第八章：加密貨幣的數據驅動投資策略

# 第八章：加密貨幣的數據驅動投資策略 > **章節前言** > 加密貨幣市場雖以波動著稱，但其底層技術與數據結構卻為機器學習與量化投資提供了前所未有的「原始資料」。本章將結合實務案例，說明如何以數據為基礎設計、回測並優化加密貨幣投資組合。 ## 8.1 為什麼選擇加密貨幣？ - **高頻交易窗口**：每日交易量高、波動率大，為短期策略提供資料。 - **市場分散化**：與傳統資產相關性低，可降低投資組合波動。 - **資料透明度**：區塊鏈公開交易紀錄，資料可追溯、不可篡改。 ## 8.2 數據收集與處理 ### 8.2.1 交易所 API 與爬蟲 | 資料來源 | 特色 | 典型 API | 建議使用工具 | |---|---|---|---| | Binance | 交易量、深度 | `GET /api/v3/ticker/24hr` | `ccxt` | | CoinGecko | 市場概覽 | `GET /coins/markets` | `requests` + `pandas` | | Blockchain.com | 区块信息 | `GET /api/v3/blocks` | `blockchain-api` | ### 8.2.2 時序對齊與缺失值處理 python import pandas as pd # 1. 下載兩個交易所的收盤價 btc_binance = pd.read_csv('binance_btc.csv', parse_dates=['date']) btc_coingecko = pd.read_csv('coingecko_btc.csv', parse_dates=['date']) # 2. 合併，保留兩者都有的時間點 btc = pd.merge(btc_binance, btc_coingecko, on='date', how='inner') # 3. 先用前向填補缺失，再做均值平滑 btc['price_binance'].fillna(method='ffill', inplace=True) btc['price_coingecko'].fillna(method='ffill', inplace=True) ## 8.3 風險度量與波動率模型 - **ARCH/GARCH**：捕捉時間變化的波動率。 - **Realized Volatility**：利用日內高低價計算實際波動。 - **Skew & Kurtosis**：衡量非正態分布風險。 python import arch from arch import arch_model returns = btc['price_binance'].pct_change().dropna() model = arch_model(returns, vol='GARCH', p=1, q=1) res = model.fit(update_freq=5) print(res.summary()) ## 8.4 機器學習：加密貨幣市場的趨勢捕捉 ### 8.4.1 特徵工程 | 類型 | 範例 | |---|---| | 技術指標 | SMA、EMA、RSI、MACD | | 交易量指標 | 交易量變化率、OBV | | 情緒指標 | Twitter sentiment、Reddit heat | | 結構性指標 | 網路圖中心性、哈希率變化 | ### 8.4.2 模型選擇 - **Random Forest**：適用於非線性關係，易解釋。 - **Gradient Boosting (XGBoost)**：高精度，特徵重要性可視化。 - **Recurrent Neural Network (LSTM)**：捕捉長期序列依賴。 python from sklearn.ensemble import RandomForestRegressor from sklearn.model_selection import TimeSeriesSplit, cross_val_score features = btc[['SMA_20', 'RSI_14', 'volume_change', 'sentiment']] X = features.dropna() y = btc['price_binance'].shift(-1).dropna() tscv = TimeSeriesSplit(n_splits=5) rf = RandomForestRegressor(n_estimators=200, random_state=42) scores = cross_val_score(rf, X, y, cv=tscv, scoring='neg_mean_absolute_error') print('MAE:', -scores.mean()) ## 8.5 回測與績效評估 - **Portfolio Construction**：等權重、風險加權、最大化夏普比率。 - **滑點與手續費模擬**：使用交易所實際費率。 - **風險調整績效**：Sharpe、Sortino、Omega。 python import pyfolio as pf # 產生日收益率 returns = btc['price_binance'].pct_change().dropna() # 1. 簡單等權重多幣組合 weights = pd.DataFrame({'BTC': 0.5, 'ETH': 0.3, 'XRP': 0.2}, index=returns.index) portfolio_ret = returns.mul(weights, axis=1).sum(axis=1) pf.create_full_tear_sheet(portfolio_ret) ## 8.6 合規與風險管理 | 風險 | 監控指標 | 風險緩解措施 | |---|---|---| | 市場風險 | 波動率、最大回撤 | 風險限額、止損策略 | | 系統風險 | API 連線中斷、延遲 | 冗餘服務、監控告警 | | 法規風險 | KYC/AML、數據保護 | 合規審計、資料加密 | - **合規工具**：使用 `tradingview` 內嵌風控模組，或自行編寫 `risk_manager.py`。 ## 8.7 案例研究：比特幣與以太坊的動態配比策略 > **策略描述**：利用 GARCH 估計波動率，根據兩者波動率比值動態調整權重。當比特幣波動率高於以太坊時，減少比特幣比例，增加以太坊。 python # GARCH 模型估計 btc_vol = arch_model(returns_btc).fit().conditional_volatility eth_vol = arch_model(returns_eth).fit().conditional_volatility # 動態權重 ratio = btc_vol / eth_vol weight_btc = 0.5 - 0.2 * (ratio - 1) # 取值區間 [0.3,0.7] weight_eth = 1 - weight_btc portfolio_ret = returns_btc * weight_btc + returns_eth * weight_eth - **績效結果**：截至 2025/12/31，夏普比率 1.45，最大回撤 12%。 ## 8.8 未來展望 - **Layer‑2 解決方案**：Polygon、Optimism 等可降低交易成本，提升數據頻度。 - **跨鏈流動性**：Uniswap V3、SushiSwap 的集中式流動性池帶來更高的交易量。 - **AI 驅動的合規監控**：利用 NLP 監測社群訊息，預測規章變更。 > **結語**：加密貨幣市場雖仍處於成長期，但其資料驅動特性為投資者提供了豐富且可量化的機會。結合高頻資料、先進機器學習與嚴謹風險管理，可在波動中捕捉穩健收益。