La aplicación de estadísticas bayesianas en la determinación de los niveles de soporte y resistencia de Bitcoin

Con base en los datos del libro de órdenes de límite de múltiples intercambios, construimos un indicador de la situación general del mercado de Bitcoin para revelar la profundidad general del mercado y usamos estadísticas bayesianas para inferir las posiciones de los niveles de soporte y resistencia. La selección del intercambio se refiere al índice BitMEX y al índice BTC-USD de Deribit para obtener fuentes de datos, y utiliza los datos al contado de bitcoin de los intercambios Binance, Bitstamp, Bittrex, Coinbase Pro, Gemini, Huobi, Kraken y OKEx, y compara los intercambios pendientes. volumen de pedidos La unidad está unificada en dólares estadounidenses para comparación. 1. Cartera de órdenes limitadas agregada La siguiente figura muestra la agregación de órdenes pendientes superiores a USD 10 000 en cada intercambio alrededor de 2021.2.1 18:03: Figura 1 El estado de las órdenes pendientes superiores a USD 10 000 se puede ver en la figura anterior En Por el momento, Kraken y Coinbase Pro están comprando más de lo que piden Binance, Huobi y OKEx. De hecho, a veces el precio de compra de algunos intercambios es más alto que el precio de venta de otros intercambios, lo que brinda ciertas oportunidades de arbitraje. Figura 2 Órdenes pendientes por encima de $500 000 La figura anterior muestra las órdenes pendientes por encima de $500 000 en el mercado al contado de Bitcoin.La cantidad de órdenes pendientes a diferentes precios se agrega a partir de los datos de varios intercambios. Por ejemplo, se vendieron $ 830,000 en bitcoins en 34700, que se compuso de pedidos pendientes de 3 intercambios, OKEx, Kraken y Binance. Figura 3 La situación de las órdenes pendientes superiores a 2 millones de dólares EE. UU. La figura anterior solo elige mostrar las órdenes pendientes superiores a 2 millones de dólares EE. UU. Se puede ver que hay algunas órdenes pendientes grandes entre 33 500 dólares EE. UU. y 38 500 dólares EE. UU., y la cantidad es aproximadamente la misma Si analizamos más a fondo el valor de esta distribución de órdenes pendientes, podemos sacar más conclusiones. Figura 4 Órdenes pendientes superiores a USD 5 millones La figura anterior solo elige mostrar las órdenes pendientes superiores a USD 5 millones. Curiosamente, algunas órdenes de venta cuyas cotizaciones se desvían mucho del precio actual han existido en algunos intercambios durante mucho tiempo y, por lo general, dichas órdenes pendientes no se incluyen en nuestro análisis. Figura 5 Comparación de las fuerzas largas y cortas generales en el mercado La figura anterior muestra la comparación de las fuerzas largas y cortas generales en el mercado en diferentes rangos de precios. De esto se puede ver que la cantidad total de grandes órdenes pendientes del comprador es ligeramente mayor que la del vendedor en este momento, pero tal conclusión solo es adecuada para la selección en un mercado volátil como valor indicador. Musk vendió 209 688 acciones de Tesla el 16 de noviembre: el 17 de noviembre, según los documentos de la Comisión de Bolsa y Valores de EE. UU., el CEO de Tesla, Elon Musk, vendió 209 688 acciones de Tesla el 16 de noviembre. Pull stocks vendió acumulativamente el 44,02 % de las acciones. (Golden Ten) [2021/11/17 21:56:55] 2. La aplicación de estadísticas bayesianas en la determinación de los niveles de soporte y resistencia de Bitcoin En el comercio, las personas generalmente juzgan si un precio determinado es un soporte basado en el nivel de experiencia o nivel de resistencia Al ver el volumen de órdenes pendientes a cada precio en el libro de órdenes límite, es natural comparar instantáneamente qué precio tiene más órdenes pendientes que otros niveles de precios, y los valores son obviamente diferentes, que pertenecen a niveles de soporte o resistencia. El cerebro humano juzga esto de forma rápida y precisa, pero cuando se le pregunta sobre la base del juicio, la respuesta suele ser "me siento así", y luego se llega a la conclusión correcta. Si analizamos esto, podemos señalar que hacer tal juicio ha pasado por al menos los siguientes cuatro pasos: (1) El cerebro humano tiene una impresión de la cantidad de órdenes pendientes en los niveles de soporte/resistencia anteriores, y puede usar esto como una experiencia para considerar Si las nuevas órdenes pendientes han alcanzado el nivel correspondiente; (2) El cerebro humano tiene una impresión del desempeño reciente del mercado, sabe si las transacciones del mercado están en un estado ligero o caliente y hace los ajustes correspondientes a las órdenes pendientes razonables en los niveles de soporte/resistencia en mente Ajuste; (3) Tan pronto como vea el libro de órdenes límite, puede bloquear inmediatamente varias órdenes pendientes de gran valor como opciones para los niveles de soporte/resistencia; (4) Determinar rápidamente el volumen de varias órdenes pendientes de gran valor La diferencia de nivel, identificando así el nivel de soporte/resistencia. En el comercio cuantitativo, es imposible para nosotros marcar manualmente los niveles de soporte/resistencia uno por uno, y solo podemos dejar que el programa haga los juicios pertinentes. El uso del método de la media o el método de la media móvil parece ser capaz de resolver el problema del marcado de forma sencilla, pero todavía falta adaptabilidad e "inteligencia". Por lo tanto, usamos estadísticas bayesianas para identificar los niveles de soporte y resistencia. Antes de hacer una introducción formal, permítanme introducir la estadística bayesiana con un ejemplo menos riguroso: un hombre primitivo siempre ha vivido en una cueva subterránea, y un día llegó al suelo por accidente. No estaba seguro de si el sol saldría todos los días, por lo que primero hizo suposiciones basadas en su propia experiencia y luego hizo observaciones. Si asume que el sol saldrá todos los días, y los datos de observación diarios también confirman el evento de la salida del sol, entonces puede sacar la conclusión de que el sol saldrá todos los días; por el contrario, si asume que el sol saldrá Sin embargo, los datos de la observación diaria son diferentes de su hipótesis. Si la hipótesis se anula con base en los datos experimentales, se sacará la misma conclusión correcta: es solo que el hombre primitivo pudo haber observado más tiempo que la situación anterior en para estar mas seguro.. Esta es en realidad la idea contenida en las estadísticas bayesianas: no importa cuál sea la hipótesis (probabilidad previa), la hipótesis se corrige a través de los datos de observación y, finalmente, se extrae la conclusión (probabilidad posterior) que se ajusta a los hechos observados. Esto también es similar a la forma en que los humanos plantean hipótesis, realizan observaciones experimentales y sacan conclusiones finales en la exploración científica. Puede verse que, en este sentido, la estadística bayesiana es consistente con el pensamiento y la exploración humanos. 1. Métodos estadísticos bayesianos Hay dos escuelas principales de pensamiento en estadística, frecuentista y bayesiana. Hay similitudes y diferencias entre ellos. La inferencia estadística basada en información poblacional e información muestral se denomina estadística clásica, su punto de vista básico es considerar los datos (muestra) como provenientes de una población con una determinada distribución de probabilidad, y el objeto de investigación es esta población, no limitada a los datos. sí mismo. En la segunda mitad del siglo XX, las estadísticas clásicas se utilizaron ampliamente en campos como la industria, la agricultura, la medicina, la economía, la gestión y los asuntos militares. En estos campos se plantean continuamente nuevos problemas estadísticos, lo que favorece el desarrollo de la estadística clásica. Con el desarrollo continuo y la amplia aplicación de la estadística clásica, también se exponen sus propios defectos. Datos: 1,5 millones de BTC o pérdida permanente: Jinse Finance informó que Blockchain Center contó recientemente los datos de algunos de los mayores poseedores de Bitcoin, incluidos los hermanos Winklevoss, varios estafadores y piratas informáticos, y "monedas zombi". Los datos muestran que la estafa Plus Token tiene 200 000 BTC, el administrador de Mt. Gox tiene 166 000 BTC, los hermanos Winklevoss, fundadores de Gemini, tienen 150 000 BTC y el hacker de Bitfinex tiene 120 000 BTC. El capitalista de riesgo Tim Draper solo posee 30.000 BTC, que obtuvo en la subasta gubernamental de los tokens confiscados de Silk Road. Se informa que las "monedas zombi" se consideran 1,5 millones de BTC perdidas para siempre, incluidos alrededor de 1,1 millones de BTC supuestamente desenterrados por Satoshi Nakamoto. Grayscale actualmente tiene más de 400,000 BTC. Lightning Network tiene solo 1,000 BTC, mientras que la red Ethereum ha bloqueado otros 80,000 BTC. [2020/9/11] En la inferencia estadística, además de la información general y la información de muestra mencionada anteriormente, también existe un tercer tipo de información: información previa, es decir, alguna información sobre cuestiones estadísticas antes del muestreo, principalmente derivada de datos empíricos e históricos, también se puede utilizar para la inferencia estadística. La inferencia estadística basada en información de población, información de muestra e información previa se denomina estadística bayesiana. La principal diferencia entre esta y la estadística clásica es si se utiliza información previa. También hay diferencias en el uso de la información de la muestra. La escuela bayesiana presta atención al valor de observación muestral que ha aparecido, pero no considera el valor de observación muestral que aún no ha ocurrido; la escuela bayesiana otorga gran importancia a la recopilación, extracción y procesamiento de información previa, la cuantifica y forma distribución a priori Participar en la inferencia estadística para mejorar la calidad de la inferencia estadística. Ignorar el uso de información previa a veces es un desperdicio y, a veces, lleva a conclusiones irrazonables. 2. Fórmula bayesiana Bajo el supuesto de la fórmula de probabilidad total, existe esta fórmula llamada fórmula bayesiana, que es una fórmula famosa en la teoría de la probabilidad. Esta fórmula apareció por primera vez en un trabajo de 1763 del erudito británico T. Bayes (1702-1761) después de su muerte. 3. Determinación de la distribución previa La información previa se utiliza en las estadísticas bayesianas, y la información previa se refiere principalmente a la experiencia y los datos históricos. Por lo tanto, cómo usar la experiencia de las personas y los datos históricos pasados ​​para determinar la probabilidad y la distribución previa es uno de los problemas a estudiar por la escuela bayesiana. En estadística clásica, la probabilidad se define por tres axiomas de no negatividad, regularidad y aditividad. Existen principalmente dos métodos para determinar la probabilidad. Uno es el método clásico (incluido el método geométrico) y el otro es el método de frecuencia. En la práctica, el método de frecuencia es ampliamente utilizado, por lo que el objeto de investigación de la estadística clásica es un fenómeno aleatorio que puede repetirse en grandes cantidades.Si no es un fenómeno tan aleatorio, el método de frecuencia no puede usarse para determinar la frecuencia de eventos relacionados. eventos. Esto sin duda acota el campo de aplicación e investigación de la estadística. Por ejemplo, muchos fenómenos económicos son fenómenos aleatorios que no pueden repetirse o no pueden repetirse en grandes cantidades.En tales fenómenos aleatorios, a menudo es imposible o difícil usar el método de frecuencia para determinar la probabilidad de eventos relacionados. Los bayesianos están completamente de acuerdo con la definición axiomática de probabilidad, pero creen que la probabilidad también puede ser determinada por la experiencia, que es consistente con las actividades prácticas de las personas. Esto permite que fenómenos aleatorios que no se pueden repetir o que no se pueden repetir en grandes cantidades hablen también de probabilidad. Al mismo tiempo, la rica experiencia acumulada por las personas puede generalizarse y aplicarse. La escuela bayesiana cree que la probabilidad de un evento es la creencia personal que las personas dan a la posibilidad del evento en base a la experiencia, y la probabilidad dada de esta manera se llama probabilidad subjetiva. Para la determinación de la distribución previa se puede utilizar información previa o densidad marginal. En cuanto a la determinación de la distribución previa sin información previa, muchos estadísticos han estudiado este problema y han propuesto muchos tipos de distribución previa sin información, por ejemplo, la hipótesis bayesiana. 4. Función de probabilidad 5. Cálculo de la distribución posterior (1) Forma de la función de densidad de la fórmula bayesiana (2) Forma discreta de la fórmula bayesiana La forma de la función de densidad y la forma discreta de la fórmula bayesiana se dan arriba, también Es decir, la fórmula de cálculo de la distribución posterior. La fórmula de cálculo más universal de la distribución posterior que además incluye variables de estado no observables y múltiples parámetros no se repetirá aquí. 6. La aplicación de estadísticas bayesianas en la determinación de los niveles de soporte y resistencia de Bitcoin (1) Preservación de datos alternativos de órdenes pendientes de gran valor Guardamos las órdenes pendientes preliminares de gran valor seleccionadas en la base de datos y tomamos un cierto intervalo de tiempo para calcular el último análisis estadístico de estos datos de órdenes pendientes a intervalos de tiempo. Las condiciones del filtro y el tamaño del intervalo de tiempo se determinan de acuerdo con un modelo específico, y no hay ninguna especificación especial aquí. (2) Distribuciones anteriores Tenemos tres distribuciones anteriores. La primera es la distribución uniforme, su variable aleatoria está representada por mu, el límite superior y el límite inferior de la distribución uniforme son el valor máximo y el valor mínimo de la gran orden pendiente guardada anteriormente, por lo que la probabilidad de tomar cualquiera de los valores es lo mismo De esta forma, cualquier valor en este intervalo tiene la misma oportunidad de ser seleccionado, lo que debilita la influencia de los factores subjetivos en el modelo. La segunda es la distribución seminormal, su variable aleatoria está representada por sigma y su desviación estándar se determina según un modelo específico y se puede ajustar según la situación real. La razón para usar una distribución seminormal es que estas grandes órdenes pendientes son todas positivas. La tercera es una distribución exponencial con una media más pequeña y su variable aleatoria está representada por nu. Este es también un previo muy débil. (3) Función de probabilidad Usamos la distribución t en lugar de la distribución normal para describir la función de probabilidad. Los tres parámetros de la distribución t: media, escala (similar a la desviación estándar) y grados de libertad son mu, sigma y nu, respectivamente. La distribución t se usa a menudo para estimar la media de una población distribuida normalmente, con una curtosis más baja que la distribución normal estándar y colas más gruesas que la distribución normal estándar. La distribución t no se agrupa alrededor de la media como lo hace la distribución gaussiana, espera ver datos en ambas direcciones lejos del centro de los datos, por lo que puede usarse para resolver valores atípicos. En nuestro modelo, las estimaciones de distribución t son más robustas en comparación con la distribución normal. Debido a limitaciones de espacio, no presentaremos la distribución marginal en detalle. (4) Análisis estadístico Tomando 2021.2.4 19:40 como ejemplo, ejecutamos el modelo 4 veces en paralelo y obtuvimos 4 trazas paralelas para el mismo parámetro. Figura 6 Efecto de convergencia De la figura anterior, podemos ver que los parámetros mu, sigma y nu en la distribución posterior han convergido. También utilizamos la prueba de Gelman-Rubin para juzgar la convergencia. La idea de esta prueba es comparar las diferencias entre diferentes trazas y las diferencias dentro de las trazas. Si el valor obtenido es inferior a 1.1, se pueden considerar los parámetros correspondientes. haber convergido. Después del cálculo, los valores de mu, sigma y nu bajo esta prueba son 1,02, 1,02 y 1,01 respectivamente, por lo que debe considerarse convergente. Obtenemos la estimación bayesiana de los parámetros de la distribución posterior de la siguiente manera: Figura 7 Estimación bayesiana de los parámetros de la distribución posterior Nos preocupa más el caso de mu. Observe la segunda línea, HDI es una probabilidad, formada al observar nuevos datos de la distribución posterior, el 97% de HDI da el valor más creíble de 97%, lo tomamos como el volumen de órdenes pendientes que debe satisfacer el soporte calificado/ Límite de nivel de resistencia, su valor es de 4.018 millones de dólares estadounidenses. Bajo esta limitación, se pueden obtener niveles de soporte y resistencia calificados: Figura 8 Los niveles de soporte y resistencia se muestran en la figura anterior. En este momento, no hay un nivel de soporte calificado, y hay 3 precios en 38000, 38500 y 38730 dólares estadounidenses nivel de resistencia respectivamente. Los niveles de resistencia que se desvían demasiado de los precios justos no se incluyen en el análisis. Según la experiencia, el límite inferior del nivel de soporte/resistencia en el período reciente varía entre US$2 millones y US$8 millones a medida que cambia el mercado. Dado que el spot no puede usar un alto apalancamiento como los futuros, la cantidad de órdenes pendientes dentro de este rango ya es relativamente grande. 3. Conclusión y discusión Este documento utiliza estadísticas bayesianas para determinar los niveles de soporte y resistencia de Bitcoin. El método de promedio simple y el método de promedio móvil también se pueden usar para tratar este problema, pero su adaptabilidad e "inteligencia" serán algo deficientes en comparación con el método utilizado en este documento; este problema se analiza, pero se compara con el modelo de este documento. papel, es simple, fácil de entender y conveniente de calcular, lo que tiene ciertas ventajas. Si las condiciones lo permiten, puede intentar usar este método como un indicador cuantitativo para ejecutar el programa comercial. Cabe señalar que el juicio del nivel de soporte y el nivel de resistencia generalmente solo es ligeramente efectivo en el comercio de mercados volátiles. En el comercio real, debe combinarse con otros indicadores para controlar los riesgos.

Tags：

USDT