مقدمه
یک گزینه سرمایه‌گذاری بسیاری از اوقات می‌تواند فریبنده باشد. درحالی‌که معمولاً چنین چیزی در سرمایه‌گذاری ارزش دیده نمی‌شود، ولی اخیرا یک اصطلاح با نام «متخصصین سرمایه‌گذاری» یا Investing Gurus ایجاد شده است که به معنای افرادی است که ادعای تخصص دارند و پس از خواندن چند مقاله در مورد سرمایه‌گذاری از وارن بافت، به شما توصیه‌های پوچ و توخالی می‌کنند. متأسفانه این امر باعث شده تا از این روش سرمایه‌گذاری یعنی سرمایه‌گذاری ارزش تصویری ناعادلانه و غیرواقعی ارائه شود. این نکته خصوصا در مورد تحلیل ارزش بیت کوین به چشم می‌آید.
این تصویر نمی‌تواند حقیقی باشد. سرمایه‌گذاری ارزش نیاز به دانش خاص عمیق در زمینه کسب‌وکار یک شرکت و درک روشنی از معیارهای مربوطه دارد. در این مقاله، ما به‌طور خاص از کلماتی استفاده می‌کنیم که معمولا با تجارت کمّی در ارتباط هستند. هنگامی‌که ما چیزی مانند نسبت PE (نسبت قیمت به درآمد) را در نظر می‌گیریم، تمام آنچه ما انجام می‌دهیم، فرآیند به نام مهندسی ویژگی است، زیرا هیچ شرکتی نسبت PE را در ترازنامه خود منتشر نمی‌کند. با این وجود، این نسبت بر روی درک معیارهایی مانند EBITDA کاربرد دارد که شرکت‌ها گه گاه منتشر می‌کنند. سرمایه‌گذاری ارزش می‌تواند مانند هر نوع سرمایه‌گذاری کمّی دیگر، به داده‌ها حساس باشد.
متأسفانه، بسیاری از سرمایه‌گذاران ارزش، رمزارز و بیت کوین را با عناوینی مثل کلاه‌برداری مدرن و یا کالای ساخته‌شده توسط احمق‌های اینترنتی خطاب می‌کنند. بعلاوه، برخی از این سرمایه‌گذاران با افتخار نسبت به ارزش این رمزارزها بی‌توجهی می‌کنند و می‌گویند «هرگز روی آن چیزی که نمی‌فهمید چطور کار می‌کند، سرمایه‌گذاری نکنید». این نوع جملات از سر ناآگاهی است. موفقیت نزدیک به شما است فقط باید در جستجوی آن خلاق باشید.
تعریف اهداف سرمایه‌گذاری
برای اینکه بیت کوین را در چارچوبی برای ارزش‌گذاری قرار دهیم، باید نوع داده‌هایی که می‌توانیم در این رمزارز به دست آوریم را در نظر بگیریم. با نوع داده صحیح، می‌توانیم مدلی را بسازیم که می‌تواند به ما در درک ارزش بیت کوین در تجارت کمک کند – این نوع ارزیابی را می‌توان با یک مدل ارزش نسبی انجام داد.
بسیاری از الگوریتم‌های استخراج بیت کوین که با آن‌ها روبرو شدم، در حال اجرای شاخص‌های فنی سنتی با درجات مختلف دقت هستند. نکته‌ای که من در این بین مشاهده کردم این است که افرادی که با بیت کوین سر و کار دارند، تمایل دارند بر افق تجارت کوتاه‌تری متمرکز شوند و بیشتر آن‌ها دنبال تجارت روزانه و ساعتی هستند. حال تجزیه و تحلیل خود را در مورد این تجارت‌های روزانه در سه بخش مورد زیر توضیح می‌دهم.
- برای یک سیستم تجارت نسبتاً منفعل مثل بیت کوین، نمی‌خواستم روی کیفیت داده و تأخیر تمرکز کنم. حتی قیمت گرفتن بیت کوین برای مدل‌سازی روزانه می‌تواند سخت باشد، زیرا قیمت‌ها می‌توانند از هر صرافی تا صرافی دیگر متغیر باشند. این بدان معنا نیست که کیفیت داده‌ها مهم نیستند – آن‌ها بسیار مهم‌اند – اما در افق معاملات کندتر، کاهش در کیفیت داده‌ها چندان هم پرهزینه نیست.
- من نمی‌خواستم موتورهای اجرایی و زیرساختی جدید بسازم.
- من می‌خواستم از این تحلیل به عنوان روشی برای محافظت از منابع بیت کوین در مقابل نوسانات موجود استفاده کنم. روشی که من پیش‌بینی کردم این بود که من مقداری بیت کوین دارم که به طور مداوم زیاد می‌شود. این الگوریتم به من امکان انتخاب نقاط ورودی مناسب و همچنین برخی از نقاط خروجی مناسب را می‌دهد که می‌توانم 25 تا 50 درصد از منابع خود را به‌منظور «صاف کردن» PnL خود انتخاب کنم. این روش همچنین به من فرصت می‌دهد تا سیگنال‌های اضافی را در نظر بگیرم. یک سرمایه (portfolio) خوب به ندرت فقط دارای یک الگوریتم است و این سیگنال‌های دیگر اساساً الگوریتم‌های مختلفی هستند.
درنهایت، باید بگویم که من به ماندگاری فناوری بلاک‌چین و ثبات ارزش بیت کوین اعتقاد دارم. بنابراین بیشتر از مبادله، به نگهداری کوین‌ها علاقه‌مند هستم، اما بسیار خوب است که سیگنال‌های اضافی در اختیار داشته باشم که به من در درک بازار کمک کنند.
منبع داده
اوایل سال جاری، مطلبی خواندم که من را با یک مجموعه‌داده منحصر به فرد برای کار با کوین‌متریکس (Coinmetrics) آشنا کرد. این اتفاق الهام‌بخش ساخت این مدل برای ارزیابی ارزش بیت کوین بود.
کوین‌متریکس داده‌های سطح شبکه را در مورد ارزش بیت کوین و سایر رمزارزها فراهم می‌کند. من هیچ ارتباطی با این محصول ندارم اما از کار با داده‌های رایگان آن‌ها و پس‌ازآن از دیدار با تیم آن و بحث در مورد عمق اطلاعات آن‌ها لذت بردم. خصوصا که مشتاق شدم تا پس از یافتن نمودارهای زیر، داده‌ها را از طریق ابزارهای نمودار داده در وب‌سایت آن‌ها به شکل بصری ترسیم کنم.
قیمت بیت کوین (USD) در مقابل میانگین ارزش انتقال شبکه
قیمت بیت کوین (USD) در برابر میانگین ارزش انتقال شبکه تنظیم‌شده
من اسکریپتی را برای استفاده از نسخه رایگان داده‌های آن‌ها ایجاد کردم. در این کد برای واکشی داده‌ها از کوین‌متریکس استفاده می‌شود. آن‌ها فیلدها را به‌صورت تشابهی نگاشت می‌کنند و تحلیل کوین‌ها را تسهیل می‌کنند.
پس از به دست آوردن داده‌ها، با بررسی سریع در فیلدهایی که در کنار فرهنگ لغت داده در سایت کوین‌متریکس هستند، ایده‌ای راجع به آنچه در این فیلدها نشان می‌دهند به دست آوردم. بعد از آن روز من آن‌ها را با نام “ویژگی” یاد می‌کنم.
مدل‌سازی: بحث در مورد تکنیک‌های رگرسیون
درحالی‌که سعی می‌کنم در مورد تجزیه و تحلیل بیت کوین به روز بمانم و برخی از این ویژگی‌ها را نیز می‌شناسم، اما بسیاری از این‌ها برای من جدید است. با توجه به این موضوع، راهی که من می‌خواستم ادامه دهم این بود که اجازه دهم مدل من، مهم‌ترین ویژگی‌ها را برای هر پنجره از داده تعیین کند. برای ساده نگه‌داشتن چیزها، نقاط داده مفقودشده را با مقداری drop.na پاک کردم و رگرسیون ریج (ridge regression) را تنظیم کردم.
پیش از ادامه مطلب، بیایید کاربرد روش رگرسیون ریج را برای این مسئله بررسی کنیم. طبق تجربه من، برای پیش‌بینی داده‌های مالی – به‌ویژه سری‌های زمانی مالی – رگرسیون‌ها دارای دقت و کارآمدی محاسباتی هستند. همان‌طور که در پست‌های قبلی ذکر شد، من در زمینه افزایش عملکرد مدل با پاک‌سازی متنی داده‌ها نسبت به تنظیم مدل‌ها، موفقیت بسیار بیشتری داشته‌ام.
همچنین، رگرسیون راه‌حل‌های قابل توضیح و ساده‌ای را ارائه می‌دهد و به ما این امکان را می‌دهد تا در نظر بگیریم که کدام‌یک از عوامل محرک قیمت / بازده هستند. این روش بیشتر به ما امکان می‌دهد تا نظریه قبل از تجارت خود را بدین شکل بیان کنیم: من معتقد هستم بیت کوین با ارزش/ بی‌ارزش است زیرا جنبه‌های X، Y، Z از داده‌های شبکه این را نشان می‌دهد و کاهش / افزایش ارزش بیت کوین قابل‌مشاهده است.
با استفاده از رگرسیون گزینه‌های زیادی داریم. با توجه به چگالی داده‌های موجود، می‌خواستم گزینه‌های خود را بین رگرسیون لاسو و ریج در نظر بگیرم. طبق تجربه من، رگرسیون ریج بهتر از رگرسیون لاسو برای این نوع پیش‌بینی عمل می‌کند. به‌طورکلی، هنگام اجرای یک رگرسیون، ما در مورد هر یک از ویژگی‌های خود، وزن موردنظر خود را اعمال می‌کنیم.
در مورد رگرسیون ریج، ضرایب ویژگی‌های خود را که به نظر غیر مرتبط است، به حداقل می‌رسانیم – ضرایب را به 0 نمی‌رسانیم (این همان رگرسیون لاسو خواهد بود) اما با پایین آوردن ضریب، تأثیر آن را در پیش‌بینی خود محدود می‌کنیم. برای رگرسیون ریج، جذر باقیمانده را به حداقل می‌رسانیم – خطای بین مقدار پیش‌بینی‌شده و واقعی – اما در لاسو ارزش مطلق آن‌ها را به حداقل می‌رسانیم. ازنظر جبر خطی، رگرسیون ریج نرم l2 و رگرسیون لاسو نرم l1 را به حداقل می‌رساند.
با دور شدن از ریاضیات و در نظر گرفتن انگیزه این دو روش، یک رگرسیون ریج تمایل دارد تا باقیمانده‌ها را فشرده‌تر نگه دارد تا سیگنال‌های مداوم‌تری (و به تعبیری بازده) داشته باشد، درحالی‌که رگرسیون لاسو تمایل دارد عبارات خطای صفر (0-Error) بیشتری را ارائه دهد، اما در سیگنال‌ها تنوع بیشتری دارد. درنتیجه، بازده الگوریتم تمایل به پایداری کمتری برای این نوع از کاربردها دارد و درنهایت سودآوری مداوم سیگنال‌های رگرسیون ریج را ندارد. ازآنجاکه لاسو ضرایب را به 0 می‌رساند، با توجه به وسعت ویژگی‌ها، می‌تواند روی مجموعه‌داده‌هایی مانند کوین‌متریکس بهتر کار کند.
در واقع، لاسو انتخاب اول عالی برای مدل‌سازی مجموعه‌داده‌ها با تعداد ویژگی زیاد است. بااین‌حال، ما به‌قدری درک از مفاهیم داده داریم تا بدانیم که همه این ویژگی‌ها چیز مهمی را در اقتصاد و ارزرش بیت کوین را نشان می‌دهند – به همین دلیل نمی‌خواهیم همه آن‌ها را با هم حذف کنیم. توضیح کامل‌تر درباره ریج در مقابل لاسو خارج از محدوده این مطلب است، اما اگر موردی جالب باشد، می‌توانم در یک مطلب در آینده، بیشتر به جزئیات آن بپردازم.
در کد زیر، داده‌ها را به بردار y با قیمت بیت کوین به دلار و سایر ویژگی‌های دیگر را به یک قاب داده از بردارهای x تقسیم می‌کنیم. وقتی برای اولین بار این کد را نوشتم، ریج چند خطا داد و پس از مدتی خطایابی متوجه شدم که برخی مقادیر عجیب در ویژگی‌ها وجود دارد که باعث خطای کد می‌شود. با کمال تعجب حذف کردن inf و nans مشکل را برطرف نکرد، بنابراین من همه آن ستون‌ها را با هم حذف کردم. به همین دلیل است که من ویژگی‌های x را صریحاً برچسب‌گذاری کرده‌ام. احتمالاً روش‌های هوشمندانه‌تری از حذف داده‌های بالقوه مفید برای مقابله با این مشکل وجود دارد، اما این کار در حال حاضر به نظر خسته‌کننده می‌رسد و بررسی آن بسیار دشوار است.
ما ریج خود را روی یک پنجره 250 روزه (نمایانگر یک سال معاملاتی در دارایی‌های سنتی) اجرا می‌کنیم. این پنجره به همراه دوره آلفا (تنظیم‌شده بر 0.1 به‌عنوان پیش‌فرض) پارامترهایی هستند که می‌توانند با استفاده از توابع جداگانه تنظیم شوند یا برای دستیابی به درک بهتر از داده‌ها می‌توان آن‌ها را به‌صورت دستی تنظیم کرد. درحالی‌که جستجو برای پیدا کردن عددی که منجر به بالاترین بازده شود جالب به نظر می‌رسد، به یاد داشته باشید که این کار به معنای معرفی یک پارامتر بیش برازش‌شده به یک مدل تولید است.
نمودار زیر ضرایب ویژگی‌ها و اهمیت آن‌ها را به ما نشان می‌دهد:
پس از اجرای بک‌تست نسبتاً دقیق، می‌توان نتایج زیر را ارزیابی کرد.
نتایج این مدل، نتایج میانگین و متوسط است، اما به قدر کافی امیدوار کننده هست که ارزش بررسی بیشتر این مجموعه داده‌ها را در بر داشته باشد. باید توجه داشته باشیم که به‌طور متوسط 40 درصد بازده سالانه برای بخشی از سرمایه بیت کوین ما، علیرغم اینکه در مقایسه با بازده بالقوه ارزش بیت کوین اندک است، پدیده‌ای قابل‌توجه است. ما این را می‌دانستیم و هدفمان را بر این اساس تنظیم کردیم. مقدار کاهش هنوز هم بالاتر از آنچه ما دوست داریم است، اما تغییرات مدل ارائه شده ما به طور کلی جالب به نظر می‌رسد. با نگاهی به بازده متوسط در سال، متوجه می‌شویم که در سال‌های پایین نمودار مانند سال 2018 مدل ما از افت شدید اقتصادی که بازار را به‌طورکلی در بر گرفته، در امان است.
همچنین باید به یاد داشته باشیم که این مدل به‌سختی بهینه شده است. به‌عنوان‌مثال NVTAdj90 دارای بتای بالایی است، اما مانند RSI یا سایر موارد تصادفی که محبوبیت خود را مدیون ارزش بیت کوین هستند، دارای نوسان هستند.
تنظیم و بهینه‌سازی مدل‌های یادگیری ماشینی نیاز به کار، صبر و تحمل و تلاش برای رسیدن به دانش در این حوزه دارد. من می‌دانم که سیستم ML ایده‌آل به آخرین مورد نیاز نخواهد داشت، اما تا آن زمان این مورد همه‌چیز را بسیار ساده‌تر می‌کند.
سخن پایانی – در آینده چه اتفاقی می‌افتد؟
کنار هم قرار دادن مطالب در این مطلب، بسیار سخت بود. این کار مدت زیادی طول کشید زیرا بیشتر اوقات نتایج مبهم بودند. هر چقدر که بیشتر به داده‌ها می‌پرداختیم و بیشتر در آن‌ها می‌گشتیم، احساس می‌کردیم توضیحات بیشتری نیز وجود دارد و باید بیشتر در این زمینه تحقیق کنیم.
نتایج به‌دست‌آمده در اینجا من را وادار به درخواست نمونه‌ای از داده‌های “کوین‌متریکس پرو” کرد. بدین ترتیب توانستیم یک سیستم پیش‌بینی قیمت کامل ML BTC بسازیم که به‌طور چشمگیری در نتایج فوق، بهبود ایجاد کند و توانستیم روند نزولی را کاهش دهیم. ما هنوز این الگوریتم را راه‌اندازی نکرده‌ایم و هنوز مشخص نشده که می‌خواهیم با آن چه‌کار کنیم، اما بر آن نظارت داشته‌ایم تا به دنبال فهم ارزش بیت کوین باشیم.
سلب مسئولیت
هیچ‌یک از موارد فوق توصیه‌های مربوط به سرمایه‌گذاری نیست. اگر تصمیم دارید که برای درک ارزش بیت کوین یا سایر دارایی‌های دیجیتالی مدلی بسازید، بدانید که خرید و فروش این دارایی‌ها دارای ریسک هستند و می‌توانند منجر به تبعات منفی ازجمله اختلالات خواب یا ضرر مالی برای شما شوند.