بازارهای رمزنگاری ، در حالی که هنوز تنها بخشی از بازارهای مالی جهانی هستند ، در دو سال گذشته رشد واقعاً گسترده ای را نشان داده اند. سرمایه گذاری در ارزهای رمزپایه در بین سرمایه گذاران خرده فروشی در بسیاری از کشورها تا حدودی جریان اصلی شد. تعداد فزاینده ای از سرمایه گذاران نهادی نیز به Crypto می رسند ، تا اوراق بهادار خود را متنوع کنند و از بازده های سوداگری بالا بهره مند شوند.

در این زمینه ، دارایی های رمزنگاری می توانند در هنگام طراحی یک نمونه کارها با سایر کلاسهای دارایی مالی در نظر گرفته شوند. در اینجا ، من از ابزارهای علوم داده برای تجزیه و تحلیل عملکرد و کشف روابط بالقوه بین رمزنگاری و دارایی های مالی سنتی استفاده می کنم. در قسمت 1 ، من به بازده ، نوسانات و همبستگی ها نگاه می کنم. در قسمت 2 ، من برخی از مدل ها را با داده ها قرار می دهم.

انتخاب داده ها

به عنوان ورودی برای تجزیه و تحلیل ، من از داده های قیمت از Finance Yahoo برای دوره شروع از اول ژانویه 2020 تا زمان نوشتن استفاده می کنم. من بیت کوین (BTC-USD) و اتر اتریوم (ETH-USD) را انتخاب کرده ام تا بازارهای رمزنگاری را به عنوان بزرگترین دارایی های رمزنگاری شده توسط سرمایه تا به امروز نشان دهند.

من همچنین از شاخص های منتخب و ETF هایی که دارای ارزش سهام ، درآمد ثابت و بازارهای کالا هستند استفاده می کنم:

• S& P 500 (^GSPC) - شاخص بازار استاندارد و Poor 500 عملکرد 500 شرکت بزرگ را که در بازار ایالات متحده تجارت می کنند ، ردیابی می کند. معمولاً برای نشان دادن بازار کل سهام ایالات متحده و به عنوان معیار استراتژی های فعال سرمایه گذاری استفاده می شود.
• شاخص کامپوزیت SSE (000001. SS) عملکرد ردیابی شاخص بازار سهام است که در بورس سهام شانگهای معامله می شود. اکثر شرکت های موجود در این شاخص چینی هستند.
• نفت خام (CL = F) بزرگترین (و بسیار بی ثبات) کالایی است که معمولاً تحت تأثیر شوک های ژئوپلیتیکی ، اجتماعی و اقتصادی هم در طرف تقاضا و هم در عرضه قرار دارد.
• طلا (GC = F) کالای بزرگ دیگری است که به طور سنتی در زمان آشفتگی مالی به دنبال آن است.
• برای نشان دادن عملکرد بخش فناوری ، من فناوری اطلاعات Vanguard ETF (VGT) را انتخاب کرده ام. این شرکت شامل سهام در صنایع الکترونیک و رایانه و تولید کنندگان آخرین فناوری است. بیشتر ارزهای رمزنگاری شده بر روی فناوری blockchain ساخته شده اند که به نوبه خود به شدت به آخرین فناوری رایانه متکی است.
• بخش انرژی توسط صندوق شاخص انرژی Vanguard (VDE) ارائه شده است که شامل شرکت هایی در بخش های نفت ، گاز و زغال سنگ است.
• کلاس دارایی درآمدی ثابت با اوراق قرضه خزانه داری 20+ سال ETF (TLT) نشان داده شده است.
• من همچنین ETF VIP صنعت پرچین گلدمن ساکس (GVIP) را که عملکرد صندوق های تامینی را دنبال می کند، گنجانده ام. صندوق های پوشش ریسک عموماً استراتژی های معاملاتی فعال تر و سیاست های مدیریت ریسک پیچیده تر را نشان می دهند و سعی می کنند عملکرد بهتری از بازار داشته باشند. صندوق های تامینی جزو اولین بازیگران بازار مالی هستند که برای کسب مزیت های رقابتی به ارزهای دیجیتال روی می آورند.
• در نهایت، من ETFها را در صنعت بازی های ویدیویی و بخش امنیت سایبری - VanEck Vectors Video Gaming و eSports ETF (ESPO) و First Trust NASDAQ Cybersecurity ETF (CIBR) به ترتیب شامل می کنم. پیشرفت های این بخش ها تا حدودی با پیشرفت های فناوری های بلاک چین همسو هستند. بسیاری از شرکت ها در سال های اخیر رشد قابل توجهی را نشان داده اند.

این فهرست جامع نیست و به طور بالقوه می تواند دارایی ها، شاخص ها و ETF های بیشتری را شامل شود. انگیزه اصلی من پوشش دادن کلاس های دارایی اصلی و تلاش برای مشخص کردن بخش ها و دارایی های خاصی بود که ممکن است قوی ترین روابط را با بازارهای کریپتو داشته باشند.

کد پایتون

من از Pandas بسته Python استفاده می کنم، تابع DataReader که امکان استخراج داده ها از منابع مختلف اینترنتی، از جمله Yahoo Finance را فراهم می کند. من یک لیست از علامت های مربوط به داده های مورد نیاز ایجاد می کنم. بعد، من یک دیتافریم با قیمت های روزانه ایجاد می کنم. من از ستون «Adj Close» استفاده می کنم زیرا قیمتی است که برای تقسیم و تقسیم سود تنظیم شده است. برای استخراج بازده روزانه، درصد تغییر قیمت های روزانه را با استفاده از روش ()pct_change محاسبه می کنم.

ترسیم داده ها

تجسم ابزاری قدرتمند در تجزیه و تحلیل داده ها است. این به فرد امکان می دهد تا «احساس» داده ها را دریافت کند، متوجه شود که آیا به تغییراتی نیاز است یا خیر، و بهترین مدل ها را انتخاب کند.

رسم بازده روزانه منجر به یک طرح بسیار شلوغ می شود، بنابراین میانگین بازده روزانه را برای هر ماه ترسیم می کنم.

در اینجا، دو دوره از نوسانات شدید بازده برجسته است. در آوریل 2020، نوسانات شدید قیمت نفت با آغاز همه گیری کووید-19 و جنگ قیمت اوپک همزمان شد. شوک قیمت ناشی از مازاد عرضه و کاهش سریع تقاضا بود. قیمت قراردادهای آتی نفت آمریکا در واقع به مقادیر منفی کاهش یافت که پایین ترین رقم در تاریخ است.

شوک دوم در فوریه 2022 با درگیری در اوکراین آغاز می شود. جداسازی مشهود بازده طبقات مختلف دارایی، کاهش ارزش سهام و اوراق قرضه، و افزایش کالاها (به ویژه با جهش شدید نفت خام) که معمولاً با عدم قطعیت های ژئوپلیتیک مرتبط است، به وضوح قابل مشاهده است.

برای صاف کردن تأثیرات این شوک های قیمت ، بازده های میانه ماهانه را که نسبت به Outliers حساسیت کمتری دارند ترسیم می کنم. من همچنین جدول زمانی را تا 23 فوریه 2022 محدود می کنم. در حالی که رفتار رمزنگاری و دارایی های متعارف در زمان شوک های جهانی ژئوپلیتیکی موضوعی بسیار مرتبط و جالب است ، در اینجا سعی می کنم در طول این رمزنگاری و دارایی های سنتی را بررسی کنمزمان "عادی بودن" ژئوپلیتیکی درک شده. علاوه بر این ، دو "رژیم" متفاوت ممکن است مدل های خطی ساده را که سعی در کار با سری زمانی دارند اشتباه بگیرند.

نقطه بازده متوسط با نوسانات قابل توجه قیمت نفت در سال 2020 و همچنین نوسانات بالای بازده بیت کوین و اتریوم ، به ویژه در سال 2021.

کد پایتون

تبدیل داده های بازگشت روزانه به داده های ماهانه به راحتی با روش pandas resample () انجام می شود ، در این مورد عملکرد خلاصه مورد نیاز ، میانگین و متوسط را مشخص می کند.

برای ترسیم داده ها ، من از روش matplotlib. pyplot و طرح () استفاده می کنم.

بازگشت و نوسانات

بازده و نوسانات دارایی (ریسک) عوامل اصلی ساخت نمونه کارها هستند. بیشتر سرمایه گذاران می خواهند ضمن محدود کردن خطر ، بازده خود را به حداکثر برسانند.

بازده روزانه نقاط داده بیشتری را برای تجزیه و تحلیل داده ها فراهم می کند ، با این حال ، بازده سالانه معمولاً توسط سرمایه گذاران ترجیح داده می شود و مبنای بهتری برای مقایسه دارایی ها ارائه می دهد. برای بازده روزانه دارایی ها ، میانگین بازده را محاسبه می کنم و آنها را با 253 (میانگین تعداد روزهای معاملات در سال) ضرب می کنم.

اندازه گیری متداول نوسانات بازده ، یا خطر ، انحراف استاندارد است. انحراف استاندارد به عنوان یک ریشه مربع واریانس محاسبه می شود و از داشتن واحد اندازه گیری مشابه به عنوان میانگین مزیت برخوردار است.

با استفاده از انحراف استاندارد به عنوان معیار خطر ، می توانیم اقدامات عملکرد تنظیم شده با ریسک را محاسبه کنیم ، به عنوان مثال نسبت شارپ. نسبت شارپ به عنوان بازده سالانه تقسیم شده توسط انحراف استاندارد محاسبه می شود. گفته می شود که دارایی با نسبت شارپ بالاتر عملکردی با ریسک بهتر دارد. توجه داشته باشید که نسبت شارپ هر دو انحراف مثبت و منفی را مجازات می کند در حالی که فقط موارد منفی برای سرمایه گذاران واقعاً نامطلوب هستند. با این وجود ، این یک اقدام گسترده در تجزیه و تحلیل سرمایه گذاری به دلیل سادگی و تفسیر شهودی آن است.

در طول دوره مورد تجزیه و تحلیل ، بیت کوین و اتریوم به طور قابل توجهی از دارایی های معمولی بر اساس نسبت شارپ آنها بهتر عمل کردند. بهترین مجریان در بین دارایی های مالی سنتی در این تجزیه و تحلیل ، بازی های ویدئویی ، امنیت سایبری و سهام بخش فناوری بودند که با اتخاذ اقدامات COVID "در خانه" کمک می کردند.

کد پایتون

محاسبه میانگین بازده و انحراف استاندارد یک کار ساده با روش های مربوط به پانداس است. نسبت های شارپ را می توان مستقیماً محاسبه کرد.

به دنبال همبستگی

همبستگی پایه و اساس تنوع نمونه کارها است. به طور خلاصه ، متنوع ترین نمونه کارها نمونه کارها دارایی های غیر مرتبط است. دارایی های بسیار همبسته تمایل دارند در همان جهت یا مخالف حرکت کنند. به عنوان مثال ، اگر کسی بالا برود ، دیگری نیز به احتمال زیاد رشد می کند ، یا اگر کسی بالا برود ، دیگری سقوط می کند.

همبستگی معمولاً با ضریب همبستگی اندازه گیری می شود که می تواند مقادیر ضریب همبستگی نزدیک به 1 نقطه را در دارایی های مثبت همبسته (بازده تمایل به حرکت در همان جهت) ، ب ه-1 -همبستگی منفی (بازده تمایل به همبستگی (بازده تمایل به حرکت در همان جهت) داشته باشد. در جهت های مخالف حرکت کنید) ، به 0 - دارایی های نامربوط.

روش مناسب برای تجسم همبستگی ، نقشه گرما است.

تجزیه و تحلیل بصری از نقطه گرمازدایی همبستگی در برخی از مشاهدات قابل توجه:

• دو نماینده بازارهای رمزنگاری - بیت کوین و اتر - بسیار مثبت هستند ، که می توان انتظار داشت. دارایی های متعارف که بیشتر با دارایی های رمزنگاری ارتباط دارند شامل فناوری ، صندوق های تامینی ، بازی های ویدیویی و امنیت سایبری است.
• یکی دیگر از "خوشه های" بسیار همبسته شامل فناوری ، بازی های ویدئویی ، بخش های امنیت سایبری ، صندوق های تامینی و SP500 است. سه بخش شامل از طریق طرف تقاضا از نزدیک مرتبط هستند. همبستگی زیاد با صندوق های تامینی ممکن است با سرمایه گذاری سنگین از دومی در این بخش ها توضیح داده شود ، و SP500 توسط شرکت های فناوری تا حد زیادی هدایت می شود. نکته قابل توجه ، همبستگی این بخش ها با کامپوزیت SSE بسیار پایین تر است.
• اوراق قرضه خزانه داری بیشتر با سایر دارایی ها به جز طلا ارتباط منفی دارد.

توطئه های پراکندگی یکی دیگر از ابزارهای مشترک برای تجسم همبستگی بین متغیرها است. آنها برای تشخیص روابط خطی احتمالی استفاده می شوند. در اینجا ، من از بیت کوین به عنوان یکی از متغیرها در هر طرح پراکندگی استفاده می کنم.

توطئه های پراکندگی به وجود رابطه خطی بین بیت کوین و اتر اشاره می کنند. جالب اینجاست که به نظر می رسد این همبستگی در منطقه بازده منفی بیشتر است ، که به سمت همبستگی ، یعنی همبستگی بالاتر در سناریوهای دم نسبت به شرایط عادی بازار نشان می دهد.

علاوه بر این ، روابط ممکن می تواند بین صندوق های بیت کوین و پرچین ، بازی های بیت کوین و ویدیویی و بیت کوین و فناوری مشکوک باشد. طرح پراکندگی "بیت کوین و بیت کوین" 2 دارایی با ضریب همبستگی 1 را نشان می دهد.

کد پایتون

ماتریس همبستگی را می توان در پایتون با استفاده از روش Pandas Corr () محاسبه کرد. با استفاده از عملکرد گرمازا () بسته بندی Seabo می توان نقشه گرما را ترسیم کرد.

توطئه های پراکندگی با استفاده از تابع Subplots () و روش پراکندگی () matplotlib. pyplot ساخته شده اند.< Pan> توطئه های پراکندگی به وجود رابطه خطی بین بیت کوین و اتر اشاره می کنند. جالب اینجاست که به نظر می رسد این همبستگی در منطقه بازده منفی بیشتر است ، که به سمت همبستگی ، یعنی همبستگی بالاتر در سناریوهای دم نسبت به شرایط عادی بازار نشان می دهد.