τις συναλλαγές κρυπτονομισμάτων εξελίσσεται ραγδαία, με αυξανόμενο ενδιαφέρον για την ανάπτυξη καινοτόμων στρατηγικών και μεθοδολογιών για τις συναλλαγές.
Σε αυτή την έρευνα, διερευνούμε τη σκοπιμότητα της εξαγωγής γενικών προτύπων τιμών, που δεν συνδέονται με συγκεκριμένα περιουσιακά στοιχεία, και αξιολογούμε την απόδοσή τους χρησιμοποιώντας δεδομένα εκτός ετικέτας που προέρχονται από το Bitcoin και το Ethereum σε ένα εκτεταμένο χρονικό διάστημα. Συγκεκριμένα, προτείνουμε μια ισχυρή στρατηγική συναλλαγών που, μετά την εκπαίδευση ενός νευρωνικού δικτύου (ΝΝ) σε ένα εκτεταμένο σώμα ιστορικών δεδομένων της αγοράς που περιλαμβάνει εκατοντάδες περιουσιακά στοιχεία κρυπτογράφησης, θα μπορούσε να εκτελέσει αυτόνομα συναλλαγές στην αγορά για να αποφέρει θετικές οικονομικές αποδόσεις. Η μεθοδολογία μας διαφέρει από τις υπάρχουσες προσεγγίσεις χρησιμοποιώντας ένα ενιαίο και ολοκληρωμένο σύνολο δεδομένων που περιλαμβάνει εκατοντάδες κρυπτονομίσματα. Όπως καταδείχθηκε σε μεταγενέστερες αναλύσεις, αυτή η προσέγγιση είναι σημαντικά πιο αποτελεσματική από εναλλακτικές στρατηγικές που βασίζονται σε ιστορικά δεδομένα από ένα περιορισμένο υποσύνολο ενός ή μερικών περιουσιακών στοιχείων κάθε φορά.
Παρόλο που οι στρατηγικές που αναπτύσσονται για τις συμβατικές χρηματοπιστωτικές αγορές μπορούν να προσαρμοστούν για εφαρμογή στον τομέα των κρυπτονομισμάτων, ο τελευταίος παρουσιάζει διακριτά χαρακτηριστικά που απαιτούν νέες ερευνητικές προσπάθειες από την επιστημονική κοινότητα. Οι συμβατικές μεθοδολογίες συναλλαγών θέτουν τα θεμέλιά τους στη θεμελιώδη και τεχνική ανάλυση. Η θεμελιώδης προσέγγιση στοχεύει να καθορίσει εάν η τρέχουσα εμπορική αξία ενός περιουσιακού στοιχείου ευθυγραμμίζεται με την εύλογη αγοραία αξία του, χρησιμοποιώντας χρηματοοικονομικές μετρήσεις και ολοκληρωμένες αξιολογήσεις των επιχειρηματικών δεδομένων που σχετίζονται με το περιουσιακό στοιχείο. Αντίθετα, η τεχνική ανάλυση εξετάζει χρονοσειρές δεδομένων τιμών και όγκου για την πρόβλεψη της μελλοντικής αξίας ενός περιουσιακού στοιχείου, με βάση την παραδοχή ότι οι μελλοντικές τιμές της αγοράς είναι πράγματι προβλέψιμες.
Στην υπόθεση της αποτελεσματικής αγοράς, όπως δήλωσε ο Malkiel (2003), οι παράγοντες της αγοράς παρουσιάζουν ορθολογική συμπεριφορά και οι νέες πληροφορίες ενσωματώνονται αμέσως στις τιμές των περιουσιακών στοιχείων. Αντίθετα, η υπόθεση της προσαρμοστικής αγοράς (Chu et al. 2019) αναφέρει ότι οι επενδυτές μπορούν να επιδείξουν παράλογες αντιδράσεις στην αστάθεια της αγοράς, δημιουργώντας έτσι ευκαιρίες για συμφέρουσα απόκτηση περιουσιακών στοιχείων. Τέτοια φαινόμενα μπορούν να αποδοθούν σε τάσεις ανθρώπινης συμπεριφοράς, συμπεριλαμβανομένης της αποστροφής για απώλειες, της υπερβολικής αυτοπεποίθησης και της υπερβολικής αντίδρασης, οι οποίες, υπό συγκεκριμένες συνθήκες, ενισχύουν την αστάθεια της αγοράς. Η αναποτελεσματικότητα των προεξεχόντων κρυπτονομισμάτων εξετάζεται από τους Zhang et al. (2018), με τα ευρήματα να υποστηρίζουν ότι «τα αποτελέσματα δείχνουν ότι όλα αυτά τα κρυπτονομίσματα είναι αναποτελεσματικές αγορές». Αυτός ο χαρακτηρισμός τοποθετεί την αγορά κρυπτονομισμάτων ως πλεονεκτικό τομέα για την ανάπτυξη της τεχνικής ανάλυσης μέσω της χρήσης αυτοματοποιημένων αντιπροσώπων.
Ένα επιπλέον διακριτικό χαρακτηριστικό αυτού του πλαισίου έγκειται στη λειτουργική δομή των ψηφιακών ανταλλαγών, ιδίως των ανταλλαγών κρυπτονομισμάτων, οι οποίες επιβάλλουν χαμηλότερο κόστος συναλλαγών σε σύγκριση με τις συμβατικές χρηματιστηριακές οντότητες. Αυτή η διαφορά μπορεί να έχει σημαντικό αντίκτυπο στο περιβάλλον συναλλαγών υψηλού όγκου και υψηλής συχνότητας που χαρακτηρίζει αυτήν την αγορά. Επί του παρόντος, τα τέλη συναλλαγής στα ανταλλακτήρια κρυπτονομισμάτων μπορεί να είναι τόσο ελάχιστα όσο 0,1% ανά συναλλαγή. Επιπλέον, τα περισσότερα από αυτά τα χρηματιστήρια προσφέρουν ένα δωρεάν API συναλλαγών, μειώνοντας έτσι τα εμπόδια για την έναρξη αλγοριθμικών συναλλαγών.
Συμπέρασμα
Η αυτοματοποίηση των συναλλαγών σε περιουσιακά στοιχεία που βασίζονται σε blockchain αντιμετωπίζει προκλήσεις λόγω κακής ρύθμισης και χειραγώγησης της αγοράς, οδηγώντας σε υψηλή μεταβλητότητα (Gandal et al. 2018; Eigelshoven and Ullrich 2021; Fratrič et al. 2022 Αν και αυτές οι διακυμάνσεις υποδηλώνουν κερδοφόρες ευκαιρίες, η αναγνώρισή τους σε μια αυτόματη ρύθμιση παραμένει ένα πολύπλοκο έργο. Σε αυτή την εργασία βλέπουμε σαφώς ότι το σύστημα συναλλαγών μας αποδίδει καλά σε Bitcoin και Ethereum έναντι ενός εικονικού μοντέλου. Σημειώστε ότι, κατά τη στιγμή της σύνταξης, το Bitcoin και το Ethereum αντιπροσωπεύουν το 60%+ της συνολικής κεφαλαιοποίησης των αγορών κρυπτονομισμάτων. Κατά τη γνώμη μας, οι μεγάλες διακυμάνσεις των τιμών των νομισμάτων είναι προβλέψιμες βάσει τεχνικού πλαισίου και αυτό επιβεβαιώνεται από την έρευνά μας. Η σημασία του χαρακτηριστικού επιβεβαίωσε ότι η κλασική προσέγγιση που βασίζεται σε διασταυρώσεις κινούμενων μέσων όρων και απλούς τεχνικούς δείκτες λειτούργησε πολύ καλά, ενώ τα μοτίβα των κηροπηγίων φαίνεται να είναι αναποτελεσματικά. Στην Ενότητα 2 καταλήγουμε στο συμπέρασμα ότι τα κοινωνικά δίκτυα έχουν κάποια συσχέτιση με τη δυναμική των τιμών. Στη συνέχεια, τα κοινωνικά δίκτυα είναι μία από τις πιο σημαντικές πηγές πληροφοριών (μαζί με άλλες) που πρέπει να συγχωνευθούν για να αποκτήσουν μια πιο ολοκληρωμένη εικόνα του κλίματος της αγοράς για οποιοδήποτε συγκεκριμένο κρυπτονόμισμα. Σε μελλοντικές εργασίες θα πρέπει να αναπτυχθεί ένας πιο σύνθετος αγωγός με τη συγχώνευση δεδομένων από διαφορετικές πηγές: διαφορετικά συναισθήματα κοινωνικών δικτύων, οικονομικές ειδήσεις, ανάλυση blockchain, πληροφορίες βιβλίων παραγγελιών, τεχνικοί δείκτες και ορισμένες τεχνικές αντιστοίχισης προτύπων για την ενσωμάτωση στα δεδομένα γνωστών και άγνωστων τεχνικών προτύπων σε διαφορετική χρονική κλίμακα. Τα μοτίβα των κηροπηγίων μπορούν να αφαιρεθούν, καθώς τα βρήκαμε εντελώς αναποτελεσματικά στην πρόβλεψη της κατεύθυνσης των τιμών για τα κρυπτονομίσματα. Επιπλέον, αυτή η προσέγγιση μπορεί να εφαρμοστεί έναντι διαφορετικών περιουσιακών στοιχείων, όπως το ζεύγος νομισμάτων (forex), οι μετοχές, τα εμπορεύματα και τα μοχλευμένα παράγωγά τους, όπως το CFD.
Διαβάστε επίσης:
Ένα επιχειρησιακό πλαίσιο για τη διαλειτουργικότητα του blockchain
Αυτό το άρθρο προέρχεται από μετάφραση του άρθρου: Trading strategy for Bitcoin and Ethereum by neural network model από τα αγγλικά και δημοσιεύεται με βάση την άδεια CC BY 4.0 Attribution 4.0 International Creative Commons.