ビットコインohlcv時系列統計検定
仮想通貨の機械学習アルゴリズムトレードでbotterになろうと目論むも,
初手(機械学習の特徴量)で詰んだので時系列解析の基礎に立ち返ることにしました.
本記事では次の検証を行います.
bitbankのAPIから取得したohlcvの時系列データに対する,Ljung-Box検定,ADF検定.
使用したデータは,bitbankのAPIから取得した,2021年1月1日から2021年12月31日までの,15分足ohlcv時系列データです.
ADF検定は,時系列が定常かどうかを確かめる統計検定です.
帰無仮説:時系列が単位根過程に従う
Ljung-Box検定は,ある時系列の自己相関の有無についての統計検定です.
帰無仮説:時系列に自己相関関係はない
まず,ADF検定から行なっていきます.
ADF検定で定常性が確認できる時期に,平均への回帰を見込んでトレードを行えば,
利益が期待できます(ボリンジャーバンドなど).
次のサイトを参考にしました.
【Python】「ADF検定」で時系列データの定常性・単位根を確認する | ミナピピンの研究室
まず,終値に対して検定を行った結果がこちら.
p値が0.2程度なので棄却できませんでした.
しかし,時系列データをそのまま利用することは稀で,差分をとったり対数化したりして加工したデータを用いるらしいです.
とりあえず,月次で分割し,p値の推移を確認してみることにしました.
月次に分割して計算するとp値が上がりますね.
データ量が少なくなるからでしょうか.
では,次に5分足で再度検定を行ってみます.
若干下がった気がしますが形状はほぼ変わりませんね.
では2ヶ月毎に計算するとどうなるのでしょうか.
あまり参考になりませんね.
次に2年分の推移を見てみます.
今度はデイトレードを想定して,5分足日次のp値を求めてみます.
次に,1分足日次のp値を求めてみます.
5分足とほぼ同じであることがわかります.
とりあえず2年分算出しました.
周期性は...あるんですかね.
まあ,Ljung-Box検定でその辺りは検証できると思います.
とりあえずボリンジャーバンド逆張り戦略でバックテストした結果を示します.