加密货币量化交易策略研究

同一市场不同币种

我们假设初始状态下资产如下所示：

我们假设某一时刻的价格为：

由于加密货币市场容量问题，所以汇率存在偏离正常值现象，我们分为两种情况来讨论。
在进行相关操作之前，我们先以USDT为基准，计算我们当前的资产总额：
总额=100×3400+1000×110+800=340000+110000+800=450800 总额=100 \times 3400 + 1000 \times 110 + 800 = 340000+110000+800=450800 总额=100×3400+1000×110+800=340000+110000+800=450800

BTC对ETH涨价

假设此时BTC对ETH的汇率为32，此时代表BTC对ETH涨价，我们应该将BTC卖出换为ETH。
我们将BTC换成ETH，得到ETH数为：
ETH=100×32=3200 ETH=100 \times 32=3200 ETH=100×32=3200
此时我们的总资产为：
USDT=(3200+1000)×110+800=462800 USDT=(3200+1000) \times 110+800=462800 USDT=(3200+1000 3ff7 )×110+800=462800
则我们这一操作的利润为：
profit=462800−405800=57000 profit=462800-405800=57000 profit=462800−405800=57000

BTC对ETH贬值

我们假设BTC对ETH的汇率为29，此时BTC对ETH贬值，我们买入BTC：
BTC=100029=34.483 BTC= \frac{1000}{29}=34.483 BTC=291000​=34.483
此时的总资产：
USDT=(100+34.483)×3400+800=458042 USDT=(100+34.483) \times 3400 + 800=458042 USDT=(100+34.483)×3400+800=458042
此时盈利为：
profit=458042−450800=7242 profit=458042-450800=7242 profit=458042−450800=7242

不同市场同一币种

假设我们在火币网有100BTC和6000,000USDT，在OKEX有80BTC和500,000USDT，这时我们的目标是保持BTC数量不变，而使USDT的总额增加。
假设当前的价格为：

根据当前价格计算出的资产表如下所示：

我们的资产合计为：

这时我们在火币网卖出100比特币，在OKEX买入100比特币，此时我们的比特币数量没有变化，如下所示：

|我们的资产表为：

由上表可知，我们通过上述操作，BTC资产未变，而USDT增加了8000，达到了资产增加的目的。

同一市场同一币种

以上两种方法，都是建立在加密货币市场容量较小，交易量不大的情况下，从而会出现利差，而利用量化交易方法，可以在第一时间捕捉到这个利差，从而获取收益。只要机器算力充足，网速足够快，就可以保证盈利。但是这两种方式的缺点也比较明显，因为这种套利空间是由于没有对手盘造成的，总量是有限的，只会在瞬间存在，不容易把握住；同时这种套利方式为大家所熟知，目前有非常多的人在利用这一方法进行套利，所以进一步减少了盈利空间。
在本节介绍的方法，是利用加密货币与USDT等稳定货汇率波动，利用其没有T+0限制，实现低买高卖的策略。我们可以利用深度学习算法，预测1秒之后的价格，从而抢先下单，获取交易机会。如果预测得不准，则撤单重新预测，再提前下单。
例如下面的K线图：

我们的算法在图中高位处预测到价格将明显下跌，此时我们下单卖出BTC换成USDT，当到达低位点时，我们的算法可以预测出价格将上涨，此时将USDT买入BTC，通过这中间的差价来获利。由于我们只作短时间预测，根据我们的实践经验，无论采用长短时记忆网络还是深度强化学习技术，都可以预测得相对准确。目前我们正在尝试利用最新的Meta Learning技术来进行上述预测，由于加密货币市场不太符合深度学习的IID条件，而Meta Learning中的终身学习能力，可以很好的解决这一问题，因此具有广阔的应用前景。
这种方法的优点是市场容量足够大，可以进行高频交易。但是这种方法的缺点是算法容易预测错误，根据错误的预测结果进行操作，就会出现亏损，不能百分之百保证盈利。