L'application des statistiques bayésiennes dans la détermination des niveaux de support et de résistance Bitcoin

Sur la base des données du carnet d'ordres limités de plusieurs échanges, nous avons construit un indicateur de la situation globale du marché Bitcoin pour révéler la profondeur globale du marché, et utilisé des statistiques bayésiennes pour déduire les positions des niveaux de support et de résistance. La sélection de l'échange fait référence à l'indice BitMEX et à l'indice BTC-USD de Deribit pour obtenir des sources de données, et utilise les données spot bitcoin des échanges Binance, Bitstamp, Bittrex, Coinbase Pro, Gemini, Huobi, Kraken et OKEx, et compare les échanges en attente volume de commande L'unité est unifiée en dollars américains à des fins de comparaison. 1. Carnet d'ordres à cours limité agrégé La figure ci-dessous montre l'agrégation des commandes en attente supérieures à 10 000 USD dans chaque échange vers 2021.2.1 18h03 : Figure 1 Le statut des commandes en attente supérieures à 10 000 USD peut être vu à partir de la figure ci-dessus À pour le moment, Kraken et Coinbase Pro achètent plus que Binance, Huobi et OKEx ne demandent. En fait, il arrive parfois que le prix d'achat de certaines bourses soit supérieur au prix de vente d'autres bourses, ce qui offre certaines opportunités d'arbitrage. Figure 2 Commandes en attente supérieures à 500 000 $ La figure ci-dessus montre les commandes en attente supérieures à 500 000 $ sur le marché au comptant du Bitcoin Le montant des commandes en attente à différents prix est agrégé à partir des données de diverses bourses. Par exemple, 830 000 $ de bitcoins ont été vendus à 34 700, ce qui était composé de commandes en attente de 3 bourses, OKEx, Kraken et Binance. Candidat à la présidence de la Chambre des représentants des États-Unis : envisagez d'interdire complètement aux législateurs de détenir et de négocier des actions et des crypto-monnaies : Golden Finance a rapporté que Kevin McCarthy, candidat à la présidence de la Chambre des représentants des États-Unis et membre du Congrès républicain, a déclaré que si le Parti républicain prend le contrôle de la Chambre des représentants, il envisagera d'interdire complètement aux législateurs de détenir des actions et de posséder et d'échanger des actions, et cette mesure pourra être étendue aux crypto-monnaies. À l'heure actuelle, le Parti républicain contrôlera la Chambre des représentants avec une faible majorité après les élections de mi-mandat de 2022, tandis que les démocrates conserveront une majorité au Sénat.La nouvelle session du Congrès américain s'ouvrira officiellement le 3 janvier. si Kevin McCarthy dirigera la Chambre des représentants. . La présidente du comité de gouvernance de la Chambre, Zoe Lofgren, a proposé un cadre en septembre 2022 pour que les législateurs modifient la loi sur les actions afin d'interdire aux membres du Congrès et de la Cour suprême, ainsi qu'à leurs conjoints et enfants à charge, de "négocier des actions ou de détenir des titres". , matières premières, contrats à terme, crypto-monnaies et autres investissements similaires », le Federal Open Market Committee a approuvé des règles similaires interdisant aux hauts responsables de la Fed d'acheter et de détenir des crypto-monnaies. (Cointelegraph) [2023/1/3 22:22:17] Figure 3 Commandes en attente supérieures à 2 millions de dollars. La figure ci-dessus ne montre que les commandes en attente supérieures à 2 millions de dollars. On peut voir qu'il y a des commandes entre 33 500 $ et 38 500 $. Le montant d'importantes commandes en attente est à peu près la même. Si nous analysons davantage la répartition de ces commandes en attente, nous pouvons tirer davantage de conclusions. Figure 4 Commandes en attente supérieures à 5 millions USD La figure ci-dessus choisit uniquement d'afficher les commandes en attente supérieures à 5 millions USD. Fait intéressant, certains ordres de vente dont les cotations s'écartent considérablement du prix actuel existent depuis longtemps dans certaines bourses, et ces ordres en attente ne sont généralement pas inclus dans notre analyse. Figure 5 La comparaison globale du pouvoir de marché long-short Le volume de transactions de la série MoonPudgy NFT a augmenté de plus de 600 % au cours des dernières 24 heures : Jinse Finance a indiqué que les données d'OpenSea ont montré que le volume de transactions de la série MoonPudgy NFT au cours des dernières 24 heures était de 227 ETH, et le volume de transactions sur 24 heures a augmenté de 621 %, le volume de transactions se classe au 8e rang d'OpenSea. [2022/8/25 12:46:21] La figure ci-dessus montre la comparaison des forces globales longues et courtes sur le marché dans différentes fourchettes de prix. On peut en déduire que le montant total des grosses commandes en attente de l'acheteur est légèrement supérieur à celui du vendeur en ce moment, mais une telle conclusion ne convient que pour la sélection dans un marché volatil en tant que valeur indicatrice. 2. L'application des statistiques bayésiennes dans la détermination des niveaux de support et de résistance Bitcoin Dans le trading, les gens jugent généralement si un certain prix est un niveau de support ou un niveau de résistance en fonction de l'expérience. Lorsque vous voyez le volume des commandes en attente à chaque prix dans le carnet d'ordres à cours limité, il est naturel de comparer instantanément quel prix a plus de commandes en attente que les autres niveaux de prix, et les valeurs sont évidemment différentes, qui appartiennent aux niveaux de support ou de résistance. Le cerveau humain juge cela rapidement et avec précision, mais lorsqu'on l'interroge sur la base du jugement, la réponse est généralement "le sentiment", puis la conclusion correcte est tirée. Si nous analysons cela, nous pouvons souligner que la réalisation d'un tel jugement est passée par au moins les quatre étapes suivantes : (1) Le cerveau humain a une impression de la quantité de commandes en attente aux niveaux de support/résistance précédents, et peut utiliser ceci comme une expérience à considérer Si les nouvelles commandes en attente ont atteint le niveau correspondant ; (2) Le cerveau humain a une impression de la performance récente du marché, sait si les transactions du marché sont dans un état léger ou chaud, et fait les ajustements correspondants pour les commandes en attente raisonnables aux niveaux de support/résistance à l'esprit Ajustement ; (3) Dès que vous voyez le carnet d'ordres à cours limité, vous pouvez immédiatement verrouiller plusieurs commandes en attente de grande valeur en tant qu'options pour les niveaux de support/résistance ; (4) Déterminer rapidement le volume de plusieurs commandes en attente de grande valeur La différence de niveau, identifiant ainsi le niveau de support/résistance. Dans le trading quantitatif, il nous est impossible de marquer manuellement les niveaux de support/résistance un par un, et nous ne pouvons que laisser au programme le soin de porter les jugements pertinents. L'utilisation de la méthode de la moyenne ou de la méthode de la moyenne mobile semble pouvoir résoudre simplement le problème du marquage, mais son adaptabilité et "l'intelligence" font encore défaut. Par conséquent, nous utilisons des statistiques bayésiennes pour identifier les niveaux de support et de résistance. Avant de faire une introduction formelle, introduisons les statistiques bayésiennes avec un exemple moins rigoureux : Brave browser sort la version v1.40, Brave Wallet intègre la blockchain Filecoin : news le 22 juin, news officielles, Brave surfing The server a sorti la version v1.40, et Brave Wallet a intégré la blockchain Filecoin et pris en charge les jetons FIL. De plus, Brave Wallet précharge davantage de chaînes compatibles EVM, telles que Avalanche C-Chain, Binance Smart Chain, Celo, Fantom, Polygon, Optimism, etc. Brave Wallet a également ajouté la prise en charge de plus de Dapps. [2022/6/22 4:44:11] Un homme primitif a vécu dans une grotte souterraine, et un jour il est tombé par hasard sur le sol. Il n'était pas sûr que le soleil se lèverait tous les jours, alors il a d'abord fait des hypothèses basées sur sa propre expérience, puis a fait des observations. S'il suppose que le soleil se lèvera tous les jours et que les données d'observation quotidiennes confirment également l'événement du lever du soleil, alors il peut tirer la conclusion que le soleil se lèvera tous les jours ; au contraire, s'il suppose que le soleil se lèvera Cependant, les données d'observation quotidiennes sont différentes de son hypothèse. Si l'hypothèse est renversée sur la base des données expérimentales, la même conclusion correcte sera tirée - c'est juste que l'homme primitif peut avoir observé plus longtemps que la situation précédente dans afin d'être plus sûr. . C'est en fait l'idée contenue dans les statistiques bayésiennes - quelle que soit l'hypothèse (probabilité a priori), l'hypothèse est corrigée par les données d'observation, et finalement la conclusion (probabilité a posteriori) qui est conforme aux faits observés est tirée. Ceci est également similaire à la façon dont les humains émettent des hypothèses, mènent des observations expérimentales et tirent des conclusions finales dans l'exploration scientifique. On peut voir qu'en ce sens, les statistiques bayésiennes sont cohérentes avec la pensée et l'exploration humaines. 1. Méthodes statistiques bayésiennes Il existe deux grandes écoles de pensée en statistique, fréquentiste et bayésienne. Il y a à la fois des similitudes et des différences entre eux. L'inférence statistique basée sur des informations de population et des informations d'échantillon est appelée statistique classique. Son point de vue fondamental est de considérer les données (échantillon) comme provenant d'une population avec une certaine distribution de probabilité, et l'objet de recherche est cette population, et non limité aux données lui-même. Dans la seconde moitié du XXe siècle, les statistiques classiques étaient largement utilisées dans des domaines tels que l'industrie, l'agriculture, la médecine, l'économie, la gestion et les affaires militaires. Dans ces domaines, de nouveaux problèmes statistiques se posent continuellement, ce qui favorise le développement de la statistique classique. Avec le développement continu et la large application des statistiques classiques, ses propres défauts sont également exposés. La SEC américaine a de nouveau reporté la décision sur l'application Bitwise Bitcoin ETF: Selon les nouvelles du 2 février, selon un document soumis par la Securities and Exchange Commission (SEC) des États-Unis, l'agence de réglementation a de nouveau reporté l'échange Bitcoin proposé par Bitwise Asset Management Application de fonds négociés. Selon les informations de candidature précédentes, l'ETF sera coté sur Arca Exchange une fois qu'il aura été approuvé par la SEC. La SEC aurait souligné que Bitwise Asset Management est tenu de soumettre des informations sur les volumes de transactions attendus, la protection contre la fraude et la manipulation, et d'autres questions. Bitwise et NYSE Arca ont déposé une demande ETF et proposé des modifications de règles en octobre 2021, et la SEC a retardé une décision sur la demande en décembre 2021 et attendait une décision d'ici le 1er février, mais maintenant l'approbation a de nouveau été reportée. Selon Jake Chervinsky de la Blockchain Association, la prochaine fois que la SEC publiera des informations d'approbation est le 14 août 2022, mais elle peut toujours reporter la décision jusqu'à la "date limite" du 13 octobre. [2022/2/2 9:27:38] Dans l'inférence statistique, en plus des informations globales et des informations sur l'échantillon mentionnées ci-dessus, il existe également un troisième type d'informations - les informations préalables, c'est-à-dire les problèmes statistiques pertinents avant l'échantillonnage. de l'information, principalement tirée de l'expérience et des données historiques, peut également être utilisée pour l'inférence statistique. L'inférence statistique basée sur des informations sur la population, des informations sur l'échantillon et des informations antérieures est appelée statistique bayésienne. La principale différence entre celle-ci et les statistiques classiques est de savoir s'il faut utiliser des informations a priori. Il existe également des différences dans l'utilisation des informations sur les échantillons. L'école bayésienne prête attention à la valeur d'observation de l'échantillon qui est apparue, mais ne considère pas la valeur d'observation de l'échantillon qui n'a pas encore eu lieu ; l'école bayésienne attache une grande importance à la collecte, à l'extraction et au traitement de l'information préalable, la quantifie et forme Distribution a priori Participer à l'inférence statistique pour améliorer la qualité de l'inférence statistique. Ignorer l'utilisation d'informations préalables est parfois un gaspillage et conduit parfois à des conclusions déraisonnables. 2. Formule bayésienne Sous l'hypothèse de la formule de probabilité complète, Showtime, une plate-forme sociale NFT, lancera un marché NFT sur Polygon : le 6 décembre, selon les nouvelles du PDG de la plate-forme sociale NFT, Alex Masmej, Showtime établira un NFT sur Polygon. Une application mobile sera également lancée. [2021/12/6 12:54:42] Cette formule est appelée formule bayésienne, qui est une formule célèbre en théorie des probabilités. Cette formule est apparue pour la première fois dans un ouvrage de 1763 du savant britannique T. Bayes (1702-1761) après sa mort. 3. Détermination de la distribution a priori L'information a priori est utilisée dans les statistiques bayésiennes, et l'information a priori fait principalement référence à l'expérience et aux données historiques. Par conséquent, comment utiliser l'expérience des personnes et les données historiques passées pour déterminer la probabilité et la distribution a priori est l'un des problèmes à étudier par l'école bayésienne. En statistique classique, la probabilité est définie par trois axiomes de non-négativité, de régularité et d'additivité. Il existe principalement deux méthodes pour déterminer la probabilité. L'une est la méthode classique (y compris la méthode géométrique) et l'autre est la méthode fréquentielle. En pratique, la méthode des fréquences est largement utilisée, de sorte que l'objet de recherche des statistiques classiques est un phénomène aléatoire qui peut être répété en grande quantité. S'il ne s'agit pas d'un phénomène aussi aléatoire, la méthode des fréquences ne peut pas être utilisée pour déterminer la fréquence des événements liés. événements. Cela restreint sans aucun doute le champ d'application et de recherche des statistiques. Par exemple, de nombreux phénomènes économiques sont des phénomènes aléatoires qui ne peuvent pas être répétés ou ne peuvent pas être répétés en grande quantité. Dans de tels phénomènes aléatoires, il est souvent impossible ou difficile d'utiliser la méthode de la fréquence pour déterminer la probabilité d'événements connexes. Les bayésiens sont entièrement d'accord avec la définition axiomatique de la probabilité, mais croient que la probabilité peut également être déterminée par l'expérience, ce qui est cohérent avec les activités pratiques des gens. Cela permet aux phénomènes aléatoires qui ne peuvent pas être répétés ou qui ne peuvent pas être répétés en grande quantité de parler également de probabilité. En même temps, la riche expérience accumulée par les gens peut être généralisée et appliquée. L'école bayésienne croit que la probabilité d'un événement est la croyance personnelle que les gens donnent à la possibilité de l'événement en fonction de l'expérience, et la probabilité donnée de cette manière est appelée probabilité subjective. Pour la détermination de la distribution a priori, les informations a priori ou la densité marginale peuvent être utilisées. En ce qui concerne la détermination de la distribution a priori sans information préalable, de nombreux statisticiens ont étudié ce problème et ont proposé de nombreux types de distribution a priori sans information, par exemple l'hypothèse bayésienne. 4. Fonction de vraisemblance 5. Calcul de la distribution a posteriori (1) Forme de la fonction de densité de la formule bayésienne (2) Forme discrète de la formule bayésienne La forme de la fonction de densité et la forme discrète de la formule bayésienne sont données ci-dessus, c'est-à-dire la formule de calcul de la distribution postérieure. La formule de calcul plus universelle de la distribution a posteriori qui inclut en outre des variables d'état non observables et de multiples paramètres ne sera pas répétée ici. 6. L'application des statistiques bayésiennes dans la détermination des niveaux de support et de résistance Bitcoin (1) Préservation des données alternatives sur les commandes en attente de grande valeur Nous enregistrons les commandes en attente préliminaires de grande valeur dans la base de données et prenons un certain intervalle de temps pour calculer la dernière analyse statistique de ces données de commande en attente à des intervalles de temps. Les conditions de filtrage et la taille de l'intervalle de temps sont déterminées selon un modèle spécifique, et il n'y a pas de spécification particulière ici. (2) Distributions antérieures Nous avons trois distributions antérieures. La première est la distribution uniforme, sa variable aléatoire est représentée par mu, la borne supérieure et la borne inférieure de la distribution uniforme sont la valeur maximale et la valeur minimale du grand ordre en attente enregistré ci-dessus, donc la probabilité de prendre l'une des valeurs est le même. Ainsi, toute valeur de cet intervalle a les mêmes chances d'être sélectionnée, ce qui affaiblit l'influence des facteurs subjectifs dans le modèle. La seconde est la distribution semi-normale, sa variable aléatoire est représentée par sigma, et son écart-type est déterminé selon un modèle spécifique et peut être ajusté en fonction de la situation réelle. La raison d'utiliser une distribution semi-normale est que ces grosses commandes en attente sont toutes positives. La troisième est une distribution exponentielle avec une moyenne plus petite, et sa variable aléatoire est représentée par nu. C'est aussi un a priori très faible. (3) Fonction de vraisemblance Nous utilisons la distribution t au lieu de la distribution normale pour décrire la fonction de vraisemblance. Les trois paramètres de la distribution t : moyenne, échelle (similaire à l'écart type) et degrés de liberté sont mu, sigma et nu, respectivement. La distribution t est souvent utilisée pour estimer la moyenne d'une population distribuée normalement, avec un kurtosis inférieur à la distribution normale standard et des queues plus épaisses que la distribution normale standard. La distribution t ne se regroupe pas autour de la moyenne comme le fait la distribution gaussienne, elle s'attend à voir les données dans les deux sens loin du centre des données, de sorte qu'elle peut être utilisée pour résoudre les valeurs aberrantes. Dans notre modèle, les estimations de la distribution t sont plus robustes par rapport à la distribution normale. En raison du manque d'espace, nous n'introduirons pas la distribution marginale en détail

Tags：

XMR