معرفی یک الگوریتم معاملاتی نوین برای ترید ارزهای دیجیتال
من فرمولی ساخته‌ام که زمان خرید یا فروش بیت کوین را پیش‌بینی می‌کند. این فرمول بر اساس داده‌های قیمتی صرافی و حساسیت کلمات کلیدی گوگل ترندز کار می‌کند. نتیجه این مدل در بازه ۹۰ روزه ۲۹ درصد سود بود که برای من ۲۸٬۸۳۹ دلار به همراه داشت.
قیمت بیت کوین تا چه اندازه‌ای می‌تواند پیش‌بینی شود؟ اگر اطلاعات دسترس‌پذیر و عمومی گوگل ترندز به پیش‌بینی نوسانات قیمت کمک کند چه؟
به‌عبارت‌دیگر آیا می‌توانیم فرمولی بسازیم که سبب موفقیت ما در بازار شود؟ این‌ها سؤالاتی هستند که به دنبال جواب آن‌ها بودم.
هدف من تلاش برای فهمیدن بازار پرنوسان، ترسناک و از قرار معلوم غیرقابل پیش‌بینی ارزهای دیجیتال است.
بسیاری از تریدرها به تحلیل تکنیکال باور دارند، در حالی که برخی دیگر مسیر تحلیل بنیادین (فاندامنتال) را در پیش‌گرفته‌اند. حقیقت این است که هیچ استراتژی جادویی در ترید وجود ندارد که بتواند پشت بازار را به خاک بمالد. تعداد بسیار زیادی متغیر و پارامتر در این بازار وجود دارد که حتی بهترین الگوریتم‌های تریدینگ هوش مصنوعی هم قادر به سود بردن مستمر از آن نیستند.
فرمولی که در این مقاله معرفی می‌شود، بسیار ابتدایی است و مقصود من ارائه حالت خام این مدل و دریافت بازخورد برای چگونگی بهبود آن است. این پروژه‌ای در حال جریان بوده و درک آن نیز بسیار ساده است اما به یاد داشته باشید که ریسک انجام آن به عهده فردی است که از آن استفاده می‌کند.
فرمول طلایی
من در حال آزمایش این فرمول که به نظرم یک شاخص پایدار نسبی از عملکرد قیمت بیت کوین است، بوده‌ام. مخصوصاً اینکه در قدم اول با استفاده از این مدل ۲۹ درصد سود در بازه ۹۰ روزه و با سرمایه اولیه ۱۰۰ هزار دلار کسب کردم.
نکته قابل‌ذکر این است که کارمزد معاملات صرافی در محاسبات در نظر گرفته نشده است؛ از این بابت امیدوارم روزی برسد که صرافی‌های غیرمتمرکز راه‌حلی برای حذف آن ارائه دهند.
بیشتر بخوانید: معرفی ۵ صرافی غیرمتمرکز و امن برای استفاده – Decentralized Exchange
مدل شرح داده شده در این مقاله از کار اولیه ویلی وو (Willy Woo) الهام گرفته است که برای اولین بار رابطه داده‌های گوگل ترندز را به‌عنوان شاخصی فعال برای قیمت بیت کوین کشف کرد.
پروسه کاری که انجام دادم به شرح زیر است:
۱- نمودار گوگل ترندز کلمات کلیدی «BTC USD» و «Buy Bitcoin» را در ۹۰ روز اخیر به‌دست آوردم.
۲- متوجه شدم در انتهای هرروز که کندل روزانه بیت کوین بسته می‌شود و زمانی که نسبت عبارت «BTC USD» به «Buy Bitcoin» از ۳ به ۱ کمتر است، کندل روزانه جدید نسبت به قبلی در قیمت بالاتری بسته می‌شود. اگر این نسبت از ۳ به ۱ بیشتر باشد (چیزی حدود ۴ به ۱ یا ۵ به ۱ باشد) به معنی سیگنال فروش خواهد بود و قیمت کندل روزانه بعدی در قیمت پایین‌تری بسته خواهد شد.
۳- در گام بعدی اختلاف قیمت بسته‌شده بیت کوین را زمانی که بیشتر از ۸۰ دلار نسبت به روز قبل اختلاف داشته، امتحان کردم؛ این قیمت باعث ثبات الگو می‌شود. ۸۰ دلار یک مقدار دلخواه است که نقشش را در این مجموعه داده به خوبی ایفا می‌کند.
چیزی که تا اینجای کار به‌دست آمده در تصویر زیر خلاصه‌شده است:
BTC USD: شاخص روزانه از گوگل ترندز
Buy Bitcoin: شاخص روزانه از گوگل ترندز
قیمت (Price): قیمت بسته‌شده روز جاری از سایت کوین‌مارکت‌کپ
ستون E: نسبت «Buy Bitcoin/BTC USD»
ستون F: فرمول تصمیم خریدوفروش. برای مثال این فرمول برای سلول F۲۰ به‌صورت زیر عمل کرده است:
در صورتی که دو شرط ۱- سلول E۲۰ بیشتر از ۳۵ درصد و ۲- سلول G۲۰ بیشتر از ۸۰ دلار باشد سیگنال خرید صادر می‌شود. توجه داشته باشید که هر دو شرط به‌صورت همزمان باید برقرار باشند تا سیگنال خرید معتبر باشد.
ستون G: تفاوت قیمت بیت کوین با قیمت بسته شده روز قبل
ستون H: سود و زیان حاصل به‌اضافه سرمایه اولیه (۱۰۰ هزار دلار) از تاریخ ۷ جولای
نتایج مدل و گام‌های بعدی
در طول دوره زمانی ۹۰ روزه سرمایه ۱۰۰ هزار دلاری بر اساس این مدل به ۱۲۸٬۸۳۹ دلار تبدیل شد؛ یک سود تقریباً ۲۹ درصدی. اما این مدل با یک مدل بهینه‌شده فاصله زیادی دارد و البته علاقه دارم چندین چیز را در این مدل بهینه کنم.
اعداد «۳۵ درصد» و «۸۰ دلار» با توجه به مجموعه داده‌های ۹۰ روزه و به‌صورت دلخواه انتخاب شده‌اند. آیا فرمول بهتر دیگری وجود ندارد که سیگنال‌های خریدوفروش با بازده بالاتری داشته باشیم؟
به نظر می‌رسد این متغیرها در بازه قیمتی ۶ تا ۸ هزار دلار بازدهی خوبی دارند. در کارهای بعدی دوست دارم داده‌های تاریخی مربوط به یک یا دو سال قبل را هم با استفاده از این مدل آزمایش کنم. این مدل جدید را با استفاده از نسبت‌های ۳ به ۱ تا نسبت ۵ به ۱ و همچنین پارامتر ثابت ۸۰ دلار را هم به درصد ثابتی از قیمت بیت کوین تبدیل خواهم کرد تا حرکات تند و بزرگ قیمتی را هم شامل شود. برای مثال این مدل بهینه با نسبت ۳٫۲۳ تا ۱ و ۱٫۴۵ درصد نوسان روزانه قیمت می‌تواند به‌پایان برسد.
ماتریس متغیرها چیزی شبیه به شکل زیر می‌شود:
پیشنهاد برای کارهای بعدی
فرضیه‌ای که دارم این است که در سطوح قیمتی مختلف، پارامترهای متفاوتی وجود دارد. برای این کار میتوان بین داده‌های حساس و قیمت‌های گذشته آزمون رگرسیون گرفت تا مدل بهینه و جامع‌تری نسبت به مدل ساده قبلی داشت.
سلام و خسته نباشید چطور از فرمول میتونم استفاده کنم