Wykorzystanie regresji logarytmicznej do prognozowania ceny bitcoina

4 405

Zastanawiasz się, jaka może być cena bitcoina i ethereum za kilka lat? Nie daje Ci zasnąć pytanie, jak głęboko może zawędrować bitcoinowa korekta lub jak wysoki może okazać się lokalny szczyt ceny ethereum? Odpowiedzi na te pytania możesz uzyskać stosując relatywnie proste modelowanie danych oparte na regresji liniowej.

UWAGA

Zaznaczmy na wstępie, że poniższy artykuł nie jest bynajmniej poradą inwestycyjną a Ty nie powinieneś w oparciu wyłącznie o jego treść podejmować decyzji o inwestycji. Celem tej publikacji jest unaocznienie kilku ciekawych i istotnych (z punktu widzenia analizy danych) struktur, które dadzą się interpretować w dość ciekawy i inspirujący sposób w oparciu o kilka “fantazyjnych linii”, które algorytm zaznaczy na wykresie. Dość gadania. Przejdźmy do rzeczy.

Po co komu takie wróżenie z fusów?

prognozowania ceny bitcoina

Jeśli oddalisz obraz wystarczająco daleko, wykres bitcoina wyglądał będzie w dużej mierze jak ten powyżej. Mógłbyś po prostu narysować prostą ukośną linię przecinającą dane (regresja liniowa) i dojść do wniosku, że cena i tak zawsze idzie w górę, prawda?

I tak i nie.

Można argumentować, że cena będzie z czasem rosnąć, ale ta informacja nie wystarczy. Jeśli spojrzysz na wykres z szerszej perspektywy okaże się, że w ramach poszczególnych cykli rynkowych występuje duża zmienność. Jak zapewne wiesz, w branży kryptowalut zdarzają się załamania kursu na poziomie 50–80%, po których mogą następować ruchy nawet 10–20 razy wyżej od ceny, która została zanotowana w ramach lokalnego “dołka”.

Jeśli więc przyjrzysz się uważnie wykresowi logarytmicznemu BTC w funkcji czasu, możesz zauważyć, że lepsze dopasowanie może mieć postać y = log (x). Jeśli nie pamiętasz ze szkoły, jak to wygląda, oto wykres:

Wygląda podobnie do naszego wykresu bitcoina? Nie do końca…

Chociaż kształt wykresu może być podobny do prostej funkcji logarytmicznej, należy go przesunąć i przeskalować w sposób, który najlepiej pasuje do naszych danych.

Można to zrobić za pomocą linii w postaci y = a.log (x) + b, gdzie x to czas, a a i b to dowolne stałe.

Możemy więc spróbować znaleźć najlepszą krzywą regresji logarytmicznej, rozwiązując a i b na podstawie istniejących danych cenowych, które posiadamy. Możemy użyć do tego SciPy w Pythonie. Oto kod, po którym następuje wykres. Zauważ, że staramy się dopasować log danych na osi y, dlatego też przed wyświetleniem jego wartości musimy go potęgować.

Widać, że logarytmiczna linia regresji pasuje do danych całkiem dobrze. Ale jeśli przyjrzysz się uważnie zauważysz, że przebywa ona znacznie więcej czasu w okolicach lokalnych minimów, a znacznie mniej czasu i uwagi poświęca fazom manii na szczytach. Co więcej, po długotrwałych okresach konsolidacji, cena rośnie i spada bardzo dynamicznie.

Co, jeśli zechcemy znaleźć linię najlepiej dopasowaną do danych, które obejmują tylko cenę w fazach konsolidacji i mogą być wykorzystane do pokazania „uczciwej” ceny bitcoina w czasie?

Obszary zaznaczone na czerwono to te, które uwzględniamy w analizie, pozostałe wykluczamy. To tutaj cena bitcoina spędziła najwięcej czasu. Linia regresji logarytmicznej naturalnie przesuwa się w dół i próbuje dopasować dane do jak najbardziej linearnej struktury. Zwróć uwagę, że wybrane obszary cenowe są dowolne i możesz uwzględnić lub wykluczyć różne czasy w zależności od tego, co zdefiniujesz jako dane odstające.

Sam ten wykres nie pokazuje nam wiele poza potwierdzeniem, że cena podlega jakiejś regresji logarytmicznej. Możemy jednak uprościć go, dodając rozszerzenia powyżej i poniżej linii, aby zobaczyć, jak cena zmieniała się w pasmach w czasie.

prognozowania ceny bitcoina

Co możemy zaobserwować?

Na pierwszy rzut oka łatwo zauważyć, że cena wydaje się podążać za jakąś funkcją opartą na logarytmie. Bliższe przyjrzenie się pozwala jednak uzyskać więcej informacji. Widzimy, że w latach 2012 i 2013 cena wielokrotnie dotykała dolnej granicy pasma w kolorze gliny, a poprzednie szczyty sięgały do pasma w kolorze pomarańczowym. Od tego czasu żaden wierzchołek nie znalazł się w tym paśmie, a dołek nie dotknął podstawy pasma w kolorze gliny. Do pasma w kolorze gliny cena weszła podczas następnego rynku niedźwiedzia, aczkolwiek nie pozostała w nim zbyt długo. Kolejne szczyty również nie wyłamywały się do tej pory z pomarańczowego pasma. Podobnie za trzecim razem byliśmy na samym szczycie fioletowego paska i nie pozostawaliśmy w nim zbyt długo.

Co możemy z tego wywnioskować?

Wygląda na to, że podczas każdego dna cyklu rynkowego cena minimalna przesuwa się o jedno pasmo wyżej, podczas gdy szczyt nie sięga tak wysoko jak wcześniej. Oczywiście to może się zmienić. Ale fakt, że dolny poziom nie jest już tak nisko, wskazuje na spadek zmienności w ciągu ostatniej dekady.

Jak możemy na tej podstawie prognozować ceny?

Ciekawym zabiegiem jest rozszerzenie pasm regresji w przyszłość, aby zobaczyć teoretyczne wartości graniczne w określonych momentach czasu. Na poniższym wykresie wstęgi zostały rozszerzone do 1 stycznia 2023 r. Zauważ, że wykres ten opiera się w całości na wartościach aktualnych do dnia 20 października, a wraz z dodawaniem danych każdego dnia wartości będą się nieznacznie zmieniać.

prognozowania ceny bitcoina

Na wykresie zaznaczono kilka ważnych wartości. Jeśli założymy, że cykl rynkowy może osiągnąć absolutny szczyt około stycznia 2023 r., maksymalna cena zgodnie z podstawą zielonego pasma wynosi 266 000 USD. Bardziej realistyczny, choć mało prawdopodobny (jako szczyt) cel to blisko 100 000 USD. Nowa cena minimalna może wynieść nawet 36 000 USD, co jest bezpiecznym typem, ponieważ znajduje się powyżej szczytu z 2018 roku (jeden dotykający pomarańczowego pasma), który wynosił około 19 000 USD i jest również o jeden pasmo wyżej od poprzedniego dołka. Powrót poniżej 14 000 USD jest mało prawdopodobny, ponieważ byłby to pierwszy raz, gdy wrócilibyśmy do tego samego pasma, w którym dotknęliśmy bazy poprzedniego rynku niedźwiedzia.

***

Autorem powyższej analizy jest Aman. Kod, obserwacje i wnioski, którymi posłużyliśmy się w tym artykule opublikował on w swoim opracowaniu zatytułowanym: Using logarithmic regression to predict the future prices of Bitcoin and Ethereum; źródło: link

Może Cię zainteresować:

Od Redakcji

Niniejszy artykuł ani w całości ani w części nie stanowi „rekomendacji” w rozumieniu przepisów ustawy z dnia 29 lipca 2005 r. o obrocie instrumentami finansowymi czy Rozporządzenia Parlamentu Europejskiego i Rady (Ue) Nr 596/2014 z dnia 16 kwietnia 2014 r. w sprawie nadużyć na rynku (rozporządzenie w sprawie nadużyć na rynku) oraz uchylające dyrektywę 2003/6/WE Parlamentu Europejskiego i Rady i dyrektywy Komisji 2003/124/WE, 2003/125/WE i 2004/72/WE oraz Rozporządzenia Delegowane Komisji (Ue) 2017/565 z dnia 25 kwietnia 2016 r. uzupełniające dyrektywę Parlamentu Europejskiego i Rady 2014/65/UE w odniesieniu do wymogów organizacyjnych i warunków prowadzenia działalności przez firmy inwestycyjne oraz pojęć zdefiniowanych na potrzeby tej dyrektywy. Zawarte w serwisie treści nie spełniają wymogów stawianych rekomendacjom w rozumieniu w/w ustawy, m.in. nie zawierają konkretnej wyceny żadnego instrumentu finansowego, nie opierają się na żadnej metodzie wyceny, a także nie określają ryzyka inwestycyjnego

Komentarze