社会信号和比特币的算法交易

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Social signals and algorithmic trading of Bitcoin》
---
作者：
David Garcia, Frank Schweitzer
---
最新提交年份：
2015
---
英文摘要：
  The availability of data on digital traces is growing to unprecedented sizes, but inferring actionable knowledge from large-scale data is far from being trivial. This is especially important for computational finance, where digital traces of human behavior offer a great potential to drive trading strategies. We contribute to this by providing a consistent approach that integrates various datasources in the design of algorithmic traders. This allows us to derive insights into the principles behind the profitability of our trading strategies. We illustrate our approach through the analysis of Bitcoin, a cryptocurrency known for its large price fluctuations. In our analysis, we include economic signals of volume and price of exchange for USD, adoption of the Bitcoin technology, and transaction volume of Bitcoin. We add social signals related to information search, word of mouth volume, emotional valence, and opinion polarization as expressed in tweets related to Bitcoin for more than 3 years. Our analysis reveals that increases in opinion polarization and exchange volume precede rising Bitcoin prices, and that emotional valence precedes opinion polarization and rising exchange volumes. We apply these insights to design algorithmic trading strategies for Bitcoin, reaching very high profits in less than a year. We verify this high profitability with robust statistical methods that take into account risk and trading costs, confirming the long-standing hypothesis that trading based social media sentiment has the potential to yield positive returns on investment.
---
中文摘要：
数字记录道上数据的可用性正以前所未有的规模增长，但从大规模数据中推断可操作的知识绝非微不足道。这对计算金融尤其重要，在计算金融中，人类行为的数字痕迹提供了推动交易策略的巨大潜力。为此，我们提供了一种一致的方法，在算法交易员的设计中集成各种数据源。这使我们能够深入了解交易策略盈利能力背后的原则。我们通过分析比特币来说明我们的方法，比特币是一种以价格大幅波动而闻名的加密货币。在我们的分析中，我们包括了美元兑换量和价格的经济信号，比特币技术的采用，以及比特币的交易量。我们添加了与信息搜索、口碑数量、情感配价和观点极化相关的社交信号，这些信息在与比特币相关的推文中表达了三年多。我们的分析表明，意见两极分化和交换量的增加先于比特币价格的上涨，而情感配价先于意见两极分化和交换量的上升。我们运用这些见解为比特币设计算法交易策略，在不到一年的时间里实现了极高的利润。我们通过考虑风险和交易成本的稳健统计方法验证了这种高盈利能力，证实了基于交易的社交媒体情绪有可能产生正投资回报的长期假设。
---
分类信息：

一级分类：Computer Science        计算机科学
二级分类：Social and Information Networks        社会和信息网络
分类描述：Covers the design, analysis, and modeling of social and information networks, including their applications for on-line information access, communication, and interaction, and their roles as datasets in the exploration of questions in these and other domains, including connections to the social and biological sciences. Analysis and modeling of such networks includes topics in ACM Subject classes F.2, G.2, G.3, H.2, and I.2; applications in computing include topics in H.3, H.4, and H.5; and applications at the interface of computing and other disciplines include topics in J.1--J.7. Papers on computer communication systems and network protocols (e.g. TCP/IP) are generally a closer fit to the Networking and Internet Architecture (cs.NI) category.
涵盖社会和信息网络的设计、分析和建模，包括它们在联机信息访问、通信和交互方面的应用，以及它们作为数据集在这些领域和其他领域的问题探索中的作用，包括与社会和生物科学的联系。这类网络的分析和建模包括ACM学科类F.2、G.2、G.3、H.2和I.2的主题；计算应用包括H.3、H.4和H.5中的主题；计算和其他学科接口的应用程序包括J.1-J.7中的主题。关于计算机通信系统和网络协议（例如TCP/IP）的论文通常更适合网络和因特网体系结构（CS.NI）类别。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Trading and Market Microstructure        交易与市场微观结构
分类描述：Market microstructure, liquidity, exchange and auction design, automated trading, agent-based modeling and market-making
市场微观结构，流动性，交易和拍卖设计，自动化交易，基于代理的建模和做市
--

---
PDF下载：
--> Social_signals_and_algorithmic_trading_of_Bitcoin.pdf (850.05 KB)

2022-5-8 07:29:31 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：算法交易 比特币 Applications Polarization Architecture

大卫·加西亚，弗兰克·施韦策：《皇家学会开放科学2:150288》（2015）http://rsos.royalsocietypublishing.org/content/2/9/150288Social比特币的信号和算法交易David Garcia，Frank SchweitzerChair of Systems Design，ETH ZurichWeinbergstrasse 56/58，8092瑞士苏黎世2015年9月25日发表于英国皇家学会开放科学2:150288（2015）http://rsos.royalsocietypublishing.org/content/2/9/150288AbstractThe数字记录道上的数据可用性正以前所未有的规模增长，但从大规模数据中推断可操作的知识绝非微不足道。这对于计算金融尤其重要，在计算金融中，人类行为的数字痕迹有很大潜力推动交易策略。为此，我们提供了一种一致的方法，在算法交易员的设计中集成各种数据源。这使我们能够深入了解我们交易策略的可行性背后的原则。我们通过对比特币的分析来说明我们的方法，比特币是一种以价格波动大而闻名的加密货币。在我们的分析中，我们包括美元兑换量和价格的经济信号，比特币技术的采用，以及比特币的交易量。我们添加了与信息搜索、口碑数量、情感配价和观点极化相关的社交信号，这些信息在与比特币相关的推文中表达了三年多。我们的分析表明，意见两极分化和交换量的增加先于比特币价格的上涨，而情感配价先于意见两极分化和交换量的上升。我们将这些见解应用于比特币算法交易策略的设计，在不到一年的时间内实现了极高的利润。

我们通过考虑风险和交易成本的稳健统计方法验证了这种高可靠性，证实了基于交易的社会媒体情绪有可能产生正投资回报的长期假设。1简介我们的在线社会以前所未有的规模生成关于人类行为的数字痕迹的数据。这就产生了一场数据洪流，研究人员面临着大量的观测数据，这些数据不是精心设计的实验[1]的产物。科学界面临的主要挑战之一是开发方法，从数据中提取有意义的知识，而不仅仅是描述性分析[2]。这一点在金融交易中尤为重要：所有金融机构都可以获得数据，但造成差异的是分析及其应用。在计算金融领域，算法交易[3]涉及自动交易策略的实施和评估，这些策略通常存放在私人公司中，远离公开搜索。最常见的算法交易是基于技术分析的原则[4]，使用价格的时间序列来预测回报。技术分析通常能有效地获得令人满意的回报[5]，促使纳入大规模社会信号，并通过对历史数据的数据驱动模拟进行评估，称为回溯测试[6,7]。

在这篇文章中，我们提出了一套从多维经济和社会分析中得出程式化事实的方法。大卫·加西亚，弗兰克·施韦策：《皇家学会开放科学2:150288》（2015）http://rsos.royalsocietypublishing.org/content/2/9/150288social并将这些知识应用于算法交易策略的设计和评估。我们展示了我们的方法在比特币加密货币算法交易中的应用，使用了关于比特币生态系统经济和社会方面的各种数字痕迹。比特币（BTC）是一种数字货币，设计用于在分布式系统中运行，无需任何中央授权，基于不需要可信第三方的加密协议[8]。2008年，一篇化名为中本聪（Satoshi Nakamoto）[9]的论文介绍了比特币，比特币可以作为一种快速转账的技术，费用可以忽略不计[10]。最早采用比特币的市场之一是丝绸之路（Silk Road），这是一个由于比特币的相对匿名性[11]而使非法商业成为可能的网站，这与搜索趋势中有关比特币使用与计算机专业知识和非法活动的证据一致[12]。从那时起，比特币的使用已广泛扩展到犯罪活动之外：在撰写本文时，比特币被许多合法商家和慈善机构所接受[13]，包括戴尔[14]等大型企业。接受比特币的企业、交易市场和钱包服务构成了比特币生态系统[8]，不同类型的代理通过数字渠道进行互动、交易和沟通。比特币的日益普及及其在线性质使我们能够同时监控其社会和经济层面。每次用比特币购买商品或服务，都会在名为区块链的公共分类账中留下痕迹，从而创建一个可公开访问的经济网络[15]。

比特币的非本地化技术与用户通过社交网络和论坛进行的在线互动保持一致，通过口碑[16]促使新用户采用比特币。之前的研究已经表明，搜索趋势和维基百科的观点如何与价格变化[17]以及比特币的投机和货币方面[18]相关，从而导致了结合搜索兴趣、用户采纳、口碑和价格的动态[16]。本文的贡献。基于时间序列分析和金融交易的既定原则，我们提出了一个从市场社会和经济方面的多维数据中获取一般知识的框架。我们应用一个通用的统计模型来检测价格和其他信号的协同运动中的时间模式。这些模式通过一种对所分析数据的经验特性具有鲁棒性的方法进行测试，制定了信号先于市场运动的简明原则。我们将这些原则结合起来，制定出易于操作的交易策略，并对数据样本进行评估，量化其可行性。我们的方法不是专注于改进特定的方法，而是采取多学科立场，将社会心理学和经济学的原理与信息检索、时间序列分析和计算金融的方法相结合。我们将我们的框架应用于比特币生态系统，通过DailResolution监控比特币用户的数字痕迹。我们将与市场增长、交易量和比特币使用相关的经济信号作为交换手段，与包括搜索量、口碑水平、情感价值和比特币观点两极分化在内的社会信号相结合。我们的结果揭示了比特币价格变化之前的信号，这是我们用来设计算法交易策略的知识。

我们通过对数据驱动的模拟进行回溯测试，并将回报与技术分析策略进行比较，来评估我们策略的威力。作为一个序列，我们检验了社交媒体情绪预测比特币生态系统财务回报的假设。金融中的社会信号。理解社会信号在金融中的作用不仅有可能产生重大的收益，而且作为一个研究问题也具有科学相关性[19]。两种不同2/19大卫·加西亚，弗兰克·施韦策：《皇家学会开放科学2:150288》（2015）http://rsos.royalsocietypublishing.org/content/2/9/150288research这些方法为这个问题提供了见解：一种是对社会和金融信号进行统计分析，以检验引领金融市场的时间相关性的存在。第二种方法是在预测场景中应用这些信号，测量它们的准确性，作为对系统潜在行为的验证，但不一定是对其可行性的验证。搜索引擎数据的统计分析表明，搜索趋势可以预测单个股票的交易量[20]。此外，标准普尔500指数中的股票价格与推特数量相关，但这些模式在交易策略中的适用性尚待评估。社交媒体中的情绪与社会经济现象密切相关，包括公众舆论[22]。这推动了情绪指标在金融数据统计分析中的应用。Earlyworks在专门论坛上发表了关于情绪对回报影响的负面结果[23]。进一步的研究表明，贸易公司员工之间的私人即时通讯中的情绪会降低市场波动的阶段[24]。

在标准普尔500指数（S&P 500）的交易高峰和价格下跌之前，公众可从普通博客上获取的数据中表达焦虑[25]，Twitter上的情绪可以用来预测大规模股票指数的走势[26]。值得注意的是，迄今为止，没有证据表明这种基于情绪的预测会产生显著的投资回报[19]。在线极化。虽然之前大多数关于金融市场情绪的研究都集中在价格或情绪的维度上，但意见两极分化的集体现象往往被忽视。社会两极分化的出现对政治和经济现象发出了早期警告：瑞士政客的社会网络中的两极分化先于有争议的选举[27]，而欧洲电视歌唱比赛中的两极分化模式出现在欧洲经济中的不信任状态之前[28]。关于金融市场，投机理论指出了不同信仰在金融交易中的作用[29]，导致了两极分化和分歧影响交易量和价格的假设[30]。在这方面，对股票留言板两极分化的实证分析表明，分歧状态会导致波动性增加[31]。缺失的环节。迄今为止，在对交易场景的社会信号进行分析和应用之间存在着巨大的知识差距。单凭统计分析的结果并不能保证会引领顶级战略[25]。例如，道琼斯工业平均指数（DJIA）的走势可以通过大众媒体情绪[32]和推特情绪[26]来预测，但迄今为止，还没有研究表明这种预测方法在交易场景中是可行的。

类似地，对专业博客中讨论模式的分析可以预测一些科技公司的回报[33]，但仍然可以评估这种预测的潜在回报。处理任意大数据集的方法的应用导致结果难以应用，例如，查询“月球巡逻”[34]在对DJIA[6]的回溯测试中搜索量的预测能力。此外，对Twitter上关于公司的讨论的分析可以应用于投资组合策略中，但通过回溯测试进行的评估会导致非常温和的回报，并且没有评估其统计意义[35]。此外，之前没有研究提出一种从在线情绪数据中获得显著投资回报的预测技术[19]。我们的研究旨在缩小这些研究领域之间的差距。为此，我们统一了统计分析及其在设计和评估交易策略中的应用，基于对金融界具有潜在影响的不可执行原则。3/19大卫·加西亚，弗兰克·施韦策：《皇家学会开放科学2:150288》（2015）http://rsos.royalsocietypublishing.org/content/2/9/1502882交易策略框架为了设计和评估交易策略，我们提出了一个框架，该框架使用了一组与受审查市场的代理人相关的经济和社会信号。在这些信号中，唯一需要的是资产价格的经济信号，即股票、货币或可交易指数。为了理解可解释性，我们将价格时间序列P（t）转换为返回时间序列：Ret（t）=P（t）- P（t）- 1） P（t）- 1） （1）在每个时间步量化价格的比例变化。如图1所示，这些信号的数据被划分为分析周期和遗漏周期。

这些时期的部门需要在遗漏样本中分配足够的数据，以提供测试能力，以评估策略绩效的统计重要性。对于日常交易，大约一年的遗漏期通常是有效的，但这最终取决于交易策略的预期可能性和差异。经济信号研究、口碑、情绪分析期遗漏期多维模型冲动分析交易策略设计回溯测试评估V（t）=φV（t-1） +rt+c+ε图1：社会和经济信号分析框架以及交易策略设计和评估。多维分析。我们框架中的第一步侧重于分析期，应用向量自回归（VAR）的多维模型[36]，该模型通常用于多维时间序列的财务分析[23,37,16]。VAR为给定滞后的多维线性关系建模，在我们的分析中，我们将滞后设置为一天。因此，给定信号V（t）的向量，我们得出方程V（t）=φV（t- 1） +r* t+c+ （2） 其中φ是变量之间线性关系的权重矩阵，r是确定性趋势向量，cis是常数截距向量，以及 是不相关错误的向量。虽然可以考虑更高级的模型，包括更长的滞后时间和非线性项，但我们选择滞后1的VAR模型是因为它的一般特征及其在揭示财务模式方面的证明能力[23,16]。更复杂的模型可能具有更高的揭示细微差别模式的能力，但由于专注于特定的系统，因此损失了通用性。我们在一个模型中包含所有的时间序列，以避免与配对格兰杰检验相关的假阳性。

为了确保VAR模型的正确应用，我们需要验证我们的分析是否符合其基本假设：i）V（t）的元素没有单位根，以及ii）4/19 David Garcia，Frank Schweitzer:Royal Society Open Science 2:150288（2015）http://rsos.royalsocietypublishing.org/content/2/9/150288that误差项 没有时间或结构上的关联。在应用VaR模型之前，我们通过应用一组测试和转换来验证关于V（t）性质的第一组假设。我们通过校正噪声项中的相关性，确保我们的结论对第二组假设具有稳健性，如材料和方法部分所述。脉冲分析。VAR权重φ仅在误差项中没有相关性时提供信息 方程式2的结果，在实践中通常不是这样。为了提取可用于交易策略设计的程式化事实，我们通过测量脉冲响应函数（IRF）[38]进行脉冲分析，同时校正经验误差中的相关性。该方法在一个变量受到冲击时模拟系统动力学，应用方程2的VAR动力学再现其余变量随时间的变化。通过记录每个变量的变化，我们可以估计激波产生的扰动的总大小和时间跨度。本质上，IRF方法创建了被审查系统的计算等价物，以测试其每个元素对外部脉冲的反应。交易策略设计和评估。脉冲分析步骤的输出，如图1所示，是一组格兰杰类型的“因果关系”模式，即它测试变量之间缺乏时间相关性的无效假设。