Das Konzept Giral- und Fiatgeld spielt in gewisser Weise schon der Geldwirtschaft in die Hände:

Klaut Dir jemand Deine Bitcoins, dann ist es schwierig, wieder an den Wert zu kommen. Geht eine Bank pleite oder verspekuliert sich und ist too big to fail, na dann druckt man einfach das fehlende Geld "nach" und füllt das entsprechende Loch wieder auf. Gleichzeitig wird durch das zusätzliche Geld der Rest der Bevölkerung ärmer.

Es ist schon was Wahres dran an: Gewinne privatisieren und Verluste sozialisieren.

Volle Zustimmung. Die Authentizität von Gold zu bestimmen ist mitnichten einfach. Bei einem Schmuckstück kann man wohl ein kleines Bisschen abkratzen, in ein Massenspektrometer legen und und für das Stäubchen beweisen, dass es pures Gold ist. Für den restlichen Ring lohnt sich der Aufwand schon nicht mehr.

Was macht man bei einem Barren? Legt man den Klumpen im Desy in Hamburg in den Röntgenlaser und guckt, ob da nicht noch was anderes untergemischt ist? Viel zu teuer selbst bei einem Barren Gold. (Falls ich Quark erzähle, verbessert mich.)

Einen Nachteil hat Bitcoin aber! Ist der Privatekey nicht mehr privat, dann gehören einem die entsprechenden Coins auch nicht mehr. Das ist das, was viele hier seit Jahren predigen (unter anderem auch die Mischung aus Orange/Limone und Coca Cola). Sind sie geklaut, so wird es schwiergen zu beweisen, wer der ursprüngliche Besitzer ist. Sind die Coins auf einer Börse, so gehören sie eigentlich dem Börsenbetreiber.

Weil es das Lightning Network (LN) gibt bzw. geben wird. Ergo gilt Dein Argument, dass die Technik nicht hinterherkommt nicht.

Wer hinter die Technologie guckt bzw. gucken kann, der weiss, ob LN Potential hat oder nicht. Imho hat LN in Kombination mit Bitcoin das Potential das gesamte Zahlungswesen umzukrempeln. Und ja, ich habe hinter die Technologie geguckt.

Für viele Meckerheinis sehe ich deshalb nur, dass sie der Bitcointechnologie hinterher laufen werden, so wie sie es die letzten 9 Jahre auch gemacht haben.

Zu Punkt 3:

Ich wollte mir einmal angucken, ob verschiedene Token Cluster bilden. Das heisst, die Fragen lauten (bisher):

• Gibt es Token, deren Tages-Return korreliert?
• Und wenn ja, gibt es Cluster an Token?
• Welche Token korrelieren am wenigsten und könnten somit ein "gutes" Tauschpaar bilden?

Return, siehe https://www.fool.com/knowledge-center/how-to-calculate-return-on-indices-in-a-stock-mark.aspx.

Für einen ersten Eindruck bietet sich eine PCA (https://de.wikipedia.org/wiki/Hauptkomponentenanalyse und natürlich https://en.wikipedia.org/wiki/Principal_component_analysis) an, auch wenn die Interpretation der Ergebnisse nicht so leicht ist. Insbesondere, wenn man die beeinflussenden Faktoren gar nicht kennt. Dazu müsste man erst noch andere Daten korrelieren.

Anbei noch ein Zitat aus der Wikipedia (https://de.wikipedia.org/wiki/Korrelation#Anwendung_bei_Kapitalanlagen):


Nicht nur ist das Risiko kleiner, vielleicht kann man so auch die Schweinezyklen besser ausnutzen da diese möglicherweise relativ zueinander verschoben sind.

Was macht man bei einer PCA? Umgangssprachliche Erklärung: Zu Beginn erzeugt man die paarweisen Korrelations- oder Kovarianzkoeffizienten von Token-Zeitreihen. Dies ergibt eine Korrelations- bzw. Kovarianzmatrix auf welcher man dann die PCA durchführt. Die PCA "dreht" dann die Daten derart, dass "Faktoren", welche die Daten am meisten beeinflussen am besten sichtbar werden. Die "Faktoren" werden hierbei aber nicht benannt und müssen im nachhinein hineininterpretiert werden. Aus der Korrelations- bwz. Kovarianzmatrix berechnet die PCA die sogenannten Principal Components (PC), welche nach ihrer "Wichtigkeit" sortiert werden können. Nach der Sortierung "erklärt" die erste PC dann die meiste Varianz, dann kommt die Zweite etc. pp.. Die "Wichtigkeit" der Komponenten kann man sich in einem sogenannten Screeplot (https://de.wikipedia.org/wiki/Scree-Test) angucken. Eine PCA stellt also schlicht die Korrelation bzw. Kovarianz vieler verschiedener Variablen übersichtlich dar.

Ob es jetzt besser ist den Korrelations- oder Kovarianzkoeffizienten zu berechnen scheint von Fall zu Fall unterschiedlich zu sein. Laut

https://www.uni-siegen.de/phil/sozialwissenschaften/soziologie/mitarbeiter/ludwig-mayerhofer/statistik/statistik_downloads/statistik_i_7.pdf

ist der Korrelationskoeffizient die standardisierte Kovarianz. Es ist klar, dass der Korrelationskoeffizient bei gleichen Vektoren gleich 1 sein muss. Bei der Kovarianz ist das scheinbar nicht der Fall. Hier wird das nochmal genauer erklärt:

https://stats.stackexchange.com/questions/53/pca-on-correlation-or-covariance

Die dritte Antwort ist am aufschlussreichsten. Dort wird gesagt, dass man bei Variablen, welche einen ähnlichen Wertebereich aufweisen, also z.B. immer zwischen 0 und 1 liegen und diese Extrema auch jeweils erreichen, man die Kovarianz nutzen soll. Bei Variablen, welche im Wertebereich voneinander abweichen, z.B. bei zwei Variablen deren Werte im einen Fall zwischen $0 und $2 und im anderen Fall zwischen $0 und $20.000 liegen, so soll man die Korrelation nutzen. Hier gucken wir auf den normalisierten Tages-Return und der liegt in meinem Fall zwischen -1.28 und 1 (Return kann auch negativ werden, normalisiert wird aber mit dem Maximalwert, siehe Code). Man kann also getrost die Kovarianz nutzen.  

Dazu zwei Links, Ersteren habe ich als Startpunkt für den Code genutzt, Zweiteren könnte man für weiterführende Analysen nutzen:

https://thequantmba.wordpress.com/2017/01/24/principal-component-analysis-of-equity-returns-in-python/
https://www.linkedin.com/pulse/how-principal-component-analysis-can-improve-longshort-charles-ellis

Die Daten werden live von poloniex gezogen:

https://www.quora.com/How-can-I-download-Poloniex-historical-data

Bei den Datensätzen handelt es sich immer um BTC/<Token>-Paare. Deshalb taucht BTC auch nicht in den Plots auf. Sowas lässt sich natürlich auch mit Dollar machen aber dafür existieren zuwenige Dollar/<Token>-Paare.


Korrelation (2016-01-01 bis 2018-07-16):



Screeplot der Korrelation (2016-01-01 bis 2018-07-16):



Offensichtlich ist nur die erste Komponente von Relevanz (Horizontale), auch wenn der PCA-Plot noch die zweite Komponente enthält. BTS und XBC scheinen am wenigsten zu korrelieren und Cluster sind nicht zu erkennen. LTC, NMC und PPC könnte man als Ausreisser (in die zweite Komponente) interpretieren wobei die zweite Komponente kaum Relevanz hat. Die erste Komponente erklärt ca. 12% der Varianz, während die Zweite und die Folgenden zwischen 3-5% der Varianz erklären.

Kovarianz (2016-01-01 bis 2018-07-16):



Screeplot der Kovarianz (2016-01-01 bis 2018-07-16):



Ähnlich wie bei der Korrelation. Nur die erste Komponente ist wirklich von Relevanz (Horizontale), auch wenn der Plot noch die zweite Komponente enthält. Wobei hier ETH, BTS und NXT Ausreisser bilden (?). Zwei Cluster sind erkennbar (?), ein Erster in der Mitte, wo die Elemente nicht so eng clustern und ein Zweiter wo die Elemente ziemlich nah beieinander liegen. Die erste Komponente erklärt ca. 32% der Varianz, die Zweite immerhin noch ca. 10%, und die Folgenden erklären zwischen 3-7% der Varianz.

Die ersten drei Komponenten der Analyse mit Korrelation erklären ca. 22% der Varianz während die entsprechenden Komponenten der Analyse mit Kovarianz ca. 49% erklären (die Werte sind aus dem Plot geschätzt). D.h. eine PCA mit Kovarianz ist einer PCA mit Korrelation vorzuziehen.

---

Todo: Das Ganze nochmal mit


durchorgeln. Dann liegen die Werte wirklich immer zwischen 0 und 1.

Da ist doch was im Busch! Zieht euch mal den Mempool rein:

https://www.blockchain.com/charts/mempool-size

Ist wohl demnächst wieder ein Future fällig:

https://cryptocalendar.pro/event/4212

Und dann gleich am 27.07. nochmal. 

Für die Leute die schon länger dabei sind funktioniert das Bauchgefühl oft ziemlich gut.

Ich finde die 0% aber gar nicht so schlecht. So ein Wert lässt keinen Interpretationsspielraum. Soll heissen, dass wir uns momentan, nach dem Modell wohlgemerkt, noch NICHT in einer möglichen Bullenphase befinden und man sich Zeit mit dem Nachkaufen lassen kann. Wir wissen doch alle wie das abläuft, gestern waren noch alle Bären, heute sind wir alle Bullen und übermorgen machen wir uns schon wieder für den Winterschlaf bereit. Sowas geht immer ziemlich schnell, manchmal zu schnell.

Quantitative Werte zusätzlich zum Bauchgefühl sind von Vorteil auch wenn sich ein Modell natürlich als vollkommen falsch herausstellen kann. Auf der anderen Seite ist Bauchgefühl aka Intuition auch nur ein Modell, welches wir nur nicht bewusst verstehen.

Und sollte die schwarze Kurve auf 100% gehen und dort für ein, zwei Wochen verweilen, so wäre dies eine weitere Bestätigung (für mich), dass das Licht am Ende des Tunnels nicht mehr fern ist. Denn so schlimm wie nach dem Gox-Debakel steht Bitcoin diesmal nicht da. Alles natürlich unter der Voraussetzung, dass kein staatliches Verbot kommt oder die entsprechende Kryptographie geknackt wird.

Guck bitte nochmal auf die Kurven, es gibt ja ein Reversal, die schwarze Kurve übernimmt die Überhand (seitwärts), die rote Kurve geht zurück (bärisch). Und wie gesagt, ich habe die Farben bei diesen beiden Kurven ausgetauscht (relativ zu den alten Plots wo rot = seitwärts und schwarz = bärisch war). Ausserdem ist dies eine Analyse auf Wochenbasis, d.h, dass sich ein Anstieg auf Tagesbasis wahrscheinlich nur leicht auf die Kurven auswirkt. Von daher ist das Reversal in den Kurven schon bemerkenswert (imho). Das kann natürlich morgen schon wieder ganz anders aussehen.

Abgesehen davon bilden die Kurven die Vergangenheit überraschend gut ab. Wie das mit der Vorhersagekraft für die Gegenwart bzw. Zukunft aussieht kann man jetzt natürlich noch gar nicht sagen und muss das Verhalten der Methode mit neuen Daten weiter beobachten.

Da es wieder einen sprunghaften Preisanstieg gab, so habe ich versucht, das Sentiment mit einem 3-Zustände- und einem 4-Zustände-HMM auf den akutellen Daten zu modellieren. Im folgenden habe ich die Farben der roten und schwarzen Kurve aus den alten Plots getauscht, da rot besser für das "bärische" Sentiment passt. 3-Zustände-HMM vs. 4-Zustände-HMM mit aktuellen Daten (08.07.2018):

3-Zustände-HMM (grün = bullisch/Blase, rot = bärisch, schwarz = seitwärts?, blau = log10(price)/max(log10(price)):



4-Zustände-HMM (violett = bullisch, grün = Blase, rot = bärisch, schwarz = seitwärts?, blau = log10(price)/max(log10(price)):



Vom statistischen Standpunkt aus sollte man den 3-Zustände-HMM bevorzugen (siehe ganz unten auf https://bitcointalk.org/index.php?topic=4586924.msg41380372#msg41380372), wobei die violette Kurve im 4-Zustände-HMM scheinbar ganz interessante Anstiege ankündigt. Interessant ist auch, dass die rote Kurve zwar praktisch alle Preisstürze nach Blasen markiert, jedoch auch Bereiche markiert, welche Preissteigerungen beinhalten. D.h., dass die Begrifflichkeiten "bullisch", "bärisch" und "seitwärts" immer mit Vorbehalt zu betrachten sind. Oder aber, eine andere Interpretation, dass solche Anstiege, obwohl sie im entsprechenden Moment passieren, noch keinen Zustandswechsel in einen der anderen rechtfertigen. Das wäre dann sowas wie ein Bullenfallenindikator. Als Kaufindikator kann scheinbar nur die rote Kurve dienen, und zwar immer dann, wenn sie eine Wahrscheinlichkeit von nahe 100% erreicht. Ein 5-Zustände-HMM macht wohl keinen Sinn mehr.

Im Moment hat die schwarze Kurve die Wahrscheinlichkeitsmehrheit im 3er-HMM:

• Blase: 0%
• Seitwärts: 58%
• Bärisch: 42%

als auch im 4er-HMM:

• Blase: 0%
• Bullisch: 0%
• Seitwärts: 58%
• Bärisch: 42%

Edit: Was auch auffällt, das ist der Schweinzyklus in den Sentiments, welche die 100% erreichen: Grün, Rot, Schwarz, (Violett, ) Grün, Rot, Schwarz, ... ausser natürlich nach dem Gox-Debakel, da wechselten sich Rot und Schwarz mehrfach ab ohne dass es eine echte Blase gab und manchmal fällt ein Sentiment durch Überschwang aus.

Das Grenzverhalten habe ich nun auch durchgeorgelt. Siehe die 30 neuen Plots auf

https://bitcointalk.org/index.php?topic=4586924.msg41380372#msg41380372

Diese Plots weichen bis zum entsprechenden Zeitpunkt qualitativ kaum von dem Plot ab, der über die ganzen 350 Wochen geht.

Jein, ich gebe Dir insofern Recht, dass November und Dezember 2017 eindeutig eine Blase war. Es wurde genug gewarnt. Jedoch wurde zu dieser Zeit fleissig gekauft, ansonsten wäre der Kurs ja nicht noch weiter gestiegen. Waren die Käufer alle dumm? Oder fehlte denen schlicht das Gefühl für den richtigen Preis? Mitte 2017 z.B. war auch nicht klar wie lang die Blase noch geht oder ob wir überhaupt schon in einer Blase sind. Einige habe zu der Zeit ja von einem Sturz auf $700 gesprochen, es ging aber trotzdem weiter. Und dass sich nach dem September-Drop nochmal eine Blase bilden würde war auch nicht vorherzusehen. In der Retrospektive ist die Blase immer eindeutig, selbst für Dumme.

Ansonsten, der Plot wurde aus historischen Daten generiert. Was noch fehlt ist die Performance der Methode, wenn man den Plot immer nur für die Daten bis zu einem bestimmten Datum berechnen würde. Erkennt man die Blasen denn auch zeitnah oder nur im nachhinein? Man hätte ja sonst das gleiche Problem wie bei der normalen TA, wo der eine "hü" sagt und der andere "hott", und Recht behalten wird garantiert einer.

Ich habe noch den Kursverlauf (logarithmiert und auf 1 normiert) in oberen Plot gelegt:



So wie sich das dort darstellt könnte man die grüne Kurve als Blasenindikator nutzen, da sie scheinbar schon vor einem Blasenhoch die Oberhand gewinnt. Soll heissen, wenn die grüne Kurve über 50% der Wahrscheinlichkeit auf sich vereint so sollte man vorsichtiger werden. Die Dauer einer so definierten Blase scheint sich über ein paar wenige Wochen zu ziehen sodass man auch nicht allzuviel Verlust macht, wenn man zu früh oder zu spät verkauft. Interessant ist aber, dass die Blasen 2013 stärker ausfielen als die Blasen 2017, denn die Ausschläge der grünen Kurve sind 2017 spitzer und scheinen, wenn überhaupt, nur kurz die 100% Wahrscheinlichkeit zu erreichen.

Aber wie gesagt, es ist noch nicht klar wie das Grenzverhalten der Methode ist. Einen 4-Zustände-HMM sollte man auch noch testen, denn vielleicht kann man Übertreibungen nach unten genauso gut definieren und als Kaufindikator nutzen. Da die Methode prinzipiell auf beliebige Zeitintervalle anwendbar ist, so könnte sie sich für die Ungeduldigen sowie Geduldigen eignen.

Letztendlich ist es aber auch nur ein Indikator, welchen man in Kombination mit anderen nutzen könnte/sollte, um eigene Entscheidungen zu motivieren.

So liebe Leute und Mitbitcoiner, anbei meine Analyse zum aktuellen Sentiment mit einem HMM mit 3 Zuständen:



Die y-Achse entspricht Wahrscheinlichkeit (0-1), x-Achse der Zeit in Wochen seit Bestehen von Bitstamp. Die Kurven nach der Farbe lassen sich wie folgt interpretieren: grün = bullisch, schwarz = bärisch, rot = seitwärts.

Es fällt jedoch auf, dass die bullischen Phasen immer relativ kurz sind. D.h. man muss die drei Zustände wohl leicht anders interpretieren: die schwarze Kurve kann man getrost als bärisch bezeichnen, die rote Kurve scheint eher sowas wie eine Mischung aus seitwärtiger und bullischer Phase zu sein und die grüne Kurve markiert am ehesten Phasen mit übertriebenen Blasencharakter. Sehr leicht lassen sich z.B. die zwei Blasen 2013 im Graphen identifizieren. Der vorletzte grüne Auschlag im Graphen muss Mitte 2017 gewesen sein und markiert mit dem roten Ausschlag zu Beginn wohl die zwei Zwischenhochs im Sommer 2017 (Ende Juni und Ende August). Der letzte grüne Ausschlag war die Manie im Dezember.

Das schöne daran ist, dass man den verschiedenen Phasen immer Wahrscheinlichkeiten zuordnen kann. Die Wahrscheinlichkeiten für die letzte Woche im Graphen, also die für das aktuelle Sentiment, sind:

• Blase: 1%
• Seitwärts/Bullisch: 36%
• Bärisch: 63%

Wer das nachkochen möchte (diesmal mit mehr Kommentaren und weiteren Bildchen): https://bitcointalk.org/index.php?topic=4586924.0

Zu empfehlen wäre hierbei die Eclair-Smartphone-Wallet:

https://play.google.com/store/apps/details?id=fr.acinq.eclair.wallet.mainnet2

Ist kinderleicht. Du hast eine normale Wallet in der Mitte, da schickst Du Deine Coins per Standardtransaktion hin (erste Transaktion). Dann gibt es eine Lighning-Wallet auf der rechten Seite. Dort kannst Du dann einen Paymentchannel eröffnen (zweite Transaktion) und verwalten. Auf der linken Seite kann man Adressen verwalten. Ist ziemlich einfach, man muss es halt einmal machen, dann hat man es raus. Hast Du einen Paymentchannel eröffnet, so musst Du praktisch keine Transaktionsgebühren mehr zahlen und die Wartezeiten auf die Bestätigungen gibt es auch nicht mehr. Aber das weisst Du ja. Ich muss aber zugeben, bezahlt habe ich so auch noch nichts.

Zum spielen reicht die Wallet allemal, selbst wenn die auf dem Mainnet läuft.

Vielleicht ganz interessant für alle die an Lightning interessiert sind:

https://www.btc-echo.de/es-ist-vollbracht-reale-zahlungen-via-coingate-ueber-das-bitcoin-lightning-network/

Zu Punkt 2:

https://mattmcd.github.io/2013/03/30/FX-Arbitrage-CLP.html

Wenn ihr sowas implementiert und ausprobiert, dann macht ihr das auf eure eigene Verantwortung!

Was wird hier gemacht? Grob gesagt hat man verschiedene Währungspaare auf einer oder mehreren Börsen. Man weiss, wieviel Gewinn man machen möchte. Z.B. will man einen Gewinn von $10.000 machen (oder einen Bitcoin). Nun formuliert man ein lineares Programm (https://de.wikipedia.org/wiki/Lineare_Optimierung), welches die Währungspaare kodiert und die Menge an Gewinn enthält (also die $10.000 oder den einen Bitcoin). Ist das Programm gelöst, dann weiss man:

• welche Währungen man tauschen muss;
• wie man die Währungen tauschen muss;
• und wieviel Kapital man einsetzen muss.

Man modelliert also den Fluss der Währungen durch ein Handels- bzw. Tauschnetzwerk. Da es praktisch immer unendlich Möglichkeiten des Flusses gibt (wenn das Problem lösbar ist), ansonsten wäre die Lösungsmenge ja ein Punkt, so kann man noch ein Optimierungskriterium angeben. Z.B., dass man das eingesetzte Kapital minimiert. In oberem Beispiel wird der Arbitragebetrag, welchen man erreichen möchte auf $10.000 begrenzt (ansonsten hat das Problem keine Begrenzung, d.h. es ist "unbounded"). Da nicht klar ist, ob die $10.000 Gewinn auch erreicht werden können, so maximiert man den Gewinn. D.h., dass man im Idealfall $10.000 Gewinn machen kann oder, wenn es nicht so gut läuft, weniger.

Zu Beginn sei hier gesagt, dass ihr für die Ausnutzung von Arbitragemöglichkeiten, wie oben angegeben:

• mehrere unterschiedliche (!) Währungspaare benötigt;
• Zugriff auf die Api verschiedener Börsen braucht;
• die Orderbücher mit den Volumina im Auge behalten müsst;
• die Transaktionszeiten von Börse zu Börse im Auge behalten müsst.

Das ist alles sicherlich möglich. Beim ersten Punkt beschränken sich die Paare meist auf Bitcoin/<anderer Coin>. Was praktisch nutzlos ist, da man auch die <andere Coins> untereinander handeln muss. Inzwischen sollte aber mit Ether mindestens noch eine weitere Möglichkeit exisiteren. Auch nehmen Börsen für jeden Handel und jede Auszahlung Gebühren. Solche Bedingungen sind in oberem Link nicht enthalten und müssen entsprechend formuliert werden und angefügt werden. Beim dritten Punkt kann es sein, dass das Orderbuch gar nicht das Volumen eines berechneten Handels enthält, sodass man aufpassen muss, nicht auch teurere, ungewollte Trades zu machen. Beim letzten Punkt besteht natürlich die Möglichkeit, dass nach einer Transaktion von Börse A nach B und den notwendingen Bestätigungen, die Arbitragemöglichkeit gar nicht mehr exisiert.

Als Software zur linearen Optimierung empfehle ich

https://sourceforge.net/projects/lpsolve/

da es den einfachsten, wenn auch nicht schnellsten Solver darstellt. Unter Ubuntu o.ä. sollte ein


und unter Fedora o.ä. sollte ein


ausreichen. Sollte die Kommandos so nicht funktionieren, dann müsst ihr die Namen anpassen, also: lpsolve, lp-solve oder lpSolve usw. usf.. Anbei die Constraints (=Bedingungen) für oberes Beispiel:


Dies einfach in einer Datei, z.B. arbitrage.lp, abspeichern und dann lpsolve wie folgt aufrufen:


Was die folgende Ausgabe produzieren sollte:


Dass x3 > 0 ist, ist wohl ein numerisches Problem und soll uns nicht weiter stören. Ihr solltet auch ausprobieren was passiert, wenn ihr die obere Grenze aus der Datei entfernt, also die Zeile mit "... <= 10000".

Die Entsprechungen der Variablen bzw. wie ich sie zugeordnet habe:


Man kann auch folgendes Optimierungskriterium angeben:


D.h., man maximiert den Gewinn und minimiert gleichzeitig die Wertflüsse im Tauschnetzwerk und somit auch in gewisser Weise das eingesetzte Kapital. Man bekommt so die gleiche Lösung wie oben. Immer unter der Vorraussetzung, dass es keine numerischen Probleme gibt (sehr grosse Zahlen vs. sehr kleine Zahlen). Da muss man wohl mit den Gewichtungen spielen.

Für Fortgeschrittene bietet sich folgendes Software-Paket an:

http://scip.zib.de/

Noch ein paar Anmerkungen zum Constraint Based Programming:

Die ganze Geschichte hat relativ wenig mit Programmieren zu tun. Was man macht ist, dass man die Menge der Lösungen, welche einen interessieren, beschreibt. D.h. man berechnet nicht selbst explizit eine Lösung sondern man gibt alle Lösungen implizit in den Bedingungen des "Programms" an. Das "Programm" besteht selbst nur aus Bedingungen, welche wiederum aus den Variablen von Interesse (hier Währungspaare) bestehen. Eine Lösung wird dann durch sogenannte Solver berechnet. Das sind dann spezialisierte Programme für das Suchen von Variablenbelegungen welche die Bedingungen erfüllen.

• Linear Programming (LP) ist hierbei das leichteste Problem. Es gibt effiziente Solver da LP in P liegt. D.h. eine Lösung für ein solches Problem kann mit einer deterministischen Turingmaschine (TM) in polynomieller Zeit gelöst werden.
• Integer Linear Programming (ILP), d.h. das Problem, wo man nur diskrete Werte als Lösung akzeptiert, liegt überraschenderweise in NP. D.h. man benötigt eine nichtdeterministischen TM um eine Lösung in polynomieller Zeit zu finden. D.h. aber nicht, dass die entsprechenden Solver schlecht sind. Die sind verdammt gut! Nur hat man schlicht keine Garantie, dass man eine Lösung bekommt oder die Lösung erst ausgespuckt wird, wenn die Arbitragemöglichkeit abgelaufen ist.
• Es gibt natürlich noch eine Mischung: Mixed Integer Linear Programming (MILP), welche genauso schwer ist wie ILP.

Es gibt noch weitere, allgemeinere Formulierungen (Quadratic Programming etc.pp.) worauf ich aber nicht eingehen möchte. Und SAT (https://de.wikipedia.org/wiki/Erf%C3%BCllbarkeitsproblem_der_Aussagenlogik) ist auch nicht weit entfernt ... Wichtig ist nur, dass ihr natürlich, wenn es euer Problem erfordert, die entsprechende Formulierung nutzen könnt. Das Beispiel von oben ist halt nur das leichteste Problem. SCIP kann auf die meisten angewendet werden, wenn nicht gar auf alle von den erwähnten, lpsolve glaube ich auch, ist halt nur langsamer.

Voraussetzungen

• Installation von R
• Installation von notwendigen R-Paketen

Einleitung

• Beispiel mit idealem und gezinktem Würfel
• Diskussion der Ergebnisvariablen
• Vergleich und Auswahl von Modellen
• Grenzen eines Modells

Hidden Markov Modelle für Sentimentanalyse

• Ein Preis-Return Hidden Markov Modell
• Stabilitätsanalyse
• Andere Varianten

Handeln mit Hilfe eines Hidden Markov Modells
Diskussion
Ausblick
Quellenangaben

Voraussetzungen

Installation von R

R ist eine freie Programmiersprache, welche sich auf Statistik spezialisiert hat (https://de.wikipedia.org/wiki/R_(Programmiersprache)):

https://www.r-project.org/

Dies ist auch das Minimum der benötigten Software und alle folgenden Codesnippets sollten damit ausführbar sein. Zusätzlich bietet es sich jedoch an Rstudio zu installieren:

https://www.rstudio.com/

Rstudio ist eine Entwicklungsumgebung für R und erleichtert das Verwalten von Daten und sowie im Besonderen das Programmieren in R.

Todo: Vielleicht noch eine genauere Anleitung der installation von R auf einem OS ...

Installation von notwendigen R-Paketen

Der folgende Code, ausgeführt in R, installiert Pakete, welche direkt benötigt werden oder später von Vorteil sind:


Geladen werden die Pakete in R via:


Einleitung

Beispiel mit idealem und gezinktem Würfel

Das folgende Beispiel ist so gewählt, dass es analog zu einer entsprechenden Chartanalyse ist.

Angenommen man nimmt an der Mensch-ärgere-Dich-nicht-Weltmeisterschaft teil. Für dieses Spiel benötigt man einen Würfel. Wer eine Sechs würfelt darf daraufhin nochmal würfeln. Desweiteren hat derjenige mit der Sechs die Wahl rauszukommen oder normal zu ziehen. Eine Sechs zu würfeln ist also von Vorteil. Für einen idealen Würfel ist die Wahrscheinlichkeit exakt 1/6, so wie für die anderen Zahlen auch. Man könnte nun versuchen dem Glück mit einem gezinkten Würfel auf die Sprünge zu helfen, welcher dem offiziellen WM-Würfel möglichst ähnlich sieht. Da wäre es gut, wenn man bei der Mensch-ärgere-Dich-nicht-Weltmeisterschaft zumindest im Nachhinein feststellen könnte, wann ein gezinkter Würfel genutzt wurde. Die entsprechenden Spieler würden dann gesperrt.

Zu Beginn betrachten wir den idealen Würfel und vergleichen ihn mit dem Gezinkten. Der gezinkte Würfel soll den Wurf einer Sechs wahrscheinlicher gestalten. Deshalb ist hier im Beispiel die Wahrscheinlichkeit für eine Sechs mit dem gezinkten Würfel 2/7 und für die anderen Zahlen jeweils 1/7. Wir lassen nun beide Würfel sehr oft werfen und notieren uns die jeweilige Sequenz der Augenzahlen:


Um ein Gefühl für die Verteilungen zu bekommen fassen wir jetzt immer 500 Würfe durch ein Schiebefenster auf beiden Sequenzen zusammen (vgl. hierzu auch andere Fenstergrössen), notieren uns den jeweiligen Mittelwert der Augenzahlen und erzeugen daraus einen Plot der entsprechenden Mittelwertsverteilung:


Das Ergebnis ist im unteren Plot zu sehen:


Es handelt sich also offensichtlich um zwei Normalverteilungen. Wurde eine Sequenz mit dem idealen Würfel erzeugt, dann sollten die Mittelwerte aus 500 geworfenen Würfen aus der linken Verteilung stammen. Wurde eine Sequenz mit dem gezinkten Würfel erzeugt, so stammen die Mittelwerte aus der rechten Verteilung. Wurde eine Sequenz mit beiden Würfeln erzeugt, dann sollten die Mittelwerte entweder aus der einen oder der anderen Verteilung stammen. Ob also ein Sequenz mit einem oder mit zwei unterschiedlichen Würfeln erzeugt wurde, d.h. ob während des Spiels die Würfel ausgetauscht wurden, dies lässt sich nun mit einem Hidden Markov Modell (HMM) erkennen. Eine Voraussetzung für dieses Beispiel ist, dass die Anzahl der aufeinanderfolgenden Würfe mit dem jeweiligen Würfel gross (z.B. 10000) gegenüber der Fenstergrösser (500) ist.

Ein HMM mit nur einem Würfel besteht aus einem Knoten und einer Kante. Der Knoten wird im Fall des idealen Würfels durch obere blaue Normalverteilung realisiert. Der Knoten erzeugt dann Augenzahlen derart, dass die Verteilung der Mittelwerte aus 500 Würfen der blauen Normalverteilung folgt. Da es nur eine Kante mit der Wahrscheinlichkeit P=1.0 gibt, so MUSS der neue Zustand des HMM nach jedem Wurf der alte sein:


Wird der ideale Würfel nun während des Spiels, d.h. beim Erzeugen der Sequenz an Augenzahlen, durch einen Gezinkten ausgetauscht, so besteht der entsprechende HMM mindestens aus zwei Knoten. Einem Knoten, welcher die Verteilung des idealen Würfels generiert und einem Knoten, welcher die Verteilung des gezinkten Würfels generiert:


Die Kanten mit den Wahrscheinlichkeiten P(Blau nach Blau), P(Blau nach Rot), P(Rot nach Rot) und P(Rot nach Blau) hängen dann davon ab, wann und wie oft die Würfel getauscht wurden. Hierbei sollte die Sequenz an Augenzahlen lang genug sein, dass mehr als zwei Austausche (Zustandsänderungen) stattfanden! Je mehr desto besser.

Ein HMM, dessen Parameter bekannt sind, nennt man auch Markov-Kette. Eine Markov-Kette, interpretiert als Modell für einen bestimmten (stochastischen) Prozess, bildet diesen Prozess mathematisch nach und stellt somit so etwas wie eine Simulation desselbigen dar. In unserem Beispiel wäre dies die Simulation der geworfenen Augenzahlen eines fairen Spielers oder die eines Betrügers während der Mensch-ärgere-Dich-nicht-Weltmeisterschaft.

Somit ist ein HMM ein Automat, also ein Graph mit mehreren Knoten (Zuständen) und Kanten (Zustandsänderungen) und einem ausgezeichnetem Knoten, welcher den Zustand definiert, in welchem sich der Automat gerade befindet. Die Kanten sind mit Wahrscheinlichkeiten gelabelt sodass die Summe der ausgehenden Kanten die Wahrscheinlichkeit von P=1.0 ergibt. Der Automat springt dann in diskreten Schritten von Knoten zu Knoten entlang der Kanten, entsprechend der an den Kanten angegebenen Wahrscheinlichkeiten. Da die Summe der Wahrscheinlichkeiten an den ausgehenden Kanten gleich 1.0 ist, so wechselt der Automat in jedem Schritt seinen Zustand, wobei der neue Zustand gleich dem alten sein kann. War der HMM vorher in Zustand A und ist danach in Zustand B (mit A != B), so hat man eine (echte) Zustandsänderung.

Die Parameter des Modells, also die Wahrscheinlichkeiten an den Kanten des Automaten sind im Falle des HMM zu Beginn nicht bekannt und müssen mit einem speziellen Optimierungskriterium über entsprechende Daten rückgeschlossen werden. Dies nennt man auch das Fitten des Modells an die Daten und das Resultat nennt man schlicht den gefittete HMM (zumindest ich). Hat man die optimalen Parameter gefunden, so kann man den wahrscheinlichsten Pfad in der Zeit über die Knoten durch den Graphen berechnen. Die Sequenz der Knoten, welche der Automat durchläuft nennt man hidden States (versteckte/unbekannte Zustände) und diese möchte man wissen. In unserem Beispiel bestehen die Daten NUR aus den geworfenen Augenzahlen eines Mitspielers. Die versteckten Zustände entsprechen der Nutzung der Würfel, d.h. wann ein idealer und wann ein gezinkter Würfel in der Sequenz der geworfenen Augenzahlen genutzt wurde. Und der Name ist gut gewählt, da die Beobachter bei der Mensch-ärgere-Dich-nicht-Weltmeisterschaft nur die geworfenen Augenzahlen zu Gesicht bekommen, aber ansonsten den idealen Würfel nicht vom Gezinkten unterscheiden können.

Nun erzeugen wir eine simulierte manipulierte Sequenz an Augenzahlen, welche unsere Bedingungen erfüllt (viele geworfene Augenzahlen und ausreichend viele Würfelwechsel), und versuchen die Wechsel der Würfel mit Hilfe eines gefitteten HMMs ausfindig zu machen:


Das Erzeugen des HMM, der Fit des Modells an die Daten und die Extraktion relevanter Daten ist in R ein Dreizeiler:



Zum Erzeugen eines aussagekräftigen Plots benötigen wir etwas mehr Code:


Das Resultat sollte wie folgt aussehen:


Auf der x-Achse ist die Sequenz der Zustände als farbliches horizontales Band angegeben. Die Kurven im Plot stellen die (A-posteriori-)Wahrscheinlichkeit für den entsprechenden Würfel am gegebenen Zeitpunkt dar. Man beachte, dass der HMM die Zustände nicht perfekt wiedergibt (vgl. andere Fenstergrössen). Dies ist statistsichen Fluktuationen geschuldet, d.h., dass die blaue Verteilung auch ab und zu mal wie die Rote aussehen kann (und vice versa). Wegen des Fensters gibt es natürlich weniger als 180000 Zustände (179501). An die echten Übergangswahrscheinlichkeiten kommt man wegen numerischer Ungenauigkeiten nur über den Befehl hmmfit@transition. Der Befehl summary(hmmfit) reicht nicht, da er offenbar die Wahrscheinlichkeiten rundet! Der entsprechende HMM ist dann durch folgenden Graphen gegeben:


Diskussion der Ergebnisvariablen

Todo: Diskussion der Ergebnisvariablen

Vergleich und Auswahl von Modellen

Vermutet man nun, dass ein Mitspieler während der Mensch-ärgere-Dich-nicht-Weltmeisterschaft betrügt, so muss man seinen Verdacht auch quantifizieren können. Man muss also quantifizieren, wie wahrscheinlich es ist, dass der Verdächtige eine gezinkten anstatt eines idealen Würfels nutzt. Im einfachsten Fall vergleicht man dafür zwei unterschiedliche Modelle des Verdächtigen: Die Nullhypothese (H0) ist, dass der Verdächtige einen idealen Würfel nutzt; Die Alternativhypothese (H1) ist, dass der Verdächtige einen zusätzlichen gezinkten Würfel nutzt. H0 wird verworfen wenn H1 viel wahrscheinlicher ist. Natürlich kann man noch zusätzliche Modelle mit steigender Komplexität erzeugen (H2, ..., Hn), z.B. die Annahme hinzunehmen, dass der Verdächtige verschiedene gezinkte Würfel mit unterschiedlichen Parametern genutzt hat. Für eines dieser Modelle muss man sich nun entscheiden und zwar derart, dass die Wahrscheinlichkeit minimiert wird, einen Unschuldigen von der Weltmeisterschaft auszuschliessen.

Genauso wie man Graphen in ihren Parametern, d.h. der Anzahl der Knoten, Kanten und somit in ihrer Topologie (Struktur), variieren kann, so kann man verschiedene HMMs, d.h. verschiedene angenommene Modelle der Wirklichkeit (H0, ..., Hn), generieren und versuchen, diese an den gleichen Datensatz zu fitten. Jeder so gefittete HMM hat dann eine gewisse Likelihood. Die Likelihood ist hierbei die "Wahrscheinlichkeit" des HMM gegeben die Daten und man kann sie als eine Art Wahrscheinlichkeit interpretieren. Diese Interpretation wird dem Begriff aber nicht vollständig gerecht, doch soll diese Frage hier nicht weiter diskutiert werden. Es gibt weiterhin andere aber zur Likelihood analoge Konzepte deren Behandlung sich nur marginal unterscheiden. Die bekanntesten sind das AIC (Akaike Information Criterion) und das BIC (Bayesian Information Criterion). Es existiert nun eine Belegung der (versteckten) Zustände (bzw. ein Verhalten des HMM-Automaten über die Zeit), welche, gegeben die Daten, am "wahrscheinlichsten" (most likely) ist. Hat man nun verschiedene mögliche HMMs zur Auswahl, welche die Daten erklären könnten, so muss man nun entscheiden, welchen man für weitere Analysen auswählt.

Der naive Ansatz besteht nun darin, einfach den HMM zu wählen, der die höchste Likelihood aufweist. Dieser Ansatz hat aber das Problem, dass ein Modell mit mehr Parametern in der Regel IMMER die höhere Likelihood hat. Gleichzeitig jedoch verliert das Modell an allgemeiner Aussagekraft und wird zudem schwieriger zu interpretieren. Für die Menge der zu untersuchenden HMMs bedeutet dies, dass die entsprechenden Modellparameter, also die Anzahl der Zustände "vernünftig" gewählt werden. Doch selbst in diesem Szenario kann die Wahl des HMMs mit der höchsten Likelihood schlecht sein, da einfachere Modelle mit weniger Parametern, also HMMs mit weniger Zuständen, "ähnlich" hohe Likelihoods aufweisen können. In dieser Situation sollte man aus der Menge der HMMs mit "ähnlich" hoher Likelihood wie der mit der Höchsten den auswählen, der am wenigsten Zustände hat (Ockhams Rassiermesser). Wie man das im Detail macht kann man z.B. hier erfahren: https://stats.stackexchange.com/questions/81427/aic-guidelines-in-model-selection.

Selbst durch neuen Daten kann sich die Likelihood für ein und den selben HMM ändern und somit einen vollständig anderen Fit erzeugen. Der EM-Algorithmus (Expectation-Maximization Algorithmus) findet nämlich garantiert lokale Maxima aber nicht notwendigerweise das globale Maximum (Reihenfolge bei der Berechnung eines HMM-Fits: EM-Algorithmus und daraufhin Viterbi-Algorithmus <= diese Aussage basiert aktuell nur auf Halbwissen). Wenn man nun mit verschiedenen Randomseeds ein Modell fittet so kann man auf verschiedenen lokalen Maxima landen. Man kann dann einfach den Randomseed als neuen Parameter auffassen und behandelt dann diesen Fall wie im letzten Absatz beschrieben. (Quelle: https://bitcointalk.org/index.php?topic=26136.msg45063876#msg45063876)

Grenzen eines Modells

Ich möchte nicht viele Worte zu den Grenzen eines Modells verlieren. Als Ersatz dafür verlinke ich eine Dokumentation wo imho alles Wichtige zusammengefasst ist (The Midas Formula). Zwar bezieht sich das Video nicht explizit auf die Grenzen von Modellen, aber die Grundaussage sollte am Ende klar sein. Das Video ist leider auf englisch. D.h., wenn ihr es nicht gucken könnt, weil euer Englisch nicht so gut ist, dann meldet euch bitte und ich schreibe noch ein paar Worte dazu. Wichtig ist es, das Video GANZ zu schaun:

https://vimeo.com/28554862

Hidden Markov Modelle für Sentimentanalyse

Ein Preis-Return Hidden Markov Modell

Der Return eines bestimmten Zeitintervalls t, z.B. einer bestimmten Woche, ist die Differenz zwischen Schlusspreis und Öffnungspreis geteilt durch den Schlusspreis:


Ist der Schlusspreis größer dem Öffnungspreis, so ist der Return positiv, ist der Öffnungspreis größer dem Schlusspreis, so ist der Return negativ und ist der Schlusspreis gleich dem Öffnungspreis, so ist der Return Null. Der Return eines Assets, welches durchgehend um einen bestimmten Mittelwert variiert (z.B. wie Tether um US$ 1), ohne mittel- bis langfristige Ausschläge nach unten oder oben, kann mit einer (Normal)Verteilung mit Mittelwert Null modelliert werden. Bei einem Asset wo hingegen zusätzlich Marktlagen existieren, in denen der Preis auch langfristig fällt oder steigt (z.B. Bären- und Bullenmarkt  beim Bitcoin), macht es Sinn diese drei Marktlagen mit mindestens drei unterschiedlichen Verteilungen zu modellieren: die Verteilung des Bärenmarkts hat dann einen negativen Mittelwert, die Verteilung des Bullenmarkts hat einen positiven Mittelwert und die Verteilung der Seitwärtsbewegung hat einen Mittelwert gleich Null. Diese drei Verteilungen würden drei unterschiedlichen Würfeln bei der Mensch-ärgere-Dich-nicht-Weltmeisterschaft entsprechen: einem gezinkten Würfel wo die Wahrscheinlichkeit eine Sechs zu werfen kleiner 1/6 ist, ein idealer Würfel und ein gezinkter Würfel wo die Wahrscheinlichkeit eine Sechs zu werfen größer 1/6 ist.

Unter https://github.com/trantute/sentiment-hmm sind zwei exemplarische HMMs implementiert. Der erste HMM modelliert vier Zustände: Bärisch, Seitwärts, Bullisch und Blase (siehe unterer Plot). Der Zweite modelliert fünf Zustände: Tot, Bärisch, Seitwärts, Bullisch und Blase.



Die Zustände des HMM über die Zeit sind als farbliches Band unten auf der x-Achse im oberen Plot aufgetragen. Die Posteriorwahrscheinlichkeiten sowie der logarithmierte Preis (auf 1.0 normiert) und der logarithmierte MA203 (auf 1.0 normiert) sind als Kurven im Plot enthalten. Das Sentiment ist farblich, wie oben beschrieben, dargestellt und in der Legende auf der linken Seite im Plot beschrieben.

Stabilitätsanalyse

Es stellt sich die Frage, wie vertrauenswürdig die Vorhersage des Sentiments für die aktuelle Woche ist. Simulationen mit historischen Daten haben gezeigt, dass die Vorhersagen relativ stabil sind, wenn der Markt mittel- bis langfristig nicht volatil ist (Seitwärtsphase) oder sich in einer mittel- bis langfristigen Ab- bzw. Aufwärtsspirale befindet (nicht gezeigt). Simulationen mit historischen Daten haben aber auch gezeigt, dass ein extremer Ausschlag des Preises, welcher eine signifikante Wirkung auf den wöchentlichen Return hat, die Sentimentvorhersage nachträglich ändern kann:



Die Zustände des HMM über die Zeit sind als farbliches Band unten auf der x-Achse im oberen Plot aufgetragen. Wie man dort auf der rechten Seite sieht, ist ein Zustand insbesondere dann instabil, wenn der HMM gerade seinen Zustand geändert hat bzw. wenn unterschiedliche Zustände für die aktuelle Woche eine ähnliche Likelihood aufweisen. Die Posteriorwahrscheinlichkeiten für die unterschiedlichen Zustände (die Kurven im Plot) können hierüber Auskunft geben. Haben alle Zustände Posteriorwahrscheinlichkeiten ungleich 0.0 - wie im oberen Plot auf der rechten Seite - dann ist der aktuelle Zustand instabiler, als wenn ein Zustand die Posteriorwahrscheinlichkeit nahe 1.0 hat und die anderen nahe 0.0.

Andere Varianten

Der Return als Proxy für das Sentiment ist nur eine Möglichkeit einen HMM aufzusetzen. Andere Variablen können auch genutzt werden insofern sie eine Korrelation mit dem Sentiment aufweisen. Z.B. lassen sich die Kommentare auf bitcointalk.org pro Zeitintervall als Proxy nutzen. Entsprechender Code ist auf https://github.com/trantute/sentiment-hmm zu finden.

Handeln mit Hilfe des Hidden Markov Modells

Wenn einem das Sentiment bekannt ist bzw. wenn man in der Lage ist, dass Sentiment ausreichend genau einzuschätzen, dann kann man dieses Wissen nutzen um mit Werten entsprechend zu handeln. Die Idee ist, dass man zu Beginn eines Aufwärtstrends long und zu Beginn eines Abwärtstrends short geht. Für das unten gezeigte Beispiel (https://bitcointalk.org/index.php?topic=26136.msg47574581#msg47574581) bedeutet dies z.B.: Bärisch (rot) => short; Blase (grün) => long; Seitwärts (schwarz) => long; und "Bullenfalle" (violett) => long. Zusätzlich enthält der Plot noch den auf 1.0 normalisierten logarithmierten Bitcoin Preis (US$, Bitstamp) für die entsprechenden Zeitpunkte (blau) und den MA203 (Moving average für 203 Tage = 29 Wochen, orange) was in etwa dem MA200 entspricht aber besser zu berechnen ist (https://bitcointalk.org/index.php?topic=26136.msg44868087#msg44868087).


Solch ein Wechsel macht in diesem Beispiel natürlich nur Sinn, wenn das Sentiment von Grün, Schwarz oder Violett auf Rot wechselt oder vice versa. Dafür muss man jeweils zwei Wochen im Auge behalten, d.h. nehmen wir an heute ist ein Montag, gestern war Sonntag und der HMM hat eine Zustandsänderung vorhergesagt, relativ zum Sonntag davor. Jetzt tauscht man seinen Wert entsprechend der genannten Regeln. Und zwar zum Opening Price der aktuellen Woche, also dem aktuellen Montag. (Quelle: https://bitcointalk.org/index.php?topic=26136.msg43234811#msg43234811)

Todo: Code

Todo: Test mit historischen Daten

Tauschverhältnisse können zusätzlich optimiert werden. Das Beispiel ist ja ziemlich naiv: 0:100, 100:0, 100:0 und 100:0. Sodass es sich hier nur um vier Parameter handelt. Man kann also den Raum der Verhältnisse absuchen. Bei 10% Sprüngen sind das nur 10000 Möglichkeiten und man wählt dann die Verhältnisse welche den maximalen Wertoutcome (in Dollar oder BTC) erzeugen. Insbesondere unter der Annahme, dass man NUR long oder short gehen kann, d.h. all in oder all out, ist der Rechenaufwand überschaubar, da die Tauschverhältnisse dann binäre Variablen wären. D.h. bei n=4 Zuständen gäbe es gerade mal 2^4 = 16 Möglichkeiten. Solch ein Verfahren kann auch nützlich sein, den besten Parametersatz des HMMs zu finden wobei man jedoch Gefahr läuft, dass das Modell durch overfitting an historische Daten an allgemeiner Aussagekraft verliert. (Quelle: https://bitcointalk.org/index.php?topic=26136.msg43256510#msg43256510)

Diskussion

Todo: Diskussion von dem Geraffel

Ausblick

Todo: Ideensammlung hier rein

Quellenangaben

https://www.wikipedia.org/
https://api.bitcoincharts.com/v1/csv/
http://web.stanford.edu/class/stats366/exs/HMM1.html
https://www.quantstart.com/articles/hidden-markov-models-for-regime-detection-using-r
https://www.fool.com/knowledge-center/how-to-calculate-return-on-indices-in-a-stock-mark.aspx
https://stats.stackexchange.com/questions/81427/aic-guidelines-in-model-selection

Aktuell sind es nur Du und ich, die in Einzeilern schreiben. Ganz schlechter Versuch von Dir zu provozieren und auf andere zu verallgemeinern. Willkommen auch Du auf meiner ignore list. Sonst heisst es noch ich müllte den Thread zu.

Hallo,

da dies angefragt wurde mache ich mal diesen Thread auf. Der Sinn und Zweck des Threads ist es, Methoden zu diskutieren, welche über Technische Analyse (https://de.wikipedia.org/wiki/Technische_Analyse), Sentimentanalyse (https://de.wikipedia.org/wiki/Sentimentanalyse) und Fundamentalanalyse (https://de.wikipedia.org/wiki/Fundamentalanalyse), wie man sie aus "Der Aktuelle Kursverlauf" her kennt, hinaus geht. Es soll darum gehen, die Methoden zu diskutieren, auszuprobieren und zu erweitern. D.h. ihr könnt Code posten, welcher möglichst funktionieren sollte oder auf Projekte, falls umfangreicher, auf entsprechenden Repositories verweisen. Auch sind konstruktive Vorschläge zu Methoden gern gesehen (Link etc.pp.).

Die Methoden und der Code sind derart aufbereitet, dass dieser prinzipiell per Copy und Paste lauffähig sein sollte. Ihr müsst nur die entsprechenden und angegebenen Softwarepakete installieren und zum Laufen bekommen. Das sollte als Startpunkt für eure eigene Analysen reichen. Momentan plane ich nicht darüber hinauszugehen.

Mir selbst sind in den letzten Monaten folgende Methoden in den Sinn gekommen:

• Markovketten (https://de.wikipedia.org/wiki/Markow-Kette) und Hidden Markov Models (https://de.wikipedia.org/wiki/Hidden_Markov_Model), gibt es hier: https://bitcointalk.org/index.php?topic=4586924.msg41380372#msg41380372
• Arbitragehandel (https://de.wikipedia.org/wiki/Arbitrage) via Linear Programming (https://de.wikipedia.org/wiki/Lineare_Optimierung), gibt es hier: https://bitcointalk.org/index.php?topic=4586924.msg41382368#msg41382368
• Machine Learning (https://de.wikipedia.org/wiki/Maschinelles_Lernen)
  
  • PCA aka Principal component analysis / Hauptkomponentenanalyse (https://de.wikipedia.org/wiki/Hauptkomponentenanalyse), gibt es hier: https://bitcointalk.org/index.php?topic=4586924.msg42282874#msg42282874
  • Preisvorhersage mit verschiedensten Regressionsmethoden (linear, faktoriell, Lasso, neuronales Netz), gibt es hier: https://bitcointalk.org/index.php?topic=4586924.msg47872000#msg47872000
• Neuronale Netzwerke (https://de.wikipedia.org/wiki/K%C3%BCnstliches_neuronales_Netz)
  
  • Multi Step Time Series Forecasting mit Long Short Term Memory Netzwerken (https://de.wikipedia.org/wiki/Long_short-term_memory): gibt es hier: https://bitcointalk.org/index.php?topic=4586924.msg47592583#msg47592583 (nicht ausgearbeitet)

Der letzte Punkt läuft zwar auch unter Machine Learning, ist aber doch etwas umfangreicher und komplexer. Deshalb als eigener Punkt. Ihr könnt gerne weitere Punkte vorschlagen.

Das funktioniert leider nicht. Man landet trotzdem immer wieder hier . Habe ich schon versucht. Man kann diesem Thread nicht entkommen.

Ausserdem sehe ich es nicht ein, Dampfpauderern oder solchen Clowns wie NIZZAONE, die bisher NICHT EINEN konstruktiven Beitrag in ihrer Beitragshistorie haben und stattdessen nur struntzdumme zusammengeklaute Machwerke unter dem Deckmantel "Meme" verbreiten um hier jegliche Diskussion im Keim zu ersticken das Feld zu überlassen. Ich weiss zwar nicht was dessen Agenda ist, ist mir aber inzwischen egal, weil der Typ auf ignore steht. Wer genauso doof ist wie dieser Kerl und sich an dessen Scheiss aufgeilen kann, der kann sich darin ja einen runter holen.

Siehste, dann habe hoffentlich alle was gelernt. Ich für meinen Teil schon.

Können wir die Einzeiler jetzt lassen?