基于资金流向的BTC择时策略

概括

本文研究数字货币资金流向数据。 分析发现，币圈资金流向与传统市场并不完全一致。 本文给出了相应的理论解释，并在统计规律的基础上，构建了BTC择时策略。 2017年1月1日至2022年1月3月31日统计区间内，获得483.06%的回报，夏普比率约为2.03。

一、资金流向策略介绍

资金流向在传统市场具有长期有效超额收益。 例如，基于北向资金流入流出的指数择时策略、行业轮动策略甚至个股择时策略，一直是个股量化的重点。 以北向资金为例，指数的长期走势与净买入量的相关性很高。 资金流入往往意味着指数上涨，而资金外逃则导致市场下跌。

根据最原始的冷钱包-交易所的两层结构，币圈的资金流向类型可以分为以下几类：

按照两层结构区分的目的是为了更好的看出什么样的资金流向会影响价格。 显然，冷钱包之间的流动并不直接影响市场交易价格，但与交易所相关的资金流向却大概率影响交易价格，尤其是交易所与冷钱包之间的双向流动。 下面我们以cryptoquant的交易所账户资金流向数据为例，分析资金流向对BTC价格的影响，并构建相应的策略。 在此之前，有必要对数据进行一些介绍。

二、数据介绍

我们在 cryptoquant 的 Exchange Addresses Count 表中使用了两列数据，Addresses Count Inflow 和 Addresses CountOutflow。 根据文档，这两列数据的定义如下：

资料地址：

即AddressesCount Inflow代表资金流入交易所的地址数，AddressesCount Outflow代表资金从交易所流出的地址数。 另外，网站对这个数据有详细的解释和应用：

大致翻译如下： 由于从钱包到钱包的转账需要支付手续费，因此活跃在交易所账户转账的账户数量是币圈活跃在交易所交易的投资者数量的最佳代理。 自然，这也很好地说明了交易型投资者的关注度。 数据本身显示了参与交易的投资者数量。 数字越大，参与交易所资金流入/流出的投资者越多，反之亦然。

这也显示了交易所的活跃程度和波动性。 持续上升的数字表明投资者的兴趣和积极性正在上升，这也导致更大的市场波动，而持续下降的数字也预示着相反的趋势。 观察历史数据可以观察到，当行情剧烈波动时，流入流出账户数量也有较大波动。

在17-18年的上一个牛熊周期中，交易所之间的大量流入和流出导致价格快速上涨和下跌。 奇怪的是，在这个周期中，账户数的波动没有上一个周期那么明显，但也可以看出，从2020年底到21年中，活跃账户数（无论流入还是流出）仍然是系统性的抬升。 但能否从数据中得出相关结论呢？ 比如一些直观的假设，比如资金流入交易所的账户数量快速增加，意味着未来收益高，而资金持续流出意味着收益低？ 还是高流入高流出预示着未来市场的高波动性？ 仅通过简单的描述性统计数据和图表，我们就可以检验上述假设。 在每日频率的基础上，资金流入交易所的账户数量增加，对未来行情的预测能力不明显； 同样，从流出账户数量预测未来收益的能力也不明显。

如果能够准确预测未来的行情波动，也可以用来构建一个非常好的策略：币圈的衍生品种类逐渐丰富，各个交易所的期权产品可以很好的提供波动率交易。 那么流入流出账户数量能否预测波动呢？ 我们用未来收益的绝对值来描述市场波动。 如图，在日频率的基础上，预测效果还是不是很明显。

然后，我们考虑了差异。 流入账户和流出账户的一阶差分可以用来描述流入和流出的“加速度”。 如果今天流入账户的金额高于昨天，明天流入账户的金额高于今天btc策略有用吗，明天的增幅大于今天，说明资金在增加。 加速流入的概念显然比单纯的流入流出更有说服力。

再次统计后btc策略有用吗，我们发现这两个指标仍然不是很有效。 这是否意味着资金流量指标没有预测能力？ 回顾数据的初貌，我们可以发现，在上一个周期和本周期，流入流出账户数的变化格局其实发生了非常大的变化。 在上一个周期中，流入流出账户数量的激增推动了市场的暴涨暴跌，但在这一轮周期中，并没有出现类似的现象。 因此，我们认为，将当前账户数量的变化与两年前甚至更长时间前的变化进行比较是没有意义的，需要进行短期比较：如果流入和流出账户数量的变化今天在最近一段时间内特别高，这应该预示着更有效的市场走势。

单纯观察散点图，仍然无法观察到流入或流出账户数量差异后的滚动分位数对未来收益率的显着预测能力。 较高一些。 但是，如果将以上数据分组统计，可以观察到明显的效果：

可以观察到，当流出账户数与流入账户数之差的分位数较低时，对未来收益的预测比较混乱，但当分位数较高时，往往预示着未来收益较高，尤其是流出帐户的数量。 这不太符合我们的直觉。 从理论上讲，资金加速流入交易所应该意味着交易资金快速进入交易所。 直观地说，资金量的增加往往意味着价格会上涨，反之亦然。 这意味着交易资金的撤回，这通常表明价格下跌。 基于此逻辑，对净流入账户数（即流入账户数-流出账户数）进行类似统计，得到的结果如下：

在更高的分位数，确实有一些积极的回报预测，但仍然不明显。 对于这种现象，我们给出两种解释，供读者参考：

3. 策略构建与结果

基于以上统计结果，我们构建如下策略：

每日计算账户流出次数的一阶差分；

计算近50天一阶差分数据的分位数；

当一天的分位数高于60%时，其余时间做多做空。

对于以上交易策略，我们不设置杠杆，采用单利计算资金曲线如下：

2017年以来，BTC实现了557.21%的单利回报，夏普比率约为1.44； 该策略实现了483.06%的回报，夏普比率约为2.03。 使该策略更令人满意的另一点是，该策略在许多主要市场下跌中表现稳定。 比如在2018年8月、2020年3月、2021年1月的大行情震荡中，都没有出现大的回撤。 利用流入账户数的数据构建类似的策略，可以得到资金曲线如下：

流入账户数据的预测能力尚可，统计区间涨幅为420.74%，夏普比率为1.81。 还是有一些预测能力的，但是不如流出账户数据构建的策略，而且在2018年8月的大跌中也遭遇了回撤。但这并不是说用数字构建的策略流入账户的表现一定很差，样本内拟合结果不能完全代表样本外表现。 在实际使用过程中，还是需要灵活调整策略运行的性能。

4. 策略的后续改进 Cryptoquant提供的数据远不止于此。 仅采用流入流出地址数量的全市场数据构建策略，还是不够详细。 想想资金流动（或货币流动）对价格的影响，不同的交易所对货币价格的定价能力是不同的。 大交易所流动性好，可以作为不同交易所之间的锚点，而小交易所的价格因为套利者的存在，往往会向大交易所收敛。 因此，资金流向大型交易所更具有经济意义。 而且，我们只使用 BTC 地址来预测 BTC 价格。 事实上，BTC和ETH的价格联动效应非常强，结合使用两者的流入流出地址数据进行预测可能会有更好的效果。 此外，除了交易所资金流向数据外，还有很多其他数据可以挖掘。 例如矿池钱包BTC流出数据、未使用交易输出损失（UTxOs）数据、交易所稳定币流量数据等。单一数据结构的策略必然会产生较大的回撤，但综合加权后可以产生具有更好结果的复合策略。

长期以来，币圈的量化交易策略多以技术指标和套利为主，对部分基本面的研究较少。 基于以上数据，我们将在未来构建更多的策略。