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．
