10 Redenen die de Score-to-Price Correlation Fallacy in Crypto Markets verklaren

Alice in Cryptoland

Hoe vaak heeft u een analist van een cryptoanalyse-leverancier horen beweren dat hij een scorefunctie heeft ontdekt die sterk gecorreleerd is met de prijs van Bitcoin of andere crypto-assets?

Sommigen beweren zelfs dat hun magic-metric kan dienen als een voorspeller van de prijsbewegingen in een bepaalde crypto-asset. En natuurlijk zijn de gegevens die in de analyse worden getoond zo overtuigend dat u klaar bent om te gaan handelen op basis van de nieuwe magische-metriek.

Niet doen! Dit is een voorbeeld van een naïef geloof in financiële markten dat enkelvoudige factoren kunnen dienen als lange termijn voorspellers van koersbewegingen. Veel experts verwijzen naar die term als ‘single-factor correlation fallacy’. In de context van crypto-assets zou ik dit fenomeen de ‘score-to-price correlation fallacy’ willen noemen.

De verleiding om te proberen een magisch getal te vinden dat de markt kan voorspellen is zo oud als de markten zelf. Zelfs vandaag de dag, na 40 jaar factor-investeringstheorie, proberen veel financiële experts en beleggers nog steeds actief de markt te verslaan door de trends van een enkele factor of metrisch te volgen.

We hebben zelfs ETF’s met één factor! Op grote en rationele financiële markten heeft de single-factor trend aan kracht ingeboet ten gunste van meer complexe multi-factor strategieën, omdat de meeste factoren alleen effectief blijken te zijn in specifieke marktomstandigheden in specifieke soorten activa.

Echter, een ontluikende en irrationele markt zoals crypto-assets brengt de hoop terug om de magische metriek te ontdekken die de markt kan oplossen. Ohhh goed, de crypto-markten zijn niets, zo niet leuk 😉. Ik wil echter een paar ideeën schetsen die je zouden kunnen afschrikken om in de score-to-price correlation fallacy te vallen.

Het idee achter de score-to-price correlation fallacy in crypto markten is fundamenteel eenvoudig: crypto is, net als veel andere financiële markten, een complexe en voortdurend veranderende omgeving die lineair kan worden voorspeld met behulp van een enkele metriek.

Die verklaring lijkt conceptueel zinvol, maar biedt geen enkel bewijs. Welnu, laten we eens kijken naar verschillende verklaringen die ons kunnen dwingen om dieper na te denken over dit fenomeen.

KOOP EN VERKOOP CRYPTO MET IDEAL OP LITEBIT

10 Redenen die de Score-to-Price Correlation Fallacy in Crypto Markets verklaren

Stel je voor dat we kijken naar een metriek die wordt geleverd door een crypto-analytisch platform dat een sterke correlatie laat zien met de prijs van Bitcoin in de afgelopen tijd.

De gegevens zien er zeker veelbelovend uit. Voordat u het geld overboekt, overweeg dan de volgende redenen over wat er mis zou kunnen zijn met uw magische score:

1) Overfitting: Overfitting beschrijft een fenomeen in het machinaal leren en de statistiek waarbij een functie (metrisch) te nauw aansluit bij een set van trainingsdata punten.

In ons voorbeeld zou de financiële metriek overmatig kunnen worden geoptimaliseerd voor de Bitcoin-prijsdataset die wordt gebruikt voor het testen van opmerkelijke correlaties.

De prestaties zullen echter snel achterblijven als ze onder normale marktomstandigheden worden getest.

2) Factorvervuiling: Factorcontaminatie beschrijft een fenomeen waarbij een enkele factor of metriek een effectieve correlatie vertoont met bepaalde marktomstandigheden die aanleiding geven tot het aannemen van deze factor als onderdeel van handelsstrategieën.

De toepassing van de factor draagt echter bij aan de afname van de effectiviteit ervan. Denk er eens over na, als uw metriek wordt gebruikt in handelsstrategieën, dan wordt het een ander attribuut van de huidige Bitcoin-markt die een recursieve relatie met onze metriek creëert.

3) Negeren van Outlier Events: Als een programmeerbare infrastructuur zijn crypto-markten zeer gevoelig voor allerlei soorten van uitschieters: Blokhelften, vorken, hacks, grote blokken zijn enkele van de vele voorbeelden die in lineaire metrische modellen bijna niet te verdisconteren zijn.

4) Verschillende factoren zullen zichzelf tegenspreken onder verschillende marktomstandigheden: Kies uw favoriete technische analyse platform en kijk naar een dozijn technische indicatoren voor een bepaalde crypto-activum.

U zult waarschijnlijk merken dat veel van de verschillende indicatoren zichzelf tegenspreken. Hoewel technische analyse zeker raadselachtig kan zijn, is dit fenomeen heel gewoon voor elke metriek die we kiezen.

Onze magische metriek zou goed kunnen presteren onder specifieke omstandigheden in de Bitcoin-markt, maar zal falen onder een andere omgeving.

5) Markten zijn niet-lineair: De meeste, zo niet alle, magische metrieken die we in de crypto-ruimte hebben gezien zijn gebaseerd op lineaire formules. Maar ook al begrijpen we de financiële markten niet helemaal, het staat al lang vast dat ze zich gedragen op basis van niet-lineaire dynamica.

Vanuit dat perspectief is het voorspellen van een niet-lineaire Bitcoin-markt met behulp van een lineaire formule een dwaas karwei.

6) Risico negeren: Er is geen gevestigde definitie van risico in crypto-markten en geen echte handelsstrategie is compleet zonder risico te evalueren. Een metriek die de prestaties evalueert, en niet het risico, is een recept voor een ramp.

7) Het negeren van macrofactoren: Net als elke andere financiële markt is crypto kwetsbaar voor macrofactoren zoals het momentum in de aandelenmarkt, het reguleringsbeleid, de overname door institutionele en vele andere.

Op dit moment zijn de meeste single-factor voorspellingsscores in de crypto ruimte niet in staat om macro-factoren te incorporeren.

8) Het verleden is geen reflectie van de toekomst: In irrationele markten zoals de crypto is het voorspellen van de toekomst op basis van het gedrag in het verleden een frustrerende ervaring gebleken.

In een ontluikende markt hebben veel van de omstandigheden in het verleden geen precedent gehad om enig lineair basismodel voor de gek te houden.

9) De No-Free-Lunch stelling: Een klassiek idee in factorbeleggen vertelt ons dat over een lange periode een portefeuille van verschillende factoren de neiging heeft om het beste van de individuele factoren te overtreffen.

Dit staat bekend als de No-Free-Lunch stelling en blijft een sterk argument tegen single-score modellen.

10) De Berkson’s Paradox: Berkson’s paradox is een beroemd fenomeen in de statistiek dat een situatie beschrijft waarin we zoeken naar associatie tussen twee onafhankelijke variabelen als die er niet zijn.

Er zijn genoeg voorbeelden van de Berkson paradox in de crypto ruimte in de vorm van associatie van metriek zoals sociaal sentiment of ontwikkelaarsactiviteit met de prijs van een crypto-asset.

Dit zijn enkele van mijn favoriete argumenten die de score-naar-prijs correlatie drogredenen illustreren.

Enkelvoudige metrische modellen kunnen zeker effectief zijn onder specifieke, korte termijn marktomstandigheden, maar ze werken niet als lange termijn voorspellers voor een opkomende en irrationele activaklasse zoals crypto.

De volgende keer dat iemand probeert u een enkele score te verkopen als voorspeller van de crypto-markt, overweeg dan de eerder genoemde verklaringen…

Please follow and like us:

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *

Door de site te te blijven gebruiken, gaat u akkoord met het gebruik van cookies. meer informatie

De cookie-instellingen op deze website zijn ingesteld op 'toestaan cookies "om u de beste surfervaring mogelijk. Als u doorgaat met deze website te gebruiken zonder het wijzigen van uw cookie-instellingen of u klikt op "Accepteren" hieronder dan bent u akkoord met deze instellingen. Meer infortmatie kunt u vinden op: https://www.thecryptoblog.nl/privacy-en-cookie-statement/

Sluiten