如果你没有听过区块链,那你一定听过比特币。以比特币为代表的数字加密货币(cryptocurrency)这几年火遍全球,其背后的区块链技术也被描述得神乎其神。有人趋之若鹜,有人不屑一顾。有人狂赚,指点江山,感叹时事造人;有人巨亏,一筹莫展,后悔上车太晚。
炒币如炒股,方法五花八门。技术派看各种指标,基本面派研究白皮书;有人听消息,也有人直接梭梭梭。
从分类上看,数字货币可以作为一种新兴另类资产,其投资策略可以有:
精选币种。根据基本面和技术面进行打分,精选优质数字货币,上涨潜力大
垃圾币策略。类似于看涨期权,下跌空间有限,上涨不可描述
趋势跟踪。学术上叫时间序列动量,在期货交易中普遍应用
套利。可以跨币套利,可以跨平台套利,也可以在数字货币期货合约上跨期套利
坐庄。不多说
本文不谈对错和好坏,只谈数据和研究。我们采集了1380个数字货币的历史数据,对其进行清洗和整理,研究数字货币市场特征;然后在横截面上计算了反转、波动、流动和规模因子,探索其与收益关系;然后设计了一个经典的趋势跟踪模型,用于择时交易。本文接下来分为如下几部分,第一部分简单回顾文献,第二部分介绍数据,第三部分探索数字货币市场特征,第四部分讨论多因子模型,第五部分设计趋势跟踪模型,第六部分多啰嗦几句。
已有研究
数字加密货币属于“不正规”资产,在学术上处于鄙视链的下端;又因为其时间较短,交易较分散,数据长度和质量得不到保障,因此其量化策略研究成果不多。
为了增加可读性,本文不进行严肃的文献综述,只介绍最近的一篇paper。《“Know When to Hodl 'Em, Know When to Fodl 'Em”: An Investigation of Factor Based Investing in the Cryptocurrency Space》是我读的第一篇将多因子框架用于数字货币的研究,发表于2017年10月19日,作者Hubrich博士,就职于美国著名资产管理公司T. Rowe Price Associates。标题中“Know When to Hodl 'Em, Know When to Fodl 'Em”出自Roger的民谣《The Gambler》。
这篇论文利用11个数字货币的行情和发行数据,构造了动量、价值和caryy因子:
三个因子都有效,动量因子表现最好,因子复合后能获得更高的风险调整后收益。
这样,作为一种另类资产,数字加密货币也能用传统的因子框架进行研究。如果有合适的标的,可以考虑将数字加密货币加入到配置方案,以增加组合的分散性。关于数字货币的产品化思考,可以查看《加密货币和区块链金融产品化的未来-以比特币ETF发行为例》(徐杨,公众号“新全球资产配置”)。
数据
本文聚焦于数字货币的因子研究,包括横截面上,包括动量、波动性、流动性和规模;也包括时间序列上,即趋势跟踪。在数据源上,交易平台众多,没有统一的数据规范,给数据的采集带来一定的困扰。
我们的数据采集自https://coinmarketcap.com,其收录的加密货币具备一定的参考价值。在该网站上,能够了解到每个货币的详细信息,包括行情、市值、发行和社交媒体信息。
我们最终采集了1380个数字货币的开盘价、最高价、最低价、收盘价、成交量和市值,时间区间为20130428~20180120,一共716078条。
市场特征
我们从数量增长、收益波动、流动性、市值分布和日内变化等角度,分析数字加密货币的市场特征。
首先,我们统计数字加密货币的数量变化。在2014年之前,只有50支;截止到2018年1月20日,已经超过1380支。2017年是数字加密货币发行高峰,超过710支货币ICO。随着数字加密货币市场的火爆,我们预计今年会有更多的币出来,进一步丰富货币池。
接下来统计了所有数字加密货币的年化收益、年化波动和最大回撤。不出意外,除了大还是大:年化收益大得离谱,年化波动大得变态,最大回撤可以让人一无所有。
再来看一下流动性统计。接近一半的货币至少有一天没有任何交易;就算有,量也不大。
然后看一下市值对比。因为市值会随着价格和流通量变化,这里统计每个数字货币的市值中位数。可以看到,市值的差异非常大,绝大多数币种规模不大。
最后统计日内变化情况。其中日内振幅计算公式为(high-low)/low(high−low)/low,日内趋势计算公式为abs(open-close)/openabs(open−close)/open。从振幅可以看出,数字货币日内价格变化幅度较大,最终形成长长的K线;从趋势指标来看,收盘价容易偏离开盘价,形成较大涨跌幅,可能会对日内交易有利。
从上面的分析可以看出,数字加密货币具有以下市场特征:
数量越来越多
潜在收益巨大
波动也异常大
亏损大很正常
市值差异悬殊
日内趋势明显
横截面因子
APT(Arbitrage Pricing Theory)模型用多个因子来解释资产收益,根据无套利原则,得到风险资产均衡收益与多个因子之间存在近似线性关系,即资产或组合的预期收益率与一组影响它们的共性因素线性相关。例如,根据AQR的因子框架,价值、动量、carry和防御因子广泛存在,长期有效。
因此,我们假设数字加密货币的收益和一系列因子有关:
基于当前可得数据,我们定义了反转、波动、流动性和市值因子。
计算每个因子,用中位数法剔除异常值,然后进行标准化,最后等权重加权。4类因子直方图如下,其中波动、流动和规模呈明显正偏态。
接下来考察四类因子的相关情况,相关系数矩阵热力图展示如下:
最后,计算每类因子的IC,即因子值与未来N天收益的秩相关系数。Hubrich(2017)认为,数字加密货币市场波动剧烈,不确定性大,再平衡窗口不能太长。因此本文N取7天和14天,结果如下:
从横截面因子数据,可以初步得出以下结论:
波动因子、流动因子和规模因子,呈明显的右偏形态
4类因子相关性低,含有不同的信息
数字加密货币具有短期反转效应,和A股极为相似,可能因为绝大多数参与者为散户
波动因子和收益也具有负相关关系,过度投机的币种后续往往表现不好
对低流动性的币种,市场会给于溢价
最后,数字货币市场也有一定的小规模效应
未来可以通过多个因子结合,精选币种,构造多头组合
趋势跟踪
无论在学术界还是实业界,预测收益率都异常困难,而预测波动率和收益率符号相对来说更可能一些。趋势跟踪(trend following)策略,就是预测未来收益符号的典型应用。
趋势跟踪,民间俗称技术分析(technical analysis),学术上叫时间序列动量(time series momentum),在国外对冲基金中取得了巨大成功,在学术界也吸引了大量的关注。根据长期跟踪CTA基金的barclay CTA index显示,从1980年到2016年底,CTA基金年化收益高达9.59,夏普比率为0.37,显示出持续的盈利能力。学术上,以AQR的《Time Series Momentum》(Moskowitz,2012)为代表,发现趋势跟踪策略在股票、商品、货币和固定收益等资产中广泛存在,并且不能被已有的风险因子所解释。
趋势跟踪模型有很多,我们选择了经典的布林带策略,规则如下:
对数字货币c在时刻t,计算其价格20日移动平均ema和标准差std
计算上轨和下轨:
upper = ema + 2 * std
lower = ema - 2 * std
如果最新价p>upper, 开多;如果最新价p<lower, 平仓
我们选择了时间较长,交易活跃,接受度高的5个币种,进行回测。
买入并持有策略,其风险收益结果如下:
布林带策略,其风险收益结果如下:
可以看到,趋势跟踪策略明显提升了年化收益,降低了最大回撤。
如果同时交易这几个品种,并应用布林带策略,等权重且月度再平衡,回测结果如下:
从趋势跟踪策略的回测结果,可以看到:
择时可行,能有效提升收益,减少回撤
多币种组合后,效果进一步提升
未来可以考虑多品种多策略多周期的框架
结尾
本文对数字加密货币市场特征进行了探索,并介绍了几个横截面因子,最后回测了趋势跟踪模型。 由于数字加密货币是一种新兴事物,各方面都不成熟,本文的结论仅作为参考;如果想深入了解,需要进一步精细研究。
数字加密货币大涨大跌,虚虚实实,注定是一个修罗场。
ps:获取本文数据,关注“新投顾”公众号,转发本文并截图回复“数据”,即可获得