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：

货种	金额
BTC	100
ETH	1000
USDT	800

我们假设某一时刻的价格为：

源币种	目的币	汇率	备注
BTC	USDT	3400
ETH	USDT	110
BTC	ETH	30.909	标准汇率，无盈亏

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：
$$总额=100\times 3400+1000\times 110+800=340000+110000+800=450800$$

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：
$$ETH=100\times 32=3200$$
此时我们的总资产为：
$$USDT=(3200+1000)\times 110+800=462800$$
则我们这一操作的利润为：
$$profit=462800-405800=57000$$

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：
$$BTC=\frac{1000}{29}=34.483$$
此时的总资产：
$$USDT=(100+34.483)\times 3400+800=458042$$
此时盈利为：
$$profit=458042-450800=7242$$

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：

交易所	源币	目的币	价格
火币	BTC	USDT	3410
OKEX	BTC	USDT	3320

根据当前价格计算出的资产表如下所示：

交易所	币种	数量	金额
火币	BTC	100	340,000
火币	USDT	600,000	600,000
OKEX	BTC	80	265,600
OKEX	USDT	500,000	500,000
合计			1,705,600

我们的资产合计为：

资产	金额
BTC	180
USDT	1,100,000

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：

交易所	币种	数量	金额
火币	BTC	0	0
火币	USDT	940,000	940,000
OKEX	BTC	180	597,600
OKEX	USDT	168,000	168,000
合计			1705,600

|我们的资产表为：

资产	金额
BTC	180
USDT	1,108,000

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。