Один большой или много маленьких: о связи цен биткойна и альткойнов. Корреляция криптовалют


Корреляция криптовалют. Метод определения

Криптовалюты представлены огромным числом цифровых валют, которые имеют между собой как схожести, так и кардинально отличаются друг от друга. Тем не менее, огромный ажиотаж, который вызванный повседневным внедрением новых электронных денег во все сферы экономики, а особенно банковский сектор привел к огромному спросу, а как следствию к неимоверным темпам роста курса.

Сейчас же не только дальновидные инвесторы активно инвестируют в эту сферу, но и простые граждане, которые могут ежедневно наблюдать, что Биткоин обновил очередной максимум и опять вырос в цене.

Однако инвестирование довольно сложная наука, поэтому очень важно составить свой портфель таким образом, чтобы в случае внезапных изменений рынка не потерять все накопленное непосильным трудом.

Одним из таких факторов влияющих на стабильность и устойчивость инвестиционного портфеля является именно корреляция, а в  этой статье вы узнаете насколько криптовалюты коррелируют между собой.

Метод определения корреляции. Сводная информация по основным криптовалютам

Корреляция криптовалют имеет огромнейшее значение при составлении инвестиционного портфеля. Под определением корреляции подразумевают идентичность движения цены абсолютно разных торговых активов.

Стоит заметить, что корреляция измеряется с помощью коэффициента, причем  активы могут двигаться как идентично, так абсолютно противоположно либо вовсе будет отсутствовать взаимосвязь.

Если говорить о проблематике создания инвестиционного портфеля на базе криптовалют, можно отметить тот факт что все цифровые валюты относятся к одной отрасли, поэтому влияние общеотраслевых новостей, к примеру, проблемы работы с биржей, могут обрушить курс одновременно по всем криптовалютам.

Именно поэтому очень важно сбалансировать портфель таким образом, чтобы в случае сильных воздействий на рынок инвестор мог минимизировать свои потери.

А для этого вам понадобится подобрать активы таким образом, чтобы прямая взаимосвязь между их движением была минимальна.

Для определения корреляции существуют как математические подходы, на основе долгого просчета и трехэтажных формул, так и уже готовые решения в виде специальных индикаторов.

В этой статье мы предлагаем вам воспользоваться индикатором iCorrelationTable, который позволяет вычислить коэффициент корреляции не только между криптовалютами, но и между валютными парами, индексами и даже акциями.

После того как вы скачаете индикатор в конце статьи сбросьте его в папку Indicators внутри вашего каталога данных.

После нанесения индикатора на график перед вами появится таблица валют, которую необходимо дополнить криптовалютами путем перетаскивания их названия внутрь таблицы.

 Коэффициент корреляции измеряется от +1 до -1. Единица указывает на полное совпадение движения цены, в то время как -1 указывает о полной противоположности движения активов (если один растет, то второй в этот момент падает).

Так, если опираться на данные таблицы сформированной индикатором iCorrelationTable, можно увидеть что валютная пара Биткоин/Доллар имеет коэффициент корреляции +0.93 с парой  Эфириум/Доллар, а также 0.82 с парой Дэш/Доллар.

Такая высокая корреляция указывает нам на то, что при росте или падении биткоина дэш, а также эфириум повторят динамику движения цены биткоина. Именно поэтому в процессе торговле дэша и эфириума, биткоин может выступать в качестве индикатора будущего изменения цены по этим активам.

Если говорить о нейтральных криптовалютах, которые практически не коррелируют между собой можно выделить связку Рипл/Доллар и Биткоин/Доллар. Коэффициент их корреляции составляет всего 0.1, что указывает нам на полное отсутствие взаимосвязи.  

Также взаимосвязь отсутствует между Монеро/Доллар и Эфириум классик/Доллар, в виду того что коэффициент корреляции составляет всего 0.02. Нейтрально относительно друг друга движется Дэш/Доллар и Эфириум классик/Доллар, в виду того что их коэффициент составляет -0.05.

В заключение хотелось бы отметить, что корреляция криптовалют может быть не только интересна инвесторам с целью хеджирования рисков, но и трейдерам, которые хотят выстроить свои форекс стратегии.  

Скачать индикатор корреляции iCorrelationTable

  • < Назад
  • Вперёд >

time-forex.com

Диверсификация инвестиционного портфеля криптовалют с низкой корреляцией

Диверсификация криптопортфолио с низким коэффициентом корреляции

Криптоэкономика позволила вывести немало валют и покрыть различные рынки, удовлетворяя самые разные потребности. Помимо спекулятивного интереса, который стоит за поддержкой многих токенов криптовалюты, есть все же несколько монет, которые имеют за собой реальные услуги, которые основывают, по крайней мере, часть их стоимости. Это означало бы, что постепенно движения цен будут зависеть от все большего количества факторов, помимо рыночных спекуляций.

Коэффициент корреляции портфеля

Корреляция в активах — это степень, в которой они движутся по отношению друг к другу. Положительная корреляция между двумя криптовалютами означала бы,  что движение цены одного не будет идти в одиночку, то есть — обе монеты одновременно растут или одновременно снижаются. Степень, в которой эти ценовые движения будут одинаковыми, определяет уровень корреляции, при этом отрицательная корреляция между двумя активами означает, что их цены движутся в противоположных направлениях.

Принято такое деление коэффициента корреляции портфеля:

  • 1 максимум
  • 0,8 высокая положительная
  • 0,3 низкая положительная
  • 0 отсутствие корреляции
  • -0,3 низкая отрицательная
  • -0,8 высокая отрицательная
  • -1 максимум отрицательной

Это применимо и к рынку криптовалют. Также есть редкие случаи, когда ценовые движения определенных активов, по-видимому, не коррелируются, и именно тогда корреляция низка. Вам, как владельцу инвестиционного портфеля, будет выгодно собирать наборы активов, которые имеют низкую или, возможно, отрицательную корреляцию.

ПРИМЕР ИЗ ЖИЗНИ: отрицательная корреляция — цена нефти и доллара (одна падает, второй растет), положительная — рубль и нефть, природный газ и нефть (вторая пара всегда колеблется вместе).

Проблема в том, что это особенно сложно наблюдать на биржах криптовалют, потому что все монеты торгуются в одной и той же экономике и людьми с примерно аналогичными интересами. Тем не менее, разница в технологии, которая лежит в основе криптовалюты, делает возможным неидеинтичное изменение и корреляцию.

Почему это нужно? Если одна валюта просела, то вторая поднялась примерно на столько же. В сумме инвестиционный портфель не потерпел убытков. Ведь нам важна цена не каждого актива в отдельности, а что они дают в целом. Это снижает риск портфеля.

Диверсификация криптопортфолио с низким коэффициентом корреляции

Последние месяцы на рынках криптовалют

Стоит отметить, что положительная корреляции портфеля может помочь максимизировать прибыль в периоды быстрой бычьей продажи. Этот менталитет, вероятно, способствовал росту среднесрочной корреляции между всеми валютами, но это может вскоре измениться.

Поскольку биткоин, лидер рынка, начинает сталкиваться с трудностями, превосходящими сопротивление, риск начинает учитываться все больше. Теперь, при условии, что высокая корреляция также максимизирует риск, было бы нецелесообразно собирать в портфели с высоким риском, тогда как диверсификация активов может помочь уменьшить его.

Вопрос — какие из пар имеют низкую корреляцию? Чтобы прийти к ответу, нужно проанализировать прошлые данные для пар криптовалют. К счастью, некоторые аналитики данных в sifrdata предоставляют пользователям скользящий 90-дневный анализ прошлых данных для пар популярных криптовалют. Эта раскладка указывает на то, как корреляция между всеми этими парами изменилась за последние несколько месяцев.

Корреляция криптовалют за последние 90 днейКорреляция криптовалют за последние 90 дней (обновлено 27 мая)

Есть несколько вещей, полезных для владельца криптопортфолио, который работает над диверсификацией активов:

  • XRP / BTC продолжают поддерживать особенно низкую корреляцию.
  • Корреляция между ETC / ETH и XMR остается ниже среднего значения, тогда как один из XRP / ETC является самым низким из всех.
  • Высокая корреляция между анонимными монетами (XMR, DASH) и BTC, а также между ними является самой высокой из всех.

В целом, посмотрите на график, чтобы определить самые удачные пары для себя.

Учтите, что это матрица за последние 90 дней. Сейчас ситуация продолжает меняться, и особенно важно (в момент завершения бычьего ралли) минимизировать риски.

crypto-fox.ru

Корреляция цен криптовалют, связь цены биткоина и альткоинов

Создание диверсифицированного инвестиционного портфеля является одним из главных условий успешной работы на бирже как фондовой, так и криптовалютной. Смысл диверсификации активов заключается в снижении общего риска. Поскольку биржевые цены постоянно колеблются, снижение цен на одни активы может быть компенсировано повышением на другие. Чем больше корреляция криптовалют, тем меньше цены на активы в портфеле должны влиять друг на друга. Только в этом случае общая стоимость всего портфеля не пострадает при резких падениях и взлетах, которыми так знаменит криптовалютный рынок. Вот почему так важно знать, как связаны цены криптовалют и связаны ли вообще.

Связь цен биткойна и альткойнов

О коэффициенте корреляции

Общепринятым показателем, измеряющим связь цен криптовалют, является коэффициент корреляции, величина которого находится в пределах от -1 до +1. Его нулевое значение говорит об отсутствии связи, отрицательное — о движении в противоположном направлении, положительное — о движении в одном направлении. Применительно к ценам это выглядит следующим образом:

  1. Корреляция близка к 1 – цены на активы ведут себя одинаково. При росте цен одного актива растут цены другого.
  2. Корреляция близка к -1 – цены меняются в противоположном направлении. Если цены на один актив растут, то на другой – падают.
  3. Корреляция близка или равна 0 – цены на активы не связаны.

Предположим, в вашем портфеле два актива А и Б. Если 10-процентный рост цены актива А будет сопровождаться таким же падением цены актива Б, то цены этих активов продемонстрируют абсолютную отрицательную корреляцию. Это и есть главный смысл их совместного включения в портфель. В реальной жизни такие удачи случаются довольно редко. Однако трейдеры стараются подобрать активы, обладающие достаточно большой отрицательной корреляцией — например, около -0,5. Даже в этом случае снижение риска будет значительным.

Зависимость значения коэффициента корреляции активов и влияния диверсификации на снижение риска портфеля:

  • +1 — риск портфеля не снижается;
  • +0,5 — среднее снижение;
  • 0 — существенное снижение;
  • -0,5 — большая часть риска исчезает;
  • -1 — практически полное исчезновение риска.

Матричный анализ

До осени прошлого года весьма распространенным было мнение о разнонаправленных движениях цен биткойна и альткойнов. Однако после глубокого падения цен на биткойн аналитики стали реже упоминать об этой связи. Как связаны цены криптовалют сегодня? Разобраться в этом поможет анализ матрицы коэффициентов корреляции цен основных криптовалют, регулярно публикуемый на портале Sifrdata.com.

Связь цен биткойна и альткойнов

Матрица коэффициентов корреляции основных криптовалют за 90 дней. Данные на 12 марта 2018, источник: https://www.sifrdata.com

Выводы сделать несложно:

1. Связь между ценами на биткойн и большинство других криптовалют (кроме Ripple) имеет прямой характер и находится выше среднего уровня.

Это означает, что при росте цен на биткойн цены на альткойны также растут, и наоборот. Наиболее зависимыми от цен на биткойн являются цены на Litecoin (0,84), DASH (0,82) и Monero (0,84). Цены на ETH также тесно связаны с ценами на биткойн, однако степень этой взаимосвязи ниже — 0,77. При изменении цены биткойна на 1 пункт цены этих валют меняются в том же направлении не менее чем на 0,8 пункта.

На практике:

  • при росте цены биткойна цены на эти валюты растут в большей степени, чем другие.

Лайткойн, который часто называют «цифровым серебром» по аналогии с «цифровым золотом» биткойна, традиционно повторяет ценовые движения биткойна. Коэффициент их ценовой корреляции никогда не опускался ниже 0,8, а в 2013 доходил и до 0,95.

Однако и здесь были свои исключения. Например, в конце 2017 лайткойн не поддержал стремительный рост биткойна. Цены эфира в середине 2017 двигались в противоположном направлении и порой вовсе не были связаны с ценами биткойна. Эксперты объясняли эти колебания принципиальными технологическими различиями двух платформ.

Нынешняя тесная взаимосвязь вызвана, очевидно, общим интересом публики к криптовалютам и признанием важного места эфира в общей криптовалютной корзине. Такую же, как и в случае с эфиром, динамику коэффициента корреляции с биткойном демонстрирует в последние три месяца и монеро. С апреля 2015 по июнь 2017 его связь с биткойном не превышала 0,2. Стремительный рост начал наблюдаться во второй половине 2017 и продолжается до сих пор, достигнув рекордного для остальных криптовалют значения 0,84.

  • При падении цены биткойна цены на наиболее связанные с ним валюты пострадают в наибольшей степени.

При этом наблюдаемые ранее тенденции роста цен альткойнов при стагнации или падении биткойна вряд ли повторятся. Как полагают эксперты, деньги в этом случае, скорее всего, будут перетекать в фиат, а не в другие криптовалюты.

2. Наименьшую степень прямой зависимости демонстрируют валюты Ripple (0,45) и NXT (0,52).

Изменения их цен лишь на 50% и менее могут связывать с изменениями цены биткойна. Подобную ситуацию часто объясняют и принципиальными отличиями между платформами и организационными структурами этих валют, в большей степени зависящими от официальных институтов, нежели от событий, происходящих внутри их экосистем. Так, недавние колебания цен XRP во многом вызваны не движениями цен биткойна, а негативными и позитивными новостями, связанными с адаптацией Ripple в институциональной финансовой системе.

Связь цен биткойна и альткойнов

Так, проанализировав матрицу корреляции цен, можно увидеть, что в последние три месяца демонстрируется тесная связь основных криптовалют и биткойна. По сравнению с прошлым годом, когда падение биткойна часто вызывало рост цен на некоторые альткойны, и наоборот, ситуация кардинально изменилась. Похоже, что альткойны перестали служить альтернативой биткойну.

Причины смены характера взаимосвязи между основными криптовалютами и биткойном могут быть следующие:

1. После резкого падения конца 2017 биткойн снова начал расти, тем самым доказав свою устойчивость и подтвердив свое право называться лидером в группе криптовалютных активов.

Неизвестно, как надолго, но снова возвращаются времена, когда альткойны следовали за биткойном как за «золотым» стандартом. К сожалению, это приводит к тому, что только биткойн может служить средством долгосрочных инвестиций, в то время как альткойны — лишь краткосрочных. Единственным отличием сегодняшней ситуации от прошлой является продолжающаяся ротация альткойнов. В период активизации этого процесса на альткойнах можно хорошо заработать, поскольку их цены увеличивают волатильность. Так было, например, в конце 2017, начале 2018, когда при стагнирующем биткойне цены на другие криптовалюты колебались заметно сильнее.

2. Движение цен на альткойны не повторяет движение цены на биткойн буквально.

Падения цен на альткойны глубже, а рост — ниже. Это значит, что при резких падениях альткойны восстанавливаются гораздо медленнее, поэтому биткойн при росте всегда их опережает, как это случилось, например, после осеннего краха биткойна 2017 года. Рухнувшие с биткойном лайткойн и эфир до сих пор демонстрируют весьма вялую динамику роста. Если эта тенденция продолжится, то биткойн безнадежно обгонит другие валюты и вкладываться в них станет совершенно бессмысленно. Остается надеяться, что в какой-то момент люди осознают собственную ценность других криптовалют и перестанут рассматривать их аналогом биткойна. Если альткойны не смогут существовать на рынке самостоятельно, они с большой вероятностью перестанут привлекать среднесрочные и долгосрочные инвестиции.

3. Все криптовалюты воспринимаются большинством инвесторов как единый инновационный массив активов.

Криптовалюты — довольно изолированная система, ценовое движение которой базируется на результатах технического, а не фундаментального анализа. Большая часть колебаний вызвана тем, что инвесторы просто меняют одну валюту на другую, стараясь нарастить свои запасы биткойнов (иногда эфира) и потом поменять их на фиатные деньги. На рынке редко кто думает о фундаментальном анализе каждой из них: целях, шифровании, скорости, особенностях «белой книги». Трейдеры и боты уделяют главное внимание ценовым трендам и прибыли. А с этой точки зрения биткойн обладает большим количеством неоспоримых преимуществ — огромным объемом капитализации, высоким оборотом, развитой торговой сетью и способностью восстанавливаться.

Связь цен биткойна и альткойнов

Биткойн во многих отношениях по-прежнему остается центром криптопространства. В долгосрочной перспективе эта ситуация вряд ли изменится. Это означает, что диверсификация долгосрочного и среднесрочного инвестиционного портфеля за счет покупки других основных криптовалют стала менее эффективной. Однако у тех, кто хочет заниматься краткосрочным трейдингом, всегда есть место для маневра, поскольку при общем повторении движения цен биткойна внутри альткойнов существует собственная динамика, поняв которую можно неплохо заработать.

bitcryptonews.ru

Корреляция криптовалют или сколько монет следует за рынком

С 10 июня на крипторынке было отмечено стремительное снижение капитализации сегмента, при этом большая часть криптовалют с тех пор находилась в красном. Более того, до 28 июня графики многих монет повторяли практически идентичное друг другу движение вниз. В связи с чем Энтони Се, крипто-предприниматель и основатель платформы hodlbot.io, разобрался в степени взаимосвязи криптовалют и общего рынка и узнал, есть ли на нем монеты, способные противостоять массовой ценовой конъюнктуре рынка. 

Чтобы разобраться в ценовом движении криптовалют и их взаимосвязи, в первую очередь необходимо получить данные об их котировках за прошедшие периоды. Так, благодаря Coinmarketcap (CMC), Се смог собрать информацию о движении цен криптовалют за последние два года — в период с 22 июня 2016 года по 20 июня 2018. При этом данные торговых площадок не учитывались, поскольку на них одни и те же монеты в один и тот же период могут оцениваться по-разному. В отличие от них, CMC берет среднюю цену криптовалют, собранную со всех площадок.

Чтобы получить данные за выбранный промежуток времени, Се использовал так называемые исторические снапшоты (снимки состояния рынка в определенный момент времени), которые предоставили информацию по общей рыночной капитализации и по отдельным монетам. В анализ также вошли ТОП-200 криптовалют по размеру их рыночной капитализации, находящиеся на рынке более 120 дней.

Эта информация использовалась для того, чтобы найти ответы на следующие вопросы:

  • Сколько монет имеют высокую корреляцию с общим рынком?
  • Сколько монет имеют высокую корреляцию с биткоином?
  • Какие монеты наименее зависимы от общего рынка?
  • Какие монеты наименее зависимы от цены биткоина?
  • Какова степень корреляции с ТОП-20 монетами?

Сколько монет имеют высокую корреляцию с общим рынком?

На примере биткоина рассмотрим корреляцию между рынком и BTC. Для этого в первую очередь необходимо вычесть капитализацию биткоина из общей рыночной капитализации рынка, чтобы избежать двойного счета.

Остальная рыночная капитализация = Общая рыночная капитализация — Индивидуальная рыночная капитализация монеты

Имея эти вводные данные для общего рынка и отдельной рыночной капитализации биткоина, Се применил коэффициент корреляции Пирсона, используемый в статистике для вычисления линейной зависимости между двумя величинами. Данный коэффициент измеряется в пределах от минус единицы до плюс единицы, где +1 означает, что пара всегда будет двигаться в одном направлении, а -1 — в противоположном. При этом 0 означает, что между двумя величинами нет линейной зависимости. Так, коэффициент корреляции биткоина и общего рынка равен 0.92.

Далее необходимо повторить вычисления для остальных 200 монет, чтобы спроектировать диаграмму полученных статистических данных и плотность распределения всех коэффициентов корреляции.

Нижняя часть диаграммы, располагающаяся под линией функции плотности, представляет собой вероятность получения значения между диапазоном значений х. Если ширина определенного значения мала, то его длина может быть выше 1 и при этом не нарушать никаких правил допустимости.

При взгляде на диаграмму очевидно, что большая часть монет из ТОП-200 имеют высокую корреляцию с рынком:

  • 75% имеют коэффициент корреляции в 0.67 и выше;
  • 50% имеют коэффициент корреляции в 0.80 и выше.

Эти значения указывают на то, что когда на рынке отмечен рост, то и большинство монет будут расти, и, соответственно, при обвале рынка упадут и котировки большей части криптовалют.

Сколько монет имеют высокую корреляцию с биткоином?

Биткоин до сих пор занимает лидирующую позицию на рынке, несмотря на то, что на его место уже претендуют несколько сильных участников. Рассмотрим, насколько высока корреляция между котировками цен монет из списка ТОП-200 и первой криптовалютой мира. На примере эфира применим те же вычисления, что и с общим рынком криптовалют:

Корреляция рыночной капитализации между BTC и ETH

После того как мы получили данные о рыночной капитализации для обеих криптовалют за нужный нам период, мы можем вычислить коэффициент корреляции между ними.

Коэффициент корреляции между BTC и ETH равен 0.87

Далее необходимо провести вычисления для остальных монет из списка, чтобы спроектировать еще одну диаграмму:

Как и в предыдущем анализе, очевидно, что корреляция между ценами большинства криптовалют и биткоина высока:

  • 75% имеют коэффициент корреляции в 0.44 и выше;
  • 50% имеют коэффициент корреляции в 0.67 и выше.

Однако корреляция между криптовалютами из списка ТОП-200 и биткоином намного слабее, чем между ними и общим рынком. При этом мнение, что если доминирующее положение биткоина ослабится, то ослабится и его корреляция с общим рынком, ошибочно. Когда в начале 2017 года биткоин, рассматриваемый как процент от общей рыночной капитализации, обвалился, то его корреляция с общим рынком не снизилась.

Какие монеты наименее зависимы от общего рынка?

Чтобы ответить на этот вопрос, необходимо просто упорядочить полученные данные о корреляции из предыдущих вычислений в убывающем порядке.

ТОП-20 монет с наименьшей корреляцией с общим рынком

Так, видно, что на рынке представлено небольшое количество монет, которые имеют низкую корреляцию с общим крипторынком. Неудивительно, что в списке также присутствует такая монета, как Dai, которая считается стейблкоином. При этом в данный список не попал такой стейблкоин, как Tether, из-за того, что Се рассматривал корреляцию между рыночной капитализацией, которая у данной криптовалюты постоянно растет, поскольку на рынок периодически выходит большое количество монет Tether.

Какие монеты наименее зависимы от цены биткоина?

Список ТОП-20 монет с наименьшей корреляцией с BTC

Сегодня на рынке не так много криптовалют, которые имеют отрицательный коэффициент корреляции с первой криптовалютой мира. Однако стоит отметить, что биткоин кэш и другие форки биткоина, что удивительно, находятся не так уж высоко в этом списке.

Какова степень корреляции с ТОП-20 монетами?

Американский экономист Гарри Макс Марковиц, считающийся отцом-основателем современной портфельной теории, полагал, что самый важный аспект в оценке риска актива — это его вклад в общий риск для портфеля. Это означает, что, включая в портфель активы с низкой или негативной корреляцией, можно снизить общее колебание их цен и тем самым получить минимальный риск для всего портфеля.

Так, среди списка ТОП-20 криптовалют по рыночной капитализации присутствуют примеры пар с низкой корреляцией — BTC и Vechain, Dash и Vechain, Ethereum-Classic и NEM. Комбинация таких криптовалют может продемонстрировать, почему диверсификация портфеля значительно минимизирует риски для инвестора.

Ограничения коэффициента корреляции Пирсона

Коэффициент корреляции Пирсона предполагает наличие линейной зависимости между двумя величинами, которые достаточно легко смоделировать. Однако в некоторых случаях зависимость между двумя активами не является линейной, и она может быть полиномиальной или, например, экспоненциальной. В данных случаях коэффициент корреляции Пирсона во многом упрощает зависимость, тем самым не отображая реальные данные.

Более того, корреляция меняется со временем. Коэффициент корреляции Пирсона выдает одно значение на весь временной промежуток, который не включает в себя произошедшие изменения.

Так, на примере биткоина и его корреляции с биткоин кэшем видно, насколько сильно может измениться коэффициент. Также стоит иметь в виду, что если некие активы имели высокую корреляцию в прошлом, то это не гарантирует того, что в будущем они будут иметь тот же коэффициент.

Другими словами, для такой столь молодой и волатильной индустрии, как крипторынок, невозможно спрогнозировать будущие показатели, основываясь только на прошлых данных. Однако из полученной информации можно сделать интересные выводы об их взаимосвязи.

Будь в курсе! Подписывайся на Криптовалюта.Tech в Telegram. Обсудить актуальные новости и события на Форуме

cryptocurrency.tech

Корреляция криптовалют между собой.

Корреляцией в трейдинге называют явление, когда один актив копирует поведение второго. Всегда присутствует определенный допуск, измеряемый в процентах. Однако основным признаком наличия корреляции является копирование глобального тренда. Например, легендарный обвал Bitcoin в конце 2017 года привел к существенному падению объемов капитализации всех остальных криптовалют, что происходило практически одновременно.

Главным фаворитом крипторынка является биткоин. Поэтому он задает главный тренд. Если его цена снижается, это неизбежно отражается на курсе Ethereum, Ripple, Litecoin и других активах. В данной статье мы проведем обзор самого явления корреляции, а также рассмотрим, что это означает с точки зрения трейдинга.

Что такое корреляция?

Определение термина приводилось выше. Поэтому сразу перейдем сути явления. Итак, на снимке ниже приведены графики курса двух популярных криптовалют — биткоина и эфириума. Срок 6 месяцев.

Достаточно одного взгляда на графики, чтобы заметить, что Ethereum, в целом, повторяет поведение Bitcoin. Длительный умеренно волатильный восходящий тренд. После чего резкий ценовой скачок, за которым следует постепенное снижение курса с периодическими периодами коррекции цены в рамках сформированного канала нисходящего тренда.

Как видно на графике, курс эфириума отстает от биткоина приблизительно на один месяц. Если пиковое значение BTC приходится на середину декабря, то ETH обновил исторический максимум приблизительно через месяц, в середине января 2018. Рассмотренный нами практический пример наглядно демонстрирует наличие корреляции среди различных криптовалют. Но вместе с тем налицо присутствие определенных нюансов, например, задержки на месяц.

Как коррелируют между собой криптовалюты

⦁ Bitcoin и Litecoin. Данные криптовалюты имеют схожее даже название. Это же касается и механизма ценообразования. Дело в том, что LTC работает по тем же принципам, что и BTC. Данный проект позиционируется его создателями как усовершенствованный вариант биткоина, лишенный ряда его минусов. В большинстве случае эти две криптовалюты коррелируют между собой с высокой точностью. Однако бывают редкие исключения. Например, в ожидании решения Комиссии по ценным бумагам и биржам (SEC) котировки двинулись в противоположных направлениях.⦁ Bitcoin и Ethereum. Данное сочетание уже рассматривалось выше на практическом примере сравнения двух графиков. Для завершения картины стоит добавить немного конкретики и цифр. На краткосрочных интервалах графика волатильность данных активов находится на высоких уровнях — около 0,7–0,9. Однако с увеличением периода данный показатель падает. Тут стоит отметить наличие месячной задержки. А при измерении корреляции учитываются колебания цен, происходящие в одно время.⦁ Bitcoin и Ripple. Определенно присутствует корреляция, т.к. глобальные тренды биткоина повторяются всеми криптовалютами. Однако Ripple реагирует на изменения ситуации на рынке более спокойным образом. Это наглядно демонстрирует представленные ниже снимок. Видно, что Bitcoin делает более резкие ценовые скачки.

Значение корреляции для трейдеров

Главной криптовалютой является биткоин. Поэтому понимание принципов, по которым остальные активы копируют его поведение, позволяет спрогнозировать характер поведения цены. Например, в случае с Ethereum можно отметить некоторую задержку. На практике это означает, что после резкого ценового скачка BTC следует ждать аналогичной реакции со стороны ETH. А наличие небольшого временного промежутка в данном случае идет на пользу трейдерам.

При торговле на срочных рынках наличие корреляции не играет ключевой роли. На малых временных интервалах (5–60 секунд) криптовалютные активы ведут себя достаточно хаотичным образом. Однако даже на таких таймфреймах свечи и бары формируются согласно имеющимся закономерностям, на которых построен технический анализ графиков.

Если оценить ситуацию с точки зрения трейдеров, то идеальный торговый актив тот, ценообразование по которому проводится наиболее предсказуемым образом. Например, когда формирование разворотных свечных паттернов более чем в 80% случаев приводит к реальной смене направления тренда.

Компания Binomo на собственной торговой платформе добавила актив, который отвечает данным требованиям. Это криптоиндекс. Его курс определяется путем усреднения значений капитализации 4-х криптовалют и ICO. В результате на график выводятся только значимые ценовые тенденции, а резкие скачки, разрывы между элементами, задержки обновления котировок и прочий «шум» фильтруется. CRYPTO IDX в отличие от обычных валют не реагирует на выход новостей абсолютно непредсказуемым поведением, он всегда стабилен, независимо от времени суток и состояния рынка.

Начать зарабатывать

tradergroup.ru

Работа с Anaconda на примере поиска корреляции курсов криптовалют / Хабр

Цель этой статьи — предоставить легкое введение в анализ данных с использованием Anaconda. Мы пройдем через написание простого скрипта Python для извлечения, анализа и визуализации данных по различным криптовалютам.

Шаг 1 — Настройка рабочей среды.
Единственные навыки, которые вам понадобятся, это базовое понимание Python.

Шаг 1.1 — Установка Anaconda

Дистрибутив Anaconda можно скачать на официальном сайте. Установка проходит в стандартном Step-by-Step режиме.

Шаг 1.2 — Настройка рабочей среды проекта

После того, как Anaconda будет установлена, нужно создать и активировать новую среду для организации наших зависимостей.

Зачем использовать среды? Если вы планируете разрабатывать несколько проектов Python на своем компьютере, полезно хранить зависимости (программные библиотеки и пакеты) отдельно, чтобы избежать конфликтов. Anaconda создаст специальный каталог среды для зависимостей каждого проекта, чтобы все было организовано и разделено.

Сделать это можно либо через командную строку

conda create --name cryptocurrency-analysis python=3.6 source activate cryptocurrency-analysis (Linux/macOS)

или

activate cryptocurrency-analysis (Windows)

либо через Anaconda Navigator

В данном случае среда активируется автоматически

Затем необходимо установить необходимые зависимости NumPy, Pandas, nb_conda, Jupiter, Plotly, Quandl.

conda install numpy pandas nb_conda jupyter plotly quandl либо через Anaconda Navigator, поочередно каждый пакет

Это может занять несколько минут.

Шаг 1.3 — Запуск Jupyter Notebook

Так же существует вариант через командную строку jupyter notebook и откройте браузер на http://localhost:8888/

и через Anaconda Navigator

Шаг 1.4 — Импорт зависимостей

После того, как вы откроете пустой Jupyter Notebook, первое, что нужно сделать — это импорт необходимых зависимостей.

import os import numpy as np import pandas as pd import pickle import quandl from datetime import datetime Затем импорт и активация автономного режима Plotly.import plotly.offline as py import plotly.graph_objs as go import plotly.figure_factory as ff py.init_notebook_mode(connected=True)
Шаг 2 — Получение данных о ценах на биткоин
Теперь, когда все настроено, мы готовы начать извлечение данных для анализа. Начнем с того, что получим данные о ценах используя бесплатный API от Quandl.

Шаг 2.1 — Определение функции Quandl Начнем с того, что определим функцию для загрузки и кэширования наборов данных из Quandl.

def get_quandl_data(quandl_id): '''Download and cache Quandl dataseries''' cache_path = '{}.pkl'.format(quandl_id).replace('/','-') try: f = open(cache_path, 'rb') df = pickle.load(f) print('Loaded {} from cache'.format(quandl_id)) except (OSError, IOError) as e: print('Downloading {} from Quandl'.format(quandl_id)) df = quandl.get(quandl_id, returns="pandas") df.to_pickle(cache_path) print('Cached {} at {}'.format(quandl_id, cache_path)) return df Мы используем pickle для сериализации и сохранения загруженных данных в виде файла, что позволит нашему сценарию повторно не загружать одни и те же данные при каждом запуске скрипта.

Функция вернет данные в виде набора данных pandas.

Шаг 2.2 — Получение курса биткоина на бирже Kraken

Реализуем это следующим образом:

btc_usd_price_kraken = get_quandl_data('BCHARTS/KRAKENUSD') Для проверки корректности отрабатывания скрипта мы можем посмотреть первые 5 строк полученного ответа используя метод head().btc_usd_price_kraken.head() Результат:Date Open High Low Close Volume (BTC) Volume (Currency) Weighted Price 2014-01-07 2014-01-08 2014-01-09 2014-01-10 2014-01-11
874.67040 892.06753 810.00000 810.00000 15.622378 13151.472844 841.835522
810.00000 899.84281 788.00000 824.98287 19.182756 16097.329584 839.156269
825.56345 870.00000 807.42084 841.86934 8.158335 6784.249982 831.572913
839.99000 857.34056 817.00000 857.33056 8.024510 6780.220188 844.938794
858.20000 918.05471 857.16554 899.84105 18.748285 16698.566929 890.671709
И построить график для визуализации полученного массиваbtc_trace = go.Scatter(x=btc_usd_price_kraken.index, y=btc_usd_price_kraken['Weighted Price']) py.iplot([btc_trace])

Здесь мы используем Plotly для генерации наших визуализаций. Это менее традиционный выбор, чем некоторые из более известных библиотек, таких как Matplotlib, но я думаю, что Plotly — отличный выбор, поскольку он создает полностью интерактивные диаграммы с использованием D3.js.

Шаг 2.3 — Получение курса биткоина на нескольких биржах

Характер обмена заключается в том, что ценообразование определяется предложением и спросом, поэтому ни одна биржа не содержит «истинной цены» Биткойна. Чтобы решить эту проблему мы будем извлекать дополнительно данные из трех более крупных бирж для расчета совокупного индекса цены.

Мы будем загружать данные каждой биржи в словарь.

exchanges = ['COINBASE','BITSTAMP','ITBIT'] exchange_data = {} exchange_data['KRAKEN'] = btc_usd_price_kraken for exchange in exchanges: exchange_code = 'BCHARTS/{}USD'.format(exchange) btc_exchange_df = get_quandl_data(exchange_code) exchange_data[exchange] = btc_exchange_dfШаг 2.4 — Объединение всех цен в единый набор данных

Определим простую функцию для объединения данных.

def merge_dfs_on_column(dataframes, labels, col): series_dict = {} for index in range(len(dataframes)): series_dict[labels[index]] = dataframes[index][col] return pd.DataFrame(series_dict) Затем объединим все данные по столбцу «Weighted Price».btc_usd_datasets = merge_dfs_on_column(list(exchange_data.values()), list(exchange_data.keys()), 'Weighted Price') Теперь посмотрим последние пять строк, используя метод tail (), чтобы убедиться, что все выглядит нормально и так как мы хотели.btc_usd_datasets.tail() Результат:Date BITSTAMP COINBASE ITBIT KRAKEN avg_btc_price_usd 2018-02-28 2018-03-01 2018-03-02 2018-03-03 2018-03-04
10624.382893 10643.053573 10621.099426 10615.587987 10626.030970
10727.272600 10710.946064 10678.156872 10671.653953 10697.007372
10980.298658 10982.181881 10973.434045 10977.067909 10978.245623
11332.934468 11317.108262 11294.620763 11357.539095 11325.550647
11260.751253 11250.771211 11285.690725 11244.836468 11260.512414
Шаг 2.5 — Сравнение наборов данных о ценах.

Следующим логическим шагом является визуализация сравнения полученных цен. Для этого мы определим вспомогательную функцию, которая построит график для каждой из бирж при помощи Plotly.

def df_scatter(df, title, seperate_y_axis=False, y_axis_label='', scale='linear', initial_hide=False): label_arr = list(df) series_arr = list(map(lambda col: df[col], label_arr)) layout = go.Layout( title=title, legend=dict(orientation="h"), xaxis=dict(type='date'), yaxis=dict( title=y_axis_label, showticklabels= not seperate_y_axis, type=scale ) ) y_axis_config = dict( overlaying='y', showticklabels=False, type=scale ) visibility = 'visible' if initial_hide: visibility = 'legendonly' trace_arr = [] for index, series in enumerate(series_arr): trace = go.Scatter( x=series.index, y=series, name=label_arr[index], visible=visibility ) if seperate_y_axis: trace['yaxis'] = 'y{}'.format(index + 1) layout['yaxis{}'.format(index + 1)] = y_axis_config trace_arr.append(trace) fig = go.Figure(data=trace_arr, layout=layout) py.iplot(fig) И вызовем ееdf_scatter(btc_usd_datasets, 'Цена биткоина на биржах (USD) ') Результат:

Теперь удалим все нулевые значения, так как мы знаем, что цена никогда не была равна нулю в периоде, который мы рассматриваем.

btc_usd_datasets.replace(0, np.nan, inplace=True) И пересоздадим графикdf_scatter(btc_usd_datasets, 'Bitcoin Price (USD) By Exchange') Результат:

Шаг 2.6 — Расчет средней цены

Теперь мы можем вычислить новый столбец, содержащий среднесуточную цену биткоина на всех биржах.

btc_usd_datasets['avg_btc_price_usd'] = btc_usd_datasets.mean(axis=1) Этот новый столбец является нашим индексом цены биткоина. Построим его график, чтобы убедиться, что он выглядит нормально.btc_trace = go.Scatter(x=btc_usd_datasets.index, y=btc_usd_datasets['avg_btc_price_usd']) py.iplot([btc_trace]) Результат:

Мы будем использовать эти данные позже, чтобы конвертировать обменные курсы других криптовалют в USD.

Шаг 3 — Получение данных по альтернативным криптовалютам

Теперь, когда у нас есть массив данных с ценами биткойна, давайте возьмем некоторые данные об альтернативных криптовалютах.

Шаг 3.1 — Определение функций для работы с Poloniex API.

Для получения данных мы будем использовать API Poloniex. Определим две вспомогательные функции для загрузки и кэширования JSON данных из этого API.

Сначала мы определим функцию get_json_data, которая будет загружать и кэшировать данные JSON из предоставленного URL.

def get_json_data(json_url, cache_path): try: f = open(cache_path, 'rb') df = pickle.load(f) print('Loaded {} from cache'.format(json_url)) except (OSError, IOError) as e: print('Downloading {}'.format(json_url)) df = pd.read_json(json_url) df.to_pickle(cache_path) print('Cached response at {}'.format(json_url, cache_path)) return df Затем мы определим функцию для форматирования HTTP-запросов Poloniex API и вызова нашей новой функции get_json_data для сохранения полученных данных.base_polo_url = 'https://poloniex.com/public?command=returnChartData&currencyPair={}&start={}&end={}&period={}' start_date = datetime.strptime('2015-01-01', '%Y-%m-%d') end_date = datetime.now() pediod = 86400 def get_crypto_data(poloniex_pair): json_url = base_polo_url.format(poloniex_pair, start_date.timestamp(), end_date.timestamp(), pediod) data_df = get_json_data(json_url, poloniex_pair) data_df = data_df.set_index('date') return data_df Эта функция на входе получает пару криптовалют например, «BTC_ETH» и вернет исторические данные по обменному курсу двух валют.

Шаг 3.2 — Загрузка данных из Poloniex

Некоторые из рассматриваемых альтернативных криптовалют нельзя купить на биржах напрямую за USD. По этой причине мы будем загружать обменный курс на биткоин для каждой из них, а затем будем использовать существующие данные о ценах биткоина для преобразования этого значения в USD.

Мы загрузим данные об обмене для девяти популярных криптовалют — Ethereum, Litecoin, Ripple, Ethereum Classic, Stellar, Dash, Siacoin, Monero, and NEM.

altcoins = ['ETH','LTC','XRP','ETC','STR','DASH','SC','XMR','XEM'] altcoin_data = {} for altcoin in altcoins: coinpair = 'BTC_{}'.format(altcoin) crypto_price_df = get_crypto_data(coinpair) altcoin_data[altcoin] = crypto_price_df Теперь у нас есть 9 наборов данных, каждый из которых содержит исторические среднедневные биржевые соотношения биткона к альтернативной криптовалюте.

Мы можем просмотреть последние несколько строк таблицы цен на Ethereum, чтобы убедиться, что она выглядит нормально.

altcoin_data['ETH'].tail()date close high low open quoteVolume volume weightedAverage 2018-03-01 2018-03-02 2018-03-03 2018-03-04 2018-03-05
0.079735 0.082911 0.079232 0.082729 17981.733693 1454.206133 0.080871
0.077572 0.079719 0.077014 0.079719 18482.985554 1448.732706 0.078382
0.074500 0.077623 0.074356 0.077562 15058.825646 1139.640375 0.075679
0.075111 0.077630 0.074389 0.074500 12258.662182 933.480951 0.076149
0.075373 0.075700 0.074723 0.075277 10993.285936 826.576693 0.075189
Шаг 3.3 — Конвертирование цен в USD.

Так как теперь у нас есть обменный курс на биткоин для каждой криптовалюты и у нас есть индекс исторических цен биткоина в USD, мы можем напрямую рассчитать цену в USD для каждой альтернативной криптовалюты.

for altcoin in altcoin_data.keys(): altcoin_data[altcoin]['price_usd'] = altcoin_data[altcoin]['weightedAverage'] * btc_usd_datasets['avg_btc_price_usd'] Этим мы создали новый столбец в каждом наборе данных альтернативных криптовалют с ценами в USD.

Затем мы можем повторно использовать нашу функцию merge_dfs_on_column, чтобы создать комбинированный набор данных о цене в USD для каждой из криптовалют.

combined_df = merge_dfs_on_column(list(altcoin_data.values()), list(altcoin_data.keys()), 'price_usd') Теперь добавим в набор данных цены биткоина в качестве конечного столбца.combined_df['BTC'] = btc_usd_datasets['avg_btc_price_usd'] В результате мы имеем набор данных, содержащий ежедневные цены в USD для десяти криптовалют, которые мы рассматриваем.

Используем нашу функцию df_scatter, чтобы отобразить все цены криптовалют на графике.

df_scatter(combined_df, 'Цены Криптовалют (USD)', seperate_y_axis=False, y_axis_label='(USD)', scale='log') Этот график дает довольно солидную «общую картину» того, как обменные курсы каждой валюты менялись в течение последних нескольких лет.

В данном примере мы используем логарифмическую шкалу оси Y, чтобы сравнить все валюты на одном и том же участке. Вы можете попробовать различные значения параметров (например, scale = 'linear'), чтобы получить разные точки зрения на данные.

Шаг 3.4 — Вычисление корреляции криптовалют.

Вы можете заметить, что обменные курсы криптовалюты, несмотря на их совершенно разные ценности и волатильность, кажутся слегка коррелированными. И как видно по всплеску в апреле 2017 года, даже небольшие колебания, похоже, происходят синхронно на всем рынке.

Мы можем проверить нашу корреляционную гипотезу, используя метод Pandas corr (), который вычисляет коэффициент корреляции Пирсона для каждого столбца в наборе данных по отношению друг к другу. При вычислении также используем метод pct_change (), который преобразует каждую ячейку в наборе данных из абсолютного значения цены в процентное изменение.

Сначала мы вычислим корреляции для 2016 года.

combined_df_2016 = combined_df[combined_df.index.year == 2016] combined_df_2016.pct_change().corr(method='pearson') Результат: DASH ETC ETH LTC SC STR XEM XMR XRP BTC DASH ETC ETH LTC SC STR XEM XMR XRP BTC
1.000000 0.003992 0.122695 -0.012194 0.026602 0.058083 0.014571 0.121537 0.088657 -0.014040
0.003992 1.000000 -0.181991 -0.131079 -0.008066 -0.102654 -0.080938 -0.105898 -0.054095 -0.170538
0.122695 -0.181991 1.000000 -0.064652 0.169642 0.035093 0.043205 0.087216 0.085630 -0.006502
-0.012194 -0.131079 -0.064652 1.000000 0.012253 0.113523 0.160667 0.129475 0.053712 0.750174
0.026602 -0.008066 0.169642 0.012253 1.000000 0.143252 0.106153 0.047910 0.021098 0.035116
0.058083 -0.102654 0.035093 0.113523 0.143252 1.000000 0.225132 0.027998 0.320116 0.079075
0.014571 -0.080938 0.043205 0.160667 0.106153 0.225132 1.000000 0.016438 0.101326 0.227674
0.121537 -0.105898 0.087216 0.129475 0.047910 0.027998 0.016438 1.000000 0.027649 0.127520
0.088657 -0.054095 0.085630 0.053712 0.021098 0.320116 0.101326 0.027649 1.000000 0.044161
-0.014040 -0.170538 -0.006502 0.750174 0.035116 0.079075 0.227674 0.127520 0.044161 1.000000
Коэффициенты, близкие к 1 или -1, означают, что данные сильно коррелируют или обратно коррелируют соответственно, а коэффициенты, близкие к нулю, означают, что значения имеют тенденцию колебаться независимо друг от друга.

Чтобы визуализировать эти результаты, мы создадим еще одну вспомогательную функцию.

def correlation_heatmap(df, title, absolute_bounds=True): heatmap = go.Heatmap( z=df.corr(method='pearson').as_matrix(), x=df.columns, y=df.columns, colorbar=dict(title='Pearson Coefficient'), ) layout = go.Layout(title=title) if absolute_bounds: heatmap['zmax'] = 1.0 heatmap['zmin'] = -1.0 fig = go.Figure(data=[heatmap], layout=layout) py.iplot(fig)correlation_heatmap(combined_df_2016.pct_change(), "Корреляция криптовалют (2016)")

Здесь темно-красные значения представляют собой сильные корреляции, а синие значения представляют собой сильные обратные корреляции. Все остальные цвета представляют собой разную степень слабых/несуществующих корреляций.

Что говорит нам этот график? По сути, это показывает, что было очень мало статистически значимой связи между тем, как цены разных криптовалют колебались в течение 2016 года.

Теперь, чтобы проверить нашу гипотезу о том, что криптотермины стали более коррелированными в последние месяцы, повторим те же тесты, используя данные за 2017 и 2018 года.

combined_df_2017 = combined_df[combined_df.index.year == 2017] combined_df_2017.pct_change().corr(method='pearson') Результат: DASH ETC ETH LTC SC STR XEM XMR XRP BTC DASH ETC ETH LTC SC STR XEM XMR XRP BTC
1.000000 0.387555 0.506911 0.340153 0.291424 0.183038 0.325968 0.498418 0.091146 0.307095
0.387555 1.000000 0.601437 0.482062 0.298406 0.210387 0.321852 0.447398 0.114780 0.416562
0.506911 0.601437 1.000000 0.437609 0.373078 0.259399 0.399200 0.554632 0.212350 0.410771
0.340153 0.482062 0.437609 1.000000 0.339144 0.307589 0.379088 0.437204 0.323905 0.420645
0.291424 0.298406 0.373078 0.339144 1.000000 0.402966 0.331350 0.378644 0.243872 0.325318
0.183038 0.210387 0.259399 0.307589 0.402966 1.000000 0.339502 0.327488 0.509828 0.230957
0.325968 0.321852 0.399200 0.379088 0.331350 0.339502 1.000000 0.336076 0.268168 0.329431
0.498418 0.447398 0.554632 0.437204 0.378644 0.327488 0.336076 1.000000 0.226636 0.409183
0.091146 0.114780 0.212350 0.323905 0.243872 0.509828 0.268168 0.226636 1.000000 0.131469
0.307095 0.416562 0.410771 0.420645 0.325318 0.230957 0.329431 0.409183 0.131469 1.000000
correlation_heatmap(combined_df_2017.pct_change(), "Корреляция криптовалют (2017)")combined_df_2018 = combined_df[combined_df.index.year == 2018] combined_df_2018.pct_change().corr(method='pearson') DASH ETC ETH LTC SC STR XEM XMR XRP BTC DASH ETC ETH LTC SC STR XEM XMR XRP BTC
1.000000 0.775561 0.856549 0.847947 0.733168 0.717240 0.769135 0.913044 0.779651 0.901523
0.775561 1.000000 0.808820 0.667434 0.530840 0.551207 0.641747 0.696060 0.637674 0.694228
0.856549 0.808820 1.000000 0.700708 0.624853 0.630380 0.752303 0.816879 0.652138 0.787141
0.847947 0.667434 0.700708 1.000000 0.683706 0.596614 0.593616 0.765904 0.644155 0.831780
0.733168 0.530840 0.624853 0.683706 1.000000 0.615265 0.695136 0.626091 0.719462 0.723976
0.717240 0.551207 0.630380 0.596614 0.615265 1.000000 0.790420 0.642810 0.854057 0.669746
0.769135 0.641747 0.752303 0.593616 0.695136 0.790420 1.000000 0.744325 0.829737 0.734044
0.913044 0.696060 0.816879 0.765904 0.626091 0.642810 0.744325 1.000000 0.668016 0.888284
0.779651 0.637674 0.652138 0.644155 0.719462 0.854057 0.829737 0.668016 1.000000 0.712146
0.901523 0.694228 0.787141 0.831780 0.723976 0.669746 0.734044 0.888284 0.712146 1.000000
correlation_heatmap(combined_df_2018.pct_change(), "Корреляция криптовалют (2018)")

И вот мы видим то, о чем и предполагали — почти все криптовалюты стали более взаимосвязанными друг с другом по всем направлениям.

На этом будем считать, что введение в работу с данными в Anaconda успешно пройдено.

habr.com

В погоне за лидером: анализ корреляции цен криптовалют

корреляция курсов криптовалют

Существует ли связь между ценовыми колебаниями биткоина и других криптовалют и криптоактивов? Ответ на этот вопрос во многом зависит от того, о каком активе идет речь и какой период времени подвергается анализу. В некоторых случаях ответ относительно прост.

Криптовалюты неоднократно двигались в тандеме в определенные периоды. Отличным примером являются альткоины, цена на которые поползла вверх после решения SEC 10 марта, хотя месяцем ранее альтернативные криптовалюты значительно сдали свои позиции.

Однако и в других случаях потери биткоина приводили к увеличению цены на альткоины. Одним из ключевых факторов для такого варианта развития событий обычно становились важные происшествия в криптовалютном пространстве. Например,  взлет и падение DAO, как и отказ SEC в регистрации биржевого фонда (ETF) братьев Винклвосс, также сыграл на руку альтернативным криптовалютам.

Перед решением SEC цена на биткоин кратковременно поднялась выше 1300 долларов за монету, побив все предыдущие рекорды. После отказа SEC цена на криптовалюту упала примерно на 30%, в то время как альткоины резко выросли в цене – многие из них достигли максимума за все время своего существования. Эфириум, например, вырос в цене более чем на 200% в течение недели после объявления SEC. Аналогично повели себя Monero и Dash – курсы этих альткоинов выросли более чем на 100% «благодаря» отказу SEC.

Но как соотносятся ценовые изменения разных криптовалют, если рассматривать не конкретное событие, а длительный период времени?

BTC и LTC: одного поля ягоды

Наиболее объективным способом изучения ценовых отношений между биткоином и другими криптовалютами является анализ существующих статистических данных. Используя эту информацию, исследователи рынка вполне могут сделать адекватные выводы и умозаключения относительно рынка альткойнов. Например, чтобы понять, как взаимодействуют некоторые криптовалюты, достаточно взглянуть на данные одного квартала – их часто вполне достаточно, чтобы проанализировать взаимоотношения криптовалютных пар.

Отличным примером такого анализа является пара BTC/LTC – цены на эти криптовалюты в последнем квартале 2013 года отражают положение предыдущих шести кварталов, когда корреляция этой пары превышала 0.7 и трех кварталов, когда она достигала 0.8. Подобная сильная и положительная связь

bits.media


Смотрите также