社会信号和比特币的算法交易

我们使用这些模式作为程式化事实，表明哪些变量先于价格回报的变化。例如，如果变量Y（t）在脉冲分析中对Ret（t）有显著影响，我们将在我们的交易策略设计中使用符号sY包括Y（t），如果Ret（t）对Y（t）的响应为正，则取值1，并且-1否则。因此，基于Y（t）的预测器将为sign（Ret（t+1））=sign（sY）* （Y（t）- Y（t）- 1） （3）通过这种方式，如果在时间t和t+1之间具有正响应的信号增加（减少），我们预测价格在时间t和t+1之间增加（减少）- 1和t，反之亦然。由于我们的多维分析对多个时间序列之间的混淆具有鲁棒性，脉冲分析的结果可以整合到基于投票机制的组合策略中。组合策略应用其他预测因子，并根据其输出之和的符号（即多数票）制定预测。我们根据图1所示的对遗漏样本的回溯测试，对比标准策略的基准，评估所设计策略的可行性。对于每种策略，我们都会对遵循该策略的交易员进行数据驱动的模拟，并每天记录该交易员的业绩。有关金融交易员计算模拟的详细信息，请参见材料和方法部分。比特币社会经济信号我们将我们的方法应用于基于比特币生态系统的社会经济信号的比特币交易案例。我们建立了一个监控不同数据源的系统，结合历史时间序列实时检索数据。图2显示了我们近四年研究期间记录的数据量，可以在我们的在线可视化中交互浏览。

我们测量的信号在材料和方法中有更详细的解释。sg。埃斯。ch/btc5/19David Garcia，Frank Schweitzer:皇家学会开放科学2:150288（2015）http://rsos.royalsocietypublishing.org/content/2/9/150288section包括价格P（t）和回报率Ret（t）的经济信号，以及各种比特币交易市场FXV ol（t）的交易量。此外，我们测量区块链BCT ra（t）中交易量的经济信号，该区块链衡量比特币作为货币的使用量，以及最重要的比特币客户端Dwn（t）的下载量，作为比特币技术采用增长的衡量标准。我们测量的社会信号是谷歌搜索“比特币”一词的搜索量水平（t），口碑水平（通过包含比特币相关词TN（t）的推文数量来测量），以及在推文中使用基于心理语言学词汇的方法[39，40]表达的情感价TV al（t）和观点极化TP ol（t）（更多细节见材料和方法）。所有这些信号如图2所示，说明了与比特币相关的价格和其他信号的大幅波动。0 400 800 1200FX交易量[BTCx1000]0 25 50下载[x1000]0 20 40 60 80 100BC交易[x1000]0 250 500 750 1000价格[USD/BTC]02/2011 07/2011 01/2012 07/2012 01/2013 07/2013 01/2014 07/2014 12/2014-outperiodPrice（BPI）交换量来源大量下载锁链交易0 40 80 120推特号码[x1000]0 0.5 1谷歌搜索量5。4.5.6.8 6.0配价0。1 0.2 0.3 0.4 0.5极化02/2011 07/2011 01/2012 07/2012 01/2013 07/2013 01/2014 07/2014 12/2014推特搜索量的日期极化（每周）图2：比特币生态系统中数据量的时间序列。

互动版本：www.sg。埃斯。ch/btc3结果3。1数据驱动的比特币交易策略设计我们的统计分析包括截至2014年1月1日的所有数据，涵盖近3年。在应用平稳性测试后，我们得出结论，价格回报率Ret（t）的时间序列可以假设为平稳的，以及其他七个信号的第一个差异（关于平稳性测试结果的详细信息可以在www.sg.ethz.ch/btc和SI中浏览）。因此，我们定义了我们的变量6/19 David Garcia，Frank Schweitzer:Royal Society Open Science 2:150288（2015）http://rsos.royalsocietypublishing.org/content/2/9/1502880 1 2 3 4 5 6 7-0.2 0.2 0.6回报率的响应[%]回归极化回归外汇量01 2 3 4 5 6 7-0.15 0.00 0.10响应[sd]极化到价极化返回0 1 2 3 4 5 6 7-0.05 0.05吨[天]响应[sd]外汇量对ValenceFX量对极化T[天]0 1 2 3 4 5 6 7-0.2 0.2 0.4 0.6收益的累积响应[%]下载SearchBC Transactions FX VolumeTweets NumberValentCepolarization ABCD图3：脉冲响应函数分析的结果。（A） 推特极化和交换量的回复冲击的脉冲响应函数，（B）推特极化对回复和推特价冲击的脉冲响应函数，以及（C）交换量对推特价和极化冲击的脉冲响应函数（右图）。实线表示回答，虚线表示95%的置信区间。（D） 价格对其他信号变化的累积脉冲响应函数。虚线表示响应低于0.1%的水平。向量为：V（t）=[Ret（t），F XV ol（t），BCT ra（t），Dwn（t），S（t），总氮（t），电视al（t），TP ol（t）]构成我们框架多元分析的输入。在分析期内，我们按照材料和方法中的解释设定了VAR。

我们计算所有变量对的IRF，所有结果包括VaR估计和IRF值都可以在www.sg上浏览。埃斯。ch/btc和SI中。在这里，我们对最相关的结果进行评论，作为我们交易策略设计的输入。图3 A显示了外汇市场两极分化和成交量冲击回报的内部收益率，其响应以回报百分比衡量。两极分化和交易量在冲击后一天对价格回报产生显著的积极影响，之后迅速下降。随着两极分化，回报率增加，这与不一致在投机情景中助长交易的假设是一致的[30,31]，在投机情景中，信息不对称助长了价格泡沫。交换量也随着极化而增加，如图3C所示，但这种关系是瞬时的，而不是像回报那样滞后。7/19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/2/9/150288Figure3B显示了Twitter上的两极分化对回报和价格冲击的反应。两极分化的负面影响表明，价格下跌导致两极分化加剧，这表明比特币社区因价格崩溃而存在分歧。将价态与极化联系起来的模式是相关的，它揭示了表达中正性增加的周期先于更高极化的阶段。在图3 C中的交换体积IRF中可以进一步观察到价的作用，其中价具有显著的影响。除了极化和交换量的影响外，价增长阶段后极化和交换量增加的模式组合显示了价在价格回报中的相关性。我们从两个方面进一步验证了这些结果。

首先，我们设定一个滞后时间超过一天的VAR，选择优化贝叶斯信息标准的最佳滞后时间。我们发现滞后2是最佳的，但FITS和IRF分析的结果没有发生质的变化（见SI）。其次，我们进行了aMonte Carlo检验，计算了随机排列的时间序列的脉冲响应函数。这些排列测试的结果与SI中报告的上述结果一致，表明了我们方法的稳健性。将分析转化为策略，我们将上述发现总结为可以驱动算法交易者决策的程式化事实。通过计算IRF分析给出的累积变化，我们更关注每个信号在回报中的作用。通过这种方式，我们可以确定哪些信号在回报变化之前显示出相当大的模式，并过滤掉那些不重要或可以解释为混淆其他信号的信号。图3D显示了结果，测量了当其他每个信号接收到大小为一个标准偏差的冲击时，返回百分比的累积变化。影响高于0.1%水平的三个信号是极化、价态和交换量，随着时间的推移，一天内影响可达0.5%。请注意，这是一个相对较大的值，因为读取结果是乘法返回。这种影响大小对长期交易策略的稳定性有很大的潜在影响。

这使得我们可以丢弃其余的信号，通过生成四种策略来反馈我们的交易策略设计：正号、价、极化和FXVolume三种策略，以及由投票机制确定的第四种组合策略，如交易策略框架部分所述。3.2比特币策略评估为了评估我们四种策略的可行性，我们使用比特币中BTC对美元的实际汇率，针对随机策略和技术策略建立了一个基准。com以及比特币价格指数（见www.sg.ethz.ch/btc了解BPI的结果）。随机策略在每个时间t抽取一个平均值为0的随机数，并根据该随机数的符号进行预测。在技术策略中，最简单的是买入并持有，即在初始资本时间t=1时买入BTC，在评估利润时只卖出一次。

我们使用的技术策略是简单标准预测的基准[5]：i）动量策略，它预测t+1时的价格变化将与t时相同；ii）上下持续性策略UPD，它预测t时的价格上涨后，t+1时的价格下跌，反之亦然；以及iii）相对强度指数策略RSI，计算额外的回报率时间序列8/19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/2/9/150288-100-2014年利润[%-01-01 2014-03-01 2014-05-01 2014-07-01 2014-09-01 2014-11-01 2015-01-01DateMomentTumbuy和Holdsupd-50 100 200 2014年利润[%-01-01 2014-03-01 2014-05-01 2014-07-01 2014-09-01 2014-11-01 2015-01-01组合价极化FXVolumerAndOm0。000 0.005 0.010 0.015 0.020-100-50 0 50 1000.000 0.005 0.010 0.015 0.020-100 0 50 150 250便士（利润）利润[%]利润[%]图4：交易策略的绩效。左图：我们的战略（上图）和技术战略（下图）的绩效时间序列。阴影区域显示随机策略的一个标准偏差。互动版本：www.sg。埃斯。ch/btc右图：每种策略的性能的内核密度图（带宽=15%）。五天滚动窗口内的频率，并根据该时间序列的反转预测价格变化（更多详细信息见[5]）。对每种策略的模拟都会产生一个pro fitspro fit（t）=C（t）的时间序列- C（0）C（0）* 100（4），其中C（t）是时间t时交易者的资本，C（0）是初始投资资本。图4显示了我们四种策略和技术策略的时间序列。此外，我们还计算了买入和持有的比例，以及10000名随机交易者的模拟结果。

配价策略、极化策略和组合策略明显优于随机交易者，而FXVolumeis与随机交易者的结果相差不远。在技术策略中，只有RSI和Momentuma最终能够超越随机交易者的结果，但极化和组合策略仍明显优于它们。我们的数据给出了交易策略模拟的停止时间，但在真实场景中，多种因素可能会触发交易者提前停止交易[3]。因此，假设交易在回溯测试期间的任意点停止，我们将探讨每种策略的利润分布。因此，对于每种策略，我们都有一组利润值，每个可能的交易日期都有一个。图4的右面板显示了每种策略的利润分布的核密度图。可以理解的是，最有利的策略是组合，然后是极化，然后是价和RSI。我们通过Wilcoxon测试[41]对利润分布（SI中的更多细节）进行了定量评估，证实了最有利的策略是组合的观察结果，以及极化。更准确地说，在交易期间的大部分时间里，组合策略带来的利润超过100%。9/19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/2/9/150288While对累积收益的调查可以说明策略的表现，累积收益的乘法化会使早期头寸的权重过大，并且偏向于估值期的开始。

为了正确评估交易策略，我们计算了夏普比率[42]，将风险修正后的利润测量为：SR=uR-RfσR，其中uRandσ是策略的每日收益率的平均值和标准偏差R（t）=（C（t）- C（t）- 1） ）/C（t- 1). Rf是一种理论投资的“无风险”回报率，在完全没有风险的情况下会产生一定的收益，通常被估计为高质量主权债券的利率。在撰写本文时，一些欧洲主权债券的利率接近于零，甚至为负[43]，这促使我们保守地选择F=0。SR的价值是以年化单位计算的，考虑到比特币一年可以交易365天。组合极化价FXVolume Buy and holdSR 1.7653 1.0120 0.6410 0.5738-0.7741uR0。3229 0.1779 0.1183 0.1082-0.1635动量UPD RSI DJIA RandomSR 0.9146-0.8990-0.1772 0.7995-1.6590uR0。1625-0.1736-0.0346 0.0345-0.0963表1：夏普比率和策略的日均回报率。表1报告了所有策略的夏普比率SR和平均日收益率uR，以及10000名随机交易者的夏普比率SR和平均日收益率uR。夏普比率分析与累积回报分析的结果一致，表明组合策略提供最高回报，最佳SR值高于1.75，每日回报率高于0.3%。这些策略的可行性说明了社交媒体情绪如何能产生积极的投资回报，尤其是当在价格或情绪的细微量化之外加入极化措施时。3.3组合策略的成本和风险为了更好地理解组合策略可能存在的弱点，我们进行了一系列测试，以评估交易成本和额外风险的作用。

在在线市场上交易比特币通常会产生一定的成本，这通常取决于交易活动和交易资本。这些交易成本不应与区块链[9]中的交易费用混淆，后者不依赖于交易成本，也不与任何其他货币兑换市场相关。交易成本可能会削弱交易策略的稳定性，尤其是在需要多次变动的情况下。我们模拟了成本从交换资本的0%增加到0.3%的samebacktests，该值远远高于主要交易平台的最大成本[44]。简单来说，我们假设购买、销售和借款成本相同，但它们的价值可能取决于策略的交易量[44]。图5显示了组合策略的最终效果，该策略随着交易成本单调下降。对于低成本，该策略仍然具有很高的可行性，但对于0.25%以上的成本，该策略不再具有可行性。此外，我们重复这一分析，假设每天的头寸需要在每个交易周期结束时强制关闭（以SI显示），发现回报率下降，但策略仍然适用于0.1%的交易成本，这是当前交易平台的典型高成本[45]。10/19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/2/9/1502880.000.05 0.10 0.15 0.20 0.25 0.300 50 100 150交易成本[%]利润[%]图5：合并策略与交易成本的最终收益。在此应用中，遗漏期的特点是BTC价格下降。因此，评估每一种可能的交易行为的作用是很重要的：当BTC被买来以后出售时的渴望，以及当它们被借入和交易时的卖空，如上所述。