作者|MarcHoward
编译|Guoxi
出品|区块链大本营
玩过股票的人都知道，股票市场的波动受各种因素的共同影响，有着很强的随机性，很难预测。而新兴的加密货币市场与股票市场有着很大的差别，更加难以预测。
由于传统方法行不通，国外网友MarcHoward另辟蹊径，通过分析大众对加密货币的情感来预测加密货币市场的波动。在90天的实验周期里这种方法获得了29%的投资回报率，他是怎么做到的？
让我们一起来看看。
我刚开始接触加密货币时，有一些问题困扰着我：
我们真的可以预测比特币的价格么？
谷歌趋势服务所公开的数据是否能从某种程度上反映比特币大致的涨跌趋势？
我们能否建立一个预测市场动向的可靠交易模型？
当时，我给自己定下了一个看起来遥不可及的目标，就是试图理解加密货币这个变化无常且看似无法预测的市场。
当然了，我这并不是不自量力。加密货币市场充满了魅力，让许多交易员都沉醉其中。有许多交易员通过技术分析的手段试图揭开加密货币市场神秘的面纱，而有一些交易员则是耍小聪明，照搬股票市场上的基本分析理论。
然而结果并不乐观，没有哪种神奇的交易模型总能战胜市场这只“看不见的手”。从原理上来说，有太多的因素可能会造成加密货币市场的波动，这个市场有着很强的随机性，即使那些最好的基于人工智能的交易模型也不能保证连续获利。
而我另辟蹊径，从另一个角度入手建立交易模型。这个交易模型非常简单，在这篇文章中我会以最明晰的方式展现我的思路。
以太坊客户端Lighthouse发布新的热修复版本，以解决CPU使用率过高问题:4月13日消息，以太坊客户端Lighthouse发布热修复版本v4.0.2-rc.0，此高优先级修补程序解决了Capella升级后出现的高CPU使用率问题。建议所有主网用户更新到此版本，以防止高CPU使用率干扰正常的节点操作（如质押）。此热修复仅适用于信标节点，无需将Validator Client从v4.0.1（或 v4.0.1-rc.0）升级到此版本。[2023/4/13 14:00:58]
需要说明的是，我的交易模型还是一个正在开发中的半成品，虽然在模拟实验中它展现出了强大的预测能力，但它绝不是万无一失的，如果使用我的交易模型请自行承担风险。
战胜”看不见的手“的交易模型
根据我的设想，这个交易模型应该是比特币价格的相对一致性指标，我也在不断测试并修正这个交易模型。
Maker Constitution草案拟将价值约1400万美元代币分配给科学可持续发展基金:2月4日消息，MakerDAO社区提出的Maker Constitution草案拟将2万枚MKR（约1400万美元）分配给科学可持续发展基金，以应对全球气候变暖问题。科学可持续基金是一项临时措施，将于2040年逐步结束。
草案称，科学可持续发展基金将资金用于宣传、教育和打击关于能源解决方案的错误信息，禁止直接资助煤炭能源，通过现实世界资产抵押范围框架强制执行。[2023/2/4 11:47:14]
在这次长达90天的模拟实验中，我“买入”了价值10万美元的比特币，通过交易模型做出的买入/卖出决策，最终的投资回报率高达29%。
不过，作为一次模拟实验，这里的利润中并没有扣除实际交易时需要付给加密货币交易所的手续费，这巨额的手续费让我急切地盼望去中心化加密货币交易所的普及。
交易模型的灵感来自于WillyWoo的工作，Willy第一个提出使用谷歌趋势服务的数据来预测比特币价格的走向。我在他工作的基础上做出了一些改进，具体的方法如下。
首先，通过谷歌趋势服务查询最近90天里“比特币兑换美元价格”和“购买比特币”的搜索趋势：
7月7日到10月4日这90天时间里，“比特币兑换美元价格”和“购买比特币”的搜索趋势
其次，我注意到，当“比特币兑换美元价格”与“购买比特币”的搜索量比率低于3：1时，第二天的比特币收盘价格就会上涨。
如果这个比率大于3：1时，比如说达到了4:1或5:1，那么这就是一个要卖出的信号，因为第二天比特币收盘价格会下降。
接下来，我对比特币前后两天收盘价价格差超过80美元的情况进行了进一步的测试，在这些测试中，搜索量的比率与价格波动表现出了极大的相关性。
这里的80美元是我人为给定的一个值，这个值在实验中取得了很不错的效果。实验期间的比特币价格以及交易模型给出的买入/卖出策略如下所示：
实验期间的比特币价格以及交易模型给出的买入/卖出策略截图
根据上图，可以看出：
BTCUSD：谷歌趋势服务给出的当日搜索量数据。
BuyBitcoin：谷歌趋势服务给出的当日搜索量数据。
Price：加密货币排名网站CoinMarketCap给出的比特币当日收盘价。
Excel表格中的E列：“购买比特币”与“比特币兑换美元价格”的搜索量比率。
Excel表格中的F列：交易模型给出的买入/卖出决策。例如，针对单元格F19，决策的公式是：F19=if，“买入”，“卖出”），即当同时满足当日“购买比特币”与“比特币兑换美元价格”的搜索量比率大于35%，当天比特币收盘价与前一天差值大于80美元时买入，否则就卖出。也就是说，Excel表格中E这一列数据大于35%且G这一列数据大于80就是买入的信号。
Excel表格中的G列：比特币收盘价与前一天的差值。
Excel表格中的H列：假定在2018年7月7日价值10万美元的比特币，期间按照该交易模型给出的买入/卖出策略进行交易，当日持有的比特币总价值。
交易模型结果的优化
按照上述的交易策略，在90天的实验周期内，理论上我的资产从10万美元增长到了128,839美元，几乎实现了29％的投资回报率。不过上面我也提到了，这并不是一个最优的模型，我还可以从几个方面做出优化。
“比率大于35％”和“差额大于80美元”这样的判别准则看起来十分随意，因为这只是我在有限的90天数据集中找出的规律。是否有其他的决策标准可以产生更好的买入/卖出决策？
当比特币价格水平维持在6000到8000美元时，这个交易模型可以给出很好的决策。
在分析了过去一两年的交易信息后，我对交易模型做出了一些改进，我将决策规则细化并做成了表格，表格的纵轴为“购买比特币”与“比特币兑换美元价格”的搜索量比率，数值从1：3到1：5不等。
考虑到比特币价格波动较大，“80美元”这个指标并不总能奏效，因此我将这个指标转换为差价与当日比特币价格的比值，并将其列在表格的横轴，在这种情况下，一个可能最优的交易模型就是，在同时满足“购买比特币”与“比特币兑换美元价格”的搜索量比率为1：2.86且价格波动的比率为0.014543229时买入。
改进后的表格看起来这个样：
改进后交易模型的决策规则
后续规划
除此之外，这个交易模型还有很大的优化空间。
首先我想进行一些测试，通过研究过去的交易数据找到能够最大化利润的最佳指标，这需要对过去的价格和搜索量比率进行回归测试。
我的设想是不同的价格水平上存在着相同的最佳指标，GoodLuck！
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。