社会信号和比特币的算法交易

我们按照[6]的方法重复组合策略的回溯测试，只允许空头和多头头寸。正如SI中更详细的报告所述，唯一的短期策略比唯一的长期策略产生更高的累积回报，正如在价格稳步下降的时期所预期的那样。我们进一步测试了组合策略在遗漏期的行为特性。在剔除期内，组合策略的日收益率分布遵循对数正态分布，通过最大似然函数和科尔莫戈罗夫-斯米尔诺夫检验进行检验（见SI）。该策略的收益时间序列也不是自相关的，可以认为是平稳的（参见SI，了解每日收益的平稳性测试）。该附加分析表明，组合策略的高可靠性并非由于交易策略行为中的风险相关性。4结论性意见我们的工作应用时间序列分析和计算金融的既定方法，整合交易策略和社会经济信号的分析、设计和评估。我们已经证明，我们的方法成功地揭示了比特币生态系统中的时间模式，特别是价格回报与交易量、Twitter价格和极化信号之间的关系。我们的统计分析对噪声相关性和时间序列的有限性具有鲁棒性，提供了一组一致的结果，我们可以应用于策略设计。

我们通过对交易者计算模型的数据驱动模拟，评估了我们策略的可行性，结果表明，结合价格、极化和交易量的策略可以在不到一年的时间内达到非常高的收益。在我们的分析中纳入两极分化的附加值证明，情绪和观点的集体因素有可能预测财务回报，而不仅仅是平均价格等微不足道的宏观因素。11/19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/2/9/150288Our该框架可以应用于其他有社交信号的交易场景，比如由销售数据、新闻信息和社交媒体情绪驱动的公司股票交易。我们方法的一般性质与真实交易场景特别相关，因为我们用来设计策略的类型化事实为其机制提供了一个易于理解的解释。这使我们的贸易商能够理解和评估在我们的框架中设计的算法交易策略的原理。与没有直接解释的更复杂、非线性或子符号模型相比，这种可处理性是一个优势。然而，通过增加更长的时间滞后、更高的交易频率和实时优化方法，可以预期会有所改善。此外，驱动我们交易策略的规则在交易过程中不需要再培训或校准，我们使用的社会和经济信号可以在一天内量化，以便在第二天开始时立即做出交易决定。

因此，我们对比特币交易的应用是现实的，利用做空期权，在比特币市场的典型交易成本下表现良好[44]。应用我们的结果时应谨慎。通过回溯测试获得的历史收益不一定能预测未来的收益，这里分析的信息来源可能会被比特币交易员采用。我们的评估涉及到遗漏样本的代表性，未来研究应该评估我们的方法在价格上涨和交易者意识到我们交易策略存在时的表现。众所周知，金融市场能够迅速吸收知识，就像在股票交易中包含搜索趋势数据[7]一样。自动交易策略的可扩展性也很难估计，因为金融市场是一个复杂的自适应系统，能够对大量交易做出反应。此外，算法交易会产生系统性风险，并因算法共振而导致崩溃[8]。此外，当交易所市场关闭或政府监管比特币时，借贷比特币做空的结构性变化和额外风险可能会出现，从而改变游戏规则，使我们的交易策略可能不再有效。通过我们的研究，我们发现将社交信号转化为利润是可能的。这扩展了社交媒体数据的典型商业应用程序的范围，如病毒式营销或用户参与度。具体而言，我们将统计分析和回溯测试相结合，作为算法交易中社交媒体数据未来应用的框架。它允许对战略优势进行强有力的验证，并清晰地理解这些优势背后的系统动力学。

我们的框架在比特币交易中的应用说明了（不对称）信息和利润是同一事物的两种表现形式，以及交易者如何利用这些宏观信息源来获得巨额利润。我们预计，社会信号在金融中的应用将远不止比特币，不仅是为了私人利益，也为了理解个人和集体决策和情绪的动态。5材料和方法稳定性试验。在建立VAR模型之前，我们通过两种替代测试来测试每个时间序列的平稳性：i）增强的Dickey Fuller（ADF）测试[46]，该测试具有被测试时间序列非平稳的零假设；ii）Kwiatkowski-Phillips-Schmidt-Shin（KPSS）测试[47]，该测试具有时间序列平稳的零假设。根据这两项测试，可以考虑12/19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/2/9/150288safe如果时间序列通过ADF测试且p值低于0.05，但未通过KPSS测试，则该时间序列是平稳的，p值高于0.1[38,16]。我们首先分析每个信号X（t）水平的时间序列，应用微分算子X（t）=X（t）- X（t）- 1） 直到每个时间序列都是静态的。这一步受ARIMA时间序列分析[48]的Box-Jenkins方法启发，通常在第一次差异后达到平稳性[38,16]。这些时间序列的平稳性意味着它们的平均值和标准差是有界的，允许我们通过Z变换Z（t）=（X（t）对它们进行重新规范化- uX）/σX，其中uX和σX是每个时间序列的平均值和标准偏差。这样，所有时间序列都具有相同的尺度和方差，可以比较它们在统计分析中的效果。脉冲响应函数分析。

在脉冲分析中，我们校正了 有两种方式。首先，我们应用单位协方差的正交化脉冲，在VAR的误差相关性下，在变量中产生一个标准偏差的冲击[49]。其次，我们通过对残差进行重新采样，生成替代时间序列，从而对结果进行自举[38]。通过这种方式，我们以非常严格的方式计算响应的置信区间，避免误报，并考虑分析周期的有限大小。在我们的例子中，我们创建了10000个bootstrapsamples，以估计95%的响应置信区间。因此，我们同时测量系统的动力学并测试其统计意义。基于预测的交易。在每个时间步中，预测函数根据方程式3或技术策略的价格时间序列进行预测。当交易者不拥有资产时，积极的预测转化为买入决策，如果拥有资产，则持有。当预测值为0时，不进行任何更改，并模拟上一个位置。当交易者持有资产时，负面预测转化为卖出头寸；当交易者不持有资产时，负面预测转化为空头头寸。做空工作如下：交易员可以从正确的价格下跌预测中获利，即使他们不出售预计价格下跌的资产。这是通过借入资产，先出售，然后以更低的价格购买来实现的。借贷的限制通常是针对交易者已经持有的资本金额，并且通常会导致额外的交易成本和法律法规[50]。

对每种策略的模拟都会产生一系列收益，使我们能够根据历史数据衡量它们的稳定性。买卖订单有各自的成本和CBC，这与总交易资本成比例。在我们的例子中，我们假设所有成本都是相等的c=cb=cs，将成本的具体实现留给未来的研究。当交易停在t+1时，我们计算每日累积收益，持有美元或以t+1的价格出售BTC。我们的交易模拟根据交易者持有的资本量设定了卖空限制，并假设卖空需要立即执行，即卖空头寸仅限于一次迭代。总之，我们执行的策略是单一资产回溯测试场景，在该场景中，每个时间步都会投入100%的资本，并且做空是有限的。该模拟的伪代码如算法1所示。来自金融数据的经济信号——各种比特币交易市场的建立和破产——推动了比特币价格指数（BPI）的创建[51]。BPI结合了一组表现良好的交易所市场的价格指数，为BTC/USD交易所13/19提供参考。David Garcia，Frank Schweitzer：《皇家学会开放科学》2:150288（2015）http://rsos.royalsocietypublishing.org/content/2/9/150288nUSD = 1; CR[1]=1；对于从1到t-1的每个t，doif预测（X，t）==1和nBTC==0，然后nBTC=nUSD*（1-cb）/P[t]；如果预测（X，t）=-1且nBTC>0，则nUSD=nBTC*（1-cs）*P[t]；如果预测（X，t）=-1且nBTC==0，则NBTCB=nUSD/P[t]；nUSD=nUSD+nBTCb*（1-cs）*P[t]-nBTCb*P[t+1]/（1-cb）CR[t+1]=nUSD+nBTC*P[t+1]*（1-cs）；endAlgorithm 1：交易模拟算法。并被公认为经济学中比特币价格的标准衡量标准[52,53,18]。

我们使用coindesk提供的格林威治标准时间23:59 t的每日损失价格。com，构成了从2011年2月1日到2014年12月31日的价格P（t）的时间序列，如图2的顶部面板所示。BPI不一定是可交易的，因此，我们用比特币中的BTC对美元的实际汇率来评估我们的交易策略。com，Cointdesk报道的最大市场之一。通用域名格式。我们还从比特币图表中检索了80个在线市场上BTC兑换其他货币的每日交易量。通用域名格式。综合所有这些数据源，我们组成了一个互联网范围内的BTC外汇交易量（FX）指标，包括2015年初我们记录的超过1.52亿BTC的外汇交易量。每次在BTC购买产品和服务都会在区块链中留下痕迹，即记录比特币网络中所有交易的分布式账本。我们用区块链衡量的区块链交易量BCT ra（t）构建了一个时间序列。每天18:15:05 UTC的信息，我们将其近似为第二天的00:00 GMT。虽然一些数据会在额外的延迟数小时内丢失，但进一步的研究可以使用区块链本身的原始信息（如[16]所示）提供高达分钟的更精确测量。通过这种方式，我们在研究期间包含了5500多万笔交易，衡量了使用比特币作为交换手段时系统的整体活动。此外，我们还通过衡量最受欢迎的比特币客户端[16]的下载量来衡量比特币市场的增长，每天的下载量与其他时间序列一致。

由此产生的下载时间序列Dwn（t）如图2的顶部面板所示。社交信号我们通过信息搜索记录了人们对比特币的整体兴趣，这是由谷歌趋势卷（Google trends volume）对术语“比特币”（Bitcoin）S（t）的量化，如2015年初记录的，如图2的底部面板所示。我们选择搜索词“比特币”而不是“比特币-货币”主题，这是在我们的分析期间作为谷歌趋势的一项功能引入的。虽然主题法在人口统计学和动机分析中更精确[12]，但我们遵循同形词neoushttp://sourceforge.net/projects/bitcoin14/19David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/2/9/150288approach仅包括整个研究期间可用的术语趋势数据。值得注意的是，Google Trends数据的滞后时间为一天，并基于太平洋标准时间而非GMT，这几乎增加了一天的滞后时间。虽然这不是历史分析的问题，但使用S（t）对任何交易策略进行评估时，都需要考虑这一额外延迟。我们通过Topsy数据服务在Twitter上追踪社交媒体对比特币的关注。根据Topsy[54]可访问的完整数据记录，我们将重点放在包含比特币术语的推文上，与之前的研究[16]一样，共发现19578671条比特币相关推文。我们从Twitter中提取的第一个社交信号是从格林威治标准时间00:00开始，在24小时窗口中存储的关于比特币TN（t）的每日独特推文量，用于衡量口碑和对比特币的关注程度，如图2的底部面板所示。我们继续测量与比特币相关的集体情感价值，通过比特币相关推文的文本表达。

配价被认为是影响的最重要维度，量化了情感体验的愉悦或不愉悦程度[55]。通过文本表达配价是心理学研究中的一种常见做法，在这种研究中，词汇技术被用来经验性地测量情绪[56,57]。我们通过最先进的词汇技术[40]测量比特币相关推文的平均每日价格，该技术改进了之前的新词汇方法[56]，使用了超过13000个价格编码单词。我们分两步计算了t天比特币的每日平均Twitter价：首先，我们测量了当天词典中每个词的频率，然后，我们计算了每个词的平均价权重。这个测量匹配了超过5000万个携带价的代币，并生成了Witter valence TV al（t）的时间序列。我们的最后一个社会信号是意见两极分化，它建立在将单词的语义方向划分为正面和负面评价术语的基础上[58]。我们采用了基于LIWC心理语言学词汇的方法[39]，通过将词干与Google Books数据集中最常见的英语单词进行匹配，将词干词汇扩展为单词[59]。因此，我们考虑了3463个肯定词和4061个否定词，它们作为800多万个Twitter代币出现。我们计算推特上围绕比特币主题TP ol（t）的观点的每日极化，计算每个比特币相关推特上正反两个词的每日比率的几何平均值。注意，我们没有通过两个不同的词汇重复测量配价，而是将两极分化量化为情感配价的补充维度。

通过这种方式，意见两极分化衡量的是积极和消极主观性内容的同时共存，而不是其总体方向[58,23]。参考文献[1]Lazer，D.，Pentland，A.S.，Adamic，L.，Aral，S.，Barabasi，A.L.，Brewer，D.，Christakis，N.，Contractor，N.，Fowler，J.，Gutmann，M.et al.，2009网络生活：计算社会科学的未来时代。《科学》（纽约州纽约市）323721。[2] Schweitzer，F.和Vespignani，A.，2012年社论。EPJ数据科学1，1。ISSN 2193-1127。（doi:10.1140/epjds1）。http://topsy.com/15/19David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[3] Treleven，P.，Galas，M.和Lalchand，V.，2013算法交易评论。ACM的通信56、76–85。[4] Park，C.-H.和Irwin，S.H.，2004技术分析的可行性：综述。伊利诺伊大学香槟分校农业和消费经济系技术报告。[5] Biondo，A.E.，Pluchino，A.，Rapisarda，A.和Helbing，D.，2013随机交易策略比技术策略更成功吗？公共科学图书馆一号，e68344。[6] Preis，T.，Moat，H.S.和Stanley，H.E.，2013年，使用谷歌趋势量化金融市场的交易行为。科学报告3。[7] Curme，C.，Preis，T.，Stanley，H.E.和Moat，H.S.，2014年，量化股市波动前搜索行为的语义。美国国家科学院院刊11111600-11605。[8] 库苏马诺，M.A.，2014比特币生态系统。ACM 57、22–24的通信。[9] 中本，S.，2008比特币：一个点对点电子现金系统。比特币基金会技术报告。[10] 范·阿尔斯特恩，M.，2014为什么比特币有价值。ACM 57、30–32的通信。[11] Christin，N.，2013《丝绸之路之旅：一个大型匿名在线市场的测量分析》。