Numerai 提供股票的 features，由資料科學家（我們）訓練模型並產生結果，上傳後匯聚成最後的權重，來控制對沖基金的部位。我們沒辦法知道每檔股票的名稱，所以沒辦法用 Numerai 的 features 來做交易，但我們上傳到平台上，假如績效好的話，Numerai 會額外給我們加密貨幣 NMR 當作獎勵，雖然 Numerai 是很棒的練兵的地方，但是由於要用 Stake NMR 加密貨幣才能獲利，而且 NMR 的價格波動會導致獲利的風險偏高。所以還是自己做交易比較實在，想要機器學習自學，就看這篇吧！

那要怎麼樣產生出上千個 features 呢？好在用 Python 製作 features 是很簡單的，只要用常見的 Packages 像是 Talib 或 pandas_ta ，加上參數的變化，就可以隨機產生出很多的 features。但困難在於，做了好幾千個 features，究竟哪些是重要的呢？假如用了沒意義的 features，反而混淆訓練結果，造成模型的績效效果不好。

Tuneta 介紹

介紹給大家 Tuneta 這個工具可以幫我們最佳化技術指標的參數。它有以下幾個功能：

1. 支援 Talib、Pandas_ta、finta，這三種不同的函式庫，有統一的接口，你再也不用擔心不同函式庫整合的問題。
2. 針對每種技術指標，可以最佳化參數，讓產生出來的 feature 跟 lable 之間有最高的 correlation
3. 並不是使用一般的 Pearson correlation coefficient 來判斷，而是使用一種叫做 distance correlation 的判斷機制，就算是非線性的關係也會被納入考慮。
4. 使用 KNN 將搜尋的參數分群 Cluster，然後針對每一個 Cluster 找出中心點，這個作法可以找到參數高原。
5. 產生每個 features 後，支援 sklearn 的 pipeline 格式，可以快速的引入當前的項目之中，點也不費力。

Tuneta 的效果

以下是 Tuneta 做機器學習例子，加入我自己的機器學習系統中，確實對於 Model 的判斷有顯著的增長，並且使用 feature importance 分析，這些 tuneta 產生的 feature 確實分數都滿高的：

機器學習深度學習，我覺得在做交易時比較少用到。比較常使用的是傳統 treebase 的模型，而非神經網路。我覺得這個 Package 的缺點在於，有時候我們會需要重複的指標當作 features，例如「sma(10)」和「sma(60)」，但是它只能幫我們產生出單個技術指標的最佳解。不過經過驗證，產生出來的 features，確實效果都還不錯！接下來我們就真的來建構一個模型吧！

實驗設計

機器學習python實作，我們使用 pandas_ta 的 default 參數，將所有 pandas_ta 的技術指標計算出來。另外對比 tuneta 優化後產生的技術指標，比較兩個模型的預測結果，並且用回測來驗證是否能真正幫助到獲利。

使用 colab 來建構統一的環境，方便大家還原實驗的結果。首先我們要先來下載 tuneta，但除了 tuneta 以外，還要有歷史資料，可以安裝 finlab-crypto 來獲得。

!pip install finlab-crypto -q
!wget http://prdownloads.sourceforge.net/ta-lib/ta-lib-0.4.0-src.tar.gz
!tar -xzvf ta-lib-0.4.0-src.tar.gz
%cd ta-lib
!./configure --prefix=/usr
!make
!make install
!pip install Ta-Lib
!pip install -U tuneta
!pip uninstall numpy --yes
!pip install numpy

下載歷史資料和 feature 建構

安裝了所需的 Package ，就可以來下載歷史資料：

from finlab_crypto import crawler

ohlcv = crawler.get_all_binance('BTCUSDT', '4h')
ohlcv.head()

使用 Pandas_ta 產生 features

接下來我們先用 pandas_ta 自動產生出預設的技術指標，當作對照組：

import pandas_ta as ta
ohlcv.ta.strategy("Momentum")

default_features = ohlcv.iloc[:, 11:]
ohlcv = ohlcv.iloc[:, :11]
default_features.head()

使用 Tuneta 產生 features

接下來我們用 tuneta 產生實驗組，眼尖的人會發現我是用 tta，也就是 talib 函式庫來產生 features，你也可以用 pta，也就是 pandas_ta 函式庫。但是在 colab 上要跑很久，所以我擅自改成 tta。在這邊實驗有點不完備，但留給大家自行發揮。

from tuneta.tune_ta import TuneTA

train_test_split = '2021-1-1'

X1 = ohlcv.loc[:train_test_split].iloc[:-8]
y1 = (ohlcv.close.shift(-2) / ohlcv.close).loc[:train_test_split].iloc[:-8]

tt = TuneTA(n_jobs=4, verbose=True)
tt.fit(X1, y1,
    indicators=['tta'],
    ranges=[(2, 30)],
    trials=100,
    early_stop=20,
)
tt.prune()
print(tt.report())

tt_features = tt.transform(ohlcv)
tt_features.tail()

最後我們來比較兩種不同的 feature 做出來的效果。像是一般的方法訓練即可。

模型訓練

import lightgbm as lgb

# generate training data
X1_train, y1_train = default_features.loc[:train_test_split].iloc[:-8], ohlcv.close.pct_change(-2).loc[:train_test_split].iloc[:-8]
X2_train, y2_train = tt_features.loc[:train_test_split].iloc[:-8], ohlcv.close.pct_change(-2).loc[:train_test_split].iloc[:-8]

# train
model1 = lgb.LGBMRegressor()
model1.fit(X1_train, y1_train)

model2 = lgb.LGBMRegressor()
model2.fit(X2_train, y2_train)

# test and predict
X1_test, y1_test = default_features.loc[train_test_split:], ohlcv.close.pct_change(-2).loc[train_test_split:]
X2_test, y2_test = tt_features.loc[train_test_split:], ohlcv.close.pct_change(-2).loc[train_test_split:]

y1 = pd.Series(model1.predict(X1_test), X1_test.index)
y2 = pd.Series(model2.predict(X2_test), X2_test.index)

最後我們來看一下究竟效果如何，可以用真實報酬跟預測結果的相關性來比較，越高代表越好。下面的實驗中，我們可以看到對照組的模型 ( model2 ) 比實驗組好很多。

import pandas as pd

pd.DataFrame({'real': y1_test, 'pred': y1}).corr().iloc[1,0], pd.DataFrame({'real': y2_test, 'pred': y2}).corr().iloc[1,0]

(0.007258040702236883, 0.02274027435611208)

最後我們可以做一個簡單的回測，試試看用這兩個模型做交易，績效會有什麼不一樣。首先，要決定進場的時機，將模型預測的分布顯示出來：

有了上圖，就可以設計進場時機，為預測結果大於 0.04 時進場8小時。接下來撰寫回測模擬：

y1_test[y1 > 0.04].add(1).cumprod().plot()
y2_test[y2 > 0.04].add(1).cumprod().plot()

上圖的回測結果中，綠色為實驗組，比對照組的報酬率顯著上升不少。

小節

由以上的實驗，可以證明對於 feature ，使用 Tuneta 參數優化是非常有效的。現在行情不好，大家可以趁現在默默耕耘，等時機到的時候，馬上就賺回來了！

我就在想，有沒有一種投資方法，
可以自動化投資加密貨幣，卻不用承受這麼高的風險？
於是開始研究基於加密貨幣的量化投資，
寫成一系列的文章，共12篇，一篇只需要操作 15 分鐘，
分享給大家！

為什麼要投資加密貨幣

加密貨幣當前是個小眾市場，但是有很大的潛力
從貨幣供給、基本面的角度，加密貨幣也是非常有市場的
是值得投資的商品

德意志交易所（Deutsche Bórse）
這個月發行了 BTC-E
是由 100% BTC 支持的
代表每個德國人，都可以從股票帳戶購買 BTC！

當初被世界各國禁止，
現在反而是逐漸開放，
從期貨、現貨等，進入人們的日常，
你還覺得加密貨幣沒有未來嗎？

前導：（Python x Crypto (Part 1)：為什麼是比特幣？）

然而投資跟投機往往一線之間，
像是比特幣
波動就非常大！
所以持有時加密貨幣一定要

• 少部位
• 用量化分析降低風險

買入時機： Miner Capitulation 指標

長期投資，究竟要怎麼投資比特幣？
可以參考一個很有用的指標，
不過這個指標的原理，比較複雜，
需要兩篇的時間慢慢解說：

• 用Python投資加密貨幣：比特幣操作最強指標(原理篇)
• 用Python投資加密貨幣：比特幣操作最強指標(技術篇)

學完後，你就可以製作出下面這種專業的操盤工具喔！

上述指標
在歷史上看來很準確
但是可以投資的時機真的太少了
畢竟比特幣的上漲跟下跌週期非常長

要怎麼樣可以安穩的投資加密貨幣呢？
我們可以用量化投資的方式，
只要重複做簡單的操作
就可以有效控制風險！

用 Python 做自動化投資（量化投資）

要打造一個可用的交易策略，
可以參考下方的文章
每一步程式碼都可以在 Colab 線上執行
不需要安裝和設定 Python 環境，
你可以現在就跟我們一起
來做量化投資的實驗喔！

1. 獲得歷史數據：加密貨幣爬蟲撰寫
2. 找出交易訊號：交易策略訊號實做
3. 模擬回測績效：實做回測績效驗證
4. 策略參數優化：二十倍的策略優化

學完上方單元，就能做出歷史績效高達20倍的比特幣交易策略喔！

有了以上的研究，
再加上你自己的創意，
不斷的嘗試，
就會有底氣，
可以買入人生第一枚加密貨幣了！

加密貨幣入金

然而，究竟要怎麼買？買多少？這篇文章告訴你：

• 如何投資加密貨幣
• 加密貨幣入金

上面的文章總結，
我們可以有兩種投資的方法：

1. 小額長線投資
2. 量化策略投資

其中，量化投資需要有紀律的操作，
但是，萬一訊號出現在午夜，
難道我們要熬夜操做嗎？
也太累了吧？！

所以我們也額外教大家
怎麼做一個全自動化的策略
我們是利用 Amazon Web Service （AWS）
裡面的 Lambda 功能
來自動監控策略，
決定買入賣出的喔！

策略雲端交易

使用 AWS Lambda 的好處
就是在每個月提供 400,000 GB-seconds 的額度
照著下方的教學，基本上不太會超額
讓你雲端免費自動下單交易！

• 基本功能：AWS 簡易架設
• 用 AWS 算出策略多空
• AWS 手機監控與雲端下單

有了雲端的自動執行策略，
就可以讓你 忘記交易
直到某一天 突然想起
打開手機，發現帳戶資產多了個零！（為了押韻，純屬效果XD）

用最科學的方式，投資最先進的貨幣

加密貨幣是體制上的顛覆，
加密貨幣之於傳統貨幣，就像是Uber之於計程車行一樣，
引入新的科技，必然會有一些配套措施來不及因應（詐騙、價格波動），
也會引來舊有制度的既得利益者反感。

加密貨幣的發展有些顛頗，
但長期來說，整個世代會朝著先進、便利的方向發展。
或許一百年後的未來，大家會嘲笑現在的金融體制怎麼這麼不方便呢！

FinLab 的目標，就是
希望可以在量化投資的路上，當大家的「武器製造商」！
就讓我們一起用 Python 勇闖未來吧！

如果喜歡我們的文章，也歡迎參考我們最新募資的線上課程「用 Python 理財：打造加密貨幣實戰策略」，在線上課程中，我們會更有系統、更完整地教您如何從無到有，打造10種加密貨幣實戰策略，並且能夠自動化雲端交易！有興趣的話，可以點此觀看課程介紹影片喔！

2020年註：因為後來有很多研究成果，所以綜合所學，系統性的量化分析、程式碼整裡放在Hahow 的課程中，文章部分維持免費不做刪減，你可以先參考這12篇文章，再來決定是不是值得更深入學習加密貨幣的量化交易喔！

新科技，如 machine learning、blockchain，或許可以說「有缺點」、「不成熟」、「尚未完善」，但同時也是充滿機會的地方！不論這是投資還是投機，我都會想要用量化交易的角度參與，這可以說是我對於程式和科技的執著吧！

研究加密貨幣 主要有以下的原因：

時間推移 – 科技的進步很快

你絕對沒辦法想像，30年前，大家對個人電腦嗤之以鼻：
「翻書1秒鐘，開機卻要3分鐘！」
「書 比 電腦 要方便太多了！」
「沒有理由大家需要電腦呀！」

今天，每個人口袋都有一台電腦：手機

加密貨幣，會不會就是30年前的筆電，雖然大家現在不看好，但未來都在用？
可能會，可能不會。這些都不是我說了算，但有一些跡象：

就在今年2020年初，德國最大銀行“德意志銀行”，做了一份對於2030年的展望報告，報告中指出： 「十年後(2030年)，加密貨幣會成為主流」，報告從供需的角度出發，列出加密貨幣成為主流的三個條件，首先就是加密貨幣在政府的眼中，必須是合法的貨幣，這可以從最近美國聯邦法院的宣判中（裁定比特幣是一種“金錢”），和近期中國、印度兩大人口密度大國對於加密貨幣的態度轉變看見。再來就是價格的波動不能太大，因為要成為交易的工具，就需要具備一定的穩定性，讓使用者有保障。最後一個條件是需要科技巨頭們，對於現行科技的整合，這可以從近期Visa、MasterCard 都即將推出自己的加密貨幣相關服務看見趨勢。

雖然這一切都還只是預測，但我們還是可以將持有比特幣，當作是買保險，因為人類的歷史，充滿戰爭，很多人因此顛沛流離，這80年以來，是世界上最和平的一段日子，究竟是人類越來越文明？未來不會有任何戰爭，還是說世界的動盪 就像是經濟一樣會循環，我們剛好處在和平的週期？

設想一個最糟糕的狀況：房子被強制徵收、國家貨幣大幅貶值、臨時離開住所，輕裝逃往其他國家，要是這些事情都發生了，你可以什麼都沒有、什麼都不帶，只要有比特幣的公鑰私鑰(帳號密碼)，一切都能卷土重來！

這是個真實存在的例子，就在2018年，南美洲盛產石油的國家“委內瑞拉”，因為油價的崩盤，委內瑞拉政府選擇了印更多的鈔票來解決債務問題，而導致了通貨膨脹率單一年就來到了2,688,670%，委內瑞拉人民的解套方式就是換購比特幣，以比特幣做匯款、交易的媒介，或是只有在交易的當下瞬間用比特幣換當地的貨幣做買賣交易！

3. 比特幣價值正反方分析

正方

1. 比特幣具有稀缺性，總發行量為2100萬枚，不同於傳統的法定貨幣，可以無限制的膨脹和發行，比特幣具有定量的限制，相較於法定貨幣，有隨著時間推移不斷升值的趨勢，由於這個特質，比特幣也被稱為「人造黃金」。
2. 可分割性，可以分為一億個中本聰單位，在交易過程中更加便利和靈活。
3. 可移植性，比特幣的產生和交易都是通過網路，為最高可移植性的貨幣。
4. 可代替性，就像一克純金始終等於另一克司純金一樣。無論發生什麽情況，一個比特幣仍然是與另一個比特幣可互換的價值象徵。
5. 耐用性。任何比特幣或中本聰都可以無數次重覆使用而不會降低性能。

當然，不能一直說比特幣的優點，避而不談缺點，比特幣也受到很多挑戰，遭反方批評為缺乏價值的根據：

反方

1. 任何人都可以複製區塊鏈的程式碼，發起 ICO 募資，造成詐騙的氾濫，影響加密貨幣的價值。
2. 目前大部分的國家並不採用加密貨幣作為法定貨幣，甚至不承認加密貨幣交易的合法性，所以貨幣安全得不到保障，詐騙頻傳。民眾質疑加密貨幣的價值。
3. 波動大，除了穩定幣外，不適合拿來做日常生活用品之交易

綜合優缺點

前五個優點是貨幣性質，而後三點挑戰，是屬於法律、管制的問題。隨著時間，前五點優勢不會改變，而後三個缺點會慢慢被克服。

另外，因為比特幣難監管，導致各國剛開始時非常排斥（但最近變成是愛恨交織就是了XD），加密貨幣存在的意義，就是要等時間來慢慢證明了。

所以綜合以上的結論

在或近或遠的未來，比特幣應該存在著某種地位。所以我看好此產業的前景，但是也有看錯的可能！好在這個世界，不是非善即惡、非黑及白，不用全面的樂觀或悲觀，梭哈或戒慎恐懼。
　
而是要設計一套邏輯
假如對了，可以多賺一點
假如錯了，只好小虧一點
這就是交易！

要怎麼知道資金要投入多少呢？假如是 buy & hold 的話，風險滿大的，簡單的方式：想像，你「單一天」可以承受最大虧損？差不多就投資這麼多吧！因為比特幣下跌個70％ 80％都是有發生過的！

假如是研究量化交易，有效控制風險的話，就可以將部位再提高一點，接下來就來建置 Python 交易系統，讓我們投資的風險可防可控！在下個單元中，我們會教大家如何爬取比特幣的歷史價格，好讓我們實作投資加密貨幣的交易策略喔！歡迎追蹤我們的粉絲專頁，來訂閱最新的教學分享喔！

如果喜歡我們的文章，也歡迎參考我們最新募資的線上課程「用 Python 理財：打造加密貨幣實戰策略」，在線上課程中，我們會更有系統、更完整地教您如何從無到有，打造10種加密貨幣實戰策略，並且能夠自動化雲端交易！有興趣的話，可以點此觀看課程介紹影片喔！

可以打開colab線上編輯python，跟著我們一起做實驗吧！
colab 是 google 提供，線上運行 python 的平台，打開後，新增一個notebook
直接一步步貼上下面的代碼，程式就會順利運行了！

獲取 python 函式庫

首先，我們要先獲取幫大家寫好的 package，可以到github上下載：

!git clone https://github.com/koreal6803/crypto_backtrader.git
%cd crypto_backtrader

上面的指令，會先將預先寫好的程式從 github 上下載下來，並且將目錄切換到 crypto_backtrader，也就是下載下來的資料夾中。

安裝一些必要的packages

接下來我們來安裝一些必要的 dependencies，這樣等會才能順利執行程式：

!pip install python-binance
!pip install bitmex
!pip install Backtesting
!pip install backtrader

加密貨幣命名方法

這篇文章中，我們爬取 BTCUSDT 的價格，BTCUSDT 這個 symbol 可以拆逞兩個部分：一個是 BTC，另一個是 USDT。BTCUSDT 代表：BTC 的價格，以 USDT 為單位，這邊為什麼我們要用 USDT 呢？因為他是跟 USD 是美元是表兄弟，USDT 是一種跟 USD 約略 1:1 兌換的穩定虛擬貨幣，USDT 的好處是：

在交易時，假如用 加密貨幣 和 法定貨幣（美元）來回交易，這種方式交易，手續費會非常高昂，例如我們以 Maicoin 買入跟賣出手續費約高達 1%。

今天我們假如使用 BTCUSDT pair 來交易，由於同樣是加密貨幣，所以手續費算是大幅的降低，目前手續費在各平台，一般的標準是0.1%，根據平台的優惠、交易量可以打折，成本算是低很多！

交易對(trading pair)的相關介紹

那廢話不多說，趕快來下載歷史資料吧！

使用幫大家寫好的加密貨幣爬蟲函式庫

我們可以使用：
from finlab import crypto
將一些好用的 function 給叫進來！

然後用：
crypto.get_all_binance 這個 function，
來獲取交易對(trading pair)。

from finlab import crypto
df = crypto.get_all_binance('BTCUSDT', '4h')
df.head()

上述這個 get_all_binance，除了幫你整理好下載資料外，還會將這些資料資料，存在 crypto_backtrader/history/crypto/ 當中，以 csv 的方式存起來，方便你用 excel、multicharts 等程式來打開。

你也可以輸入不同的 trading pair 名稱，可以binance官網查找！

下一步，我們會分享：
怎麼用 Python 回測一個簡單的交易策略！

如果喜歡我們的文章，也歡迎參考我們最新募資的線上課程「用 Python 理財：打造加密貨幣實戰策略」，在線上課程中，我們會更有系統、更完整地教您如何從無到有，打造10種加密貨幣實戰策略，並且能夠自動化雲端交易！有興趣的話，可以點此觀看課程介紹影片喔！

Pandas 是一個資料處理用的 Package，專門用來做資料處理，你可以想像它是 python 裡面的 excel，可以產生並且處理各式各樣的表格！

Pandas 操作介紹

承接著上一篇文章，我們繼續在 google colab 上進行程式的實驗此時的 df 已經是歷史資料：

就是一個 pandas.DataFrame 物件，這個物件就像是 excel 表格一樣，有很多的行跟列，每一個列都可以簡單的呼叫出來。以我們的例子，每一列都是一個時間序列：

df.Close

由上圖可知，每一列也是一種物件，叫做 pd.Series，這種物件，就是一條序列，可以想像是excel的單一一列的意思。

製作簡易的加密貨幣均線策略

pd.Series有很多特別的功能，例如計算移動窗格，我們可以用：
pd.Series.rolling()
來產生移動窗格，並且用：
pd.Series.rolling().mean()
來產生這個移動窗格的平均數，從時間序列的角度，這個就是「均線」！

sma1 = df.Close.rolling(20).mean()
sma2 = df.Close.rolling(60).mean()

df.Close.plot()
sma1.plot()
sma2.plot()

上圖中，我們將BTCUSDT的歷史紀錄 與兩條均線畫出來，會發現，時間跨度太大，導致價格跟均線看不清楚，我們可以額外 zoom in 選取「某年」來觀察，可以使用中括號來選取時間範圍：

df.Close['2020'].plot()
sma1['2020'].plot()
sma2['2020'].plot()

接下來，我們來設計交易訊號，我們希望做一個簡單的均線策略：

假如短週期均線 sma1 超過 長週期 sma2 -> 做多，反之做空。

要怎麼做出這樣的訊號呢？我們可以用不等式來進行！

不等式條件

不等式，就是所謂的「大於等於小於」，我們假如將兩條時間序列做不等式運算，在這兩條時間序列中，每一個元素會被一一拿出來比對，並且產生出新的「布林」時間序列：

condition = sma1 > sma2
condition

上圖中就是布林時間序列，每個時間點對映到「Ture」或是「False」，假如今天條件成立，也就是「sma1 > sma2」的話，該時間點對映到的就會是 True，反之則是 False。

因為我們是均線突破策略，要怎麼結合不等式，來產生均線突破條件呢？我們還需要：pd.Series.shift，這個功能。

調用「昨天」的價格 pd.Series.shift

pd.Series.shift是一個好用的function，可以將時間序列全部都往後延遲一天，例如以下的例子：

print(df.Close)
print(df.Close.shift(1))

你會發現兩者相差一天，所以在做策略時，我會傾向於，將pd.Series.shift(n)，當作是「n個時間單位前的價格」，這邊我們用的是 ‘4h’ 4小時的歷史價格，所以pd.Series.shift(1)，就是4小時前，而pd.Series.shift(2)，就是8小時前，以此類推。

假如我們只使用：pd.Series.shift()，n 不設定參數的話，pandas 會預設 n=1 喔！

結合上述的範例，產生策略訊號

我們希望的做出來的邏輯：
做多: 當(今天短週期均線 > 今天長週期均線) 且 (昨天短週期均線 < 昨天長週期均線)
做空: 當(今天短週期均線 < 今天長週期均線) 且 (昨天短週期均線 > 昨天長週期均線)

我們可以將上述中文，對映到以下的程式碼：

signal_long = (sma1 > sma2) & (sma1.shift() < sma2.shift())
signal_short = (sma1 < sma2) & (sma1.shift() > sma2.shift())

上述程式碼中的 & 就是「且」的意思。

我們可以將訊號繪製出來：

signal_long.astype(int).plot()
(-signal_short.astype(int)).plot()

以上這張圖我用 -1 顯示：賣出訊號，而 1 是買進訊號！當我們將 True False 轉換成 int 時，會轉換成「1」跟「0」的數值。

製作策略

然而我們怎麼知道，照著這個交易訊號操作，實際的績效是怎麼樣呢？下一個單元中：回測，會教大家怎麼用 backtesting 這個 package，來實做回測，模擬這個策略的績效，敬請期待！

如果喜歡我們的文章，也歡迎參考我們最新募資的線上課程「用 Python 理財：打造加密貨幣實戰策略」，在線上課程中，我們會更有系統、更完整地教您如何從無到有，打造10種加密貨幣實戰策略，並且能夠自動化雲端交易！有興趣的話，可以點此觀看課程介紹影片喔！

複習前幾篇用Python投資加密貨幣相關的知識

這篇文章，將接續著之前的單元，假如還沒看過前面的部分，可以參考以下的連結喔！

1. 為什麼要投資加密貨幣
2. 加密貨幣爬蟲
3. 策略訊號建立

這篇我寫的比較仔細一點，所以文章稍長，但程式碼很短，先給大家聞香一下

想知道怎麼做出來，要看到最後喔！

將上一篇的程式碼統整，我們可以得到：

signal_long = (sma1 > sma2) & (sma1.shift() < sma2.shift())
signal_short = (sma1 < sma2) & (sma1.shift() > sma2.shift())

接下來，我們將 signal_long 跟 signal_short 整合在一起，這邊的 signal_long 跟 signal_short，是進場訊號，一個做多、一個是做空時間序列，當訊號為 True 時代表入場。

多空訊號結合

接下來為了配合 backtesting 函式庫，我們想將 signal_long 跟 signal_short 合併起來，產生一個翻轉策略：
當 signal_long 為 True 時，不論目前有什麼部位，都翻多
當 signal_short 為 True 時，不論目前什麼部位，一律翻空
我們想要做出一個新的訊號 叫做 signal，其做多訊號為 1，做空訊號為 -1 ，維持不變則為0。

可以用以下的寫法，首先copy signal_long 序列，並且將 signal_short 為 True 的部分改成 -1，這樣就可以了！

# combine long and short signal
signal = signal_long.copy()
signal[signal_short] = -1

完整總和來說，我們目前已經有以下的程式碼：

from finlab import crypto

# geth the historical price
df = crypto.get_all_binance('BTCUSDT', '4h')

# calculate moving averages
sma1 = df.Close.rolling(20).mean()
sma2 = df.Close.rolling(60).mean()

# create long and short signal
signal_long = (sma1 > sma2) & (sma1.shift() < sma2.shift())
signal_short = (sma1 < sma2) & (sma1.shift() > sma2.shift())

# combine long and short signal
signal = signal_long.copy()
signal[signal_short] = -1

接下來我們直接比對一下，回測的程式碼，橘色部分比較特別，會逐一介紹。

(先不急著抄寫，文末會附上完整代碼)

首先，上圖中第一二行，我們將 Backtest 和 SignalStrategy 匯入，Backtest 是一個幫我們回測的 interface，而 SignalStrategy 是一個 class，我們可以繼承 SignalStrategy (第5行)，就能把剛剛的訊號 signal 匯入來回測，這邊會用到物件導向的概念，可以參考：
w3c提供的簡單 python 物件導向教學

有了一個strategy空殼，接下來就可以實做內部功能了！

第7行中，我們覆寫一個parent 方法，叫做 init，在 init 這個方法中，我們可以計算回測要用的訊號，這個方法會在回測開始前執行一次，所以當我們先把訊號計算好，這樣回測的時候就不用計算，速度上會比較快！

init中大部分的程式碼，跟我們開頭所述的非常雷同，有幾點不一樣而已：

首先，在第8行中，parent class 會先執行他的 init，你可以想像，父母先吃飯，小孩再吃飯的道理！

super().init()

然後，第11行，也做了一點修正，從原本的：

# 原本的
df = crypto.get_all_binance('BTCUSDT', '4h')

變成：

# 新的
close = pd.Series(self.data.Close)

我們可以用 self.data.Close ，來獲取「開高低收」的歷史價格，這是繼承 SignalStrategy 附加的功能，可以讓程式碼中的「策略」跟「價格」解耦，讓策略不只交易 BTCUSDT，還能交易其他加密貨幣，甚至是股票！

最後12～21行，都跟之前一樣，所以就略過囉！

最後的24行，就是將我們產生的 signal 給匯入：

elf.set_signal(signal)

這樣子 SignalStrategy 裡面就會根據 signal，來進行翻多翻空的交易囉！

上述 1～26 行，都是一個策略藍圖，我們只是規劃，並沒有真正執行這些程式碼，所以我們還要額外家三行，建構出規劃好的策略，並且回測、統計回測結果：

bt = Backtest(df, Strategy)
bt.run()
bt.plot()

執行後會顯示出非常詳細的買賣點，這個就是所謂 窮人版 python 版的 multicharts 了吧！不過看起來策略的 performnace 不太好，賺不到什麼 $$，所以下一個單元，我們就來使用內建的 optimize 方法，找尋最優的均線交叉策略！優化後的績效，先給大家聞香一下！

點我進入下一個單元：策略優化

以下是完整的程式碼：
另外也可以參考完整的 colab notebook 範例

from finlab import crypto
from backtesting import Backtest
from backtesting.lib import SignalStrategy
import pandas as pd

df = crypto.get_all_binance('BTCUSDT', '4h')

class Strategy(SignalStrategy):
    
    def init(self):
        super().init()
        
        # Precompute the two moving averages
        close = pd.Series(self.data.Close)
        sma1 = close.rolling(20).mean()
        sma2 = close.rolling(60).mean()
        
        # Precompute signal
        signal_long = (sma1 > sma2) & (sma1.shift() < sma2.shift())
        signal_short = (sma1 < sma2) & (sma1.shift() > sma2.shift())
        
        signal = signal_long
        signal[signal_short] = -1
        
        self.set_signal(signal)
        
        
    def next(self):
        super().next()

bt = Backtest(df, Strategy)
bt.run()
bt.plot()

如果喜歡我們的文章，也歡迎參考我們最新募資的線上課程「用 Python 理財：打造加密貨幣實戰策略」，在線上課程中，我們會更有系統、更完整地教您如何從無到有，打造10種加密貨幣實戰策略，並且能夠自動化雲端交易！有興趣的話，可以點此觀看課程介紹影片喔！

近三年，只要這個最強指標產生買入訊號，平均來說，比特幣上漲幅度為 5000％！

比特幣最強指摽：Hash Ribbons 指標

這個指標的原理是什麼呢？首先我們要介紹幾個名詞：

1. Miner 挖礦機

比特幣的運作機制，是讓所有的電腦互相競爭，看誰最快產生一串隨機字串 s，使得以下公式：
hash = sha256(phash + leger + s)
中 hash 的開頭「 n 個 0 」，其中 phash 就是前一個 block（區塊）的 hash，leger 是待驗證的 BTC 交易帳本，sha256 是一個不可逆的加密函數。

不可逆函數意味著，我們不可能反推s是多少，而是必需要用暴力法，硬猜 s 是多少，一個個嘗試，直到成功為止，專門在嘗試暴力法枚舉的電腦，我們就稱為「挖礦機」！

2. 為何要找 s ？ 感覺很沒意義

因為這樣子，我們就可以驗證此帳本是真的，這種驗證機智叫做 proof-of-work，也就是用電腦的勞力，來確保紀錄的資料不受串改。

舉個例子，假如今天某駭客想上傳一個假的block，這個時候，他必須先解出上述 s 是多少，還必須將下一個block的 s 也算出來，和下下個 block 的 s，和下下下個 block 的 s…等，直到其他電腦承認他的那條「假區塊鏈」為止。

也就是這個駭客的電腦算力，必須跟其他正規礦機的算力總和披敵，並且持續非常長的一段時間都能戰勝正規礦機的總和，才有辦法將假的block驗證成功。

3. Miner Capitulation 礦機的投降

為什麼會有人想挖礦？因為辛苦挖礦，可以獲得新發行的比特幣！

但當今天比特幣價格下降，導致挖礦獲利減少時，礦工挖礦成本 大於 挖到的比特幣價值，有些礦工乾脆就不運轉，或是賣掉BTC去添購新的挖礦機型，也就是 Miner Capitulation。

4. Miner Capitulation 是好的買入機會

Miner Capitulation，通常發生在 BTC 價格下跌時，BTC 的價格跌破了挖礦成本開始，很多的礦機持有者，在這個時候：

1. 賣掉已經挖到的 BTC 來購買新的礦機
2. 乾脆機器收一收，BTC賣一賣了結出場

就會引發一系列超賣！

5. 如何判斷 Miner Capitulation？

我們可以從BTC調整「挖礦的困難程度」，來當成 Miner Capitulation 的延遲指標，因為這個「挖礦難易程度」會動態調整的：

根據比特幣白皮書，一個 block 的出產時間，必須在約10分鐘左右。

所以當礦機很多時，算力上升，這樣用暴力法找 s 的速度就會變快，所以找 s 難度也必須提升才行。

還記得 hash 開頭必須包含 n 個 0 嗎？這個 n 就可以用來控制難度，當 n 越大，代表要產生越多開頭為 0 的 hash，而難度也會跟著加大！

6. 我們可以藉由 n 來推算 hash rate

hash rate 就是比特幣網路的算力，每秒可以暴力解 x 次，這個 hash rate 降低，也代表著礦工的退出，礦工退出，就會將 BTC 兌現，BTC 就會有比較大的跌幅。

而當 hash rate 反轉升高時，就代表礦機更新完畢、礦場被整併，新礦機上線，近三年，這樣子的狀況，比特幣都有不錯的報酬，如今這個訊號也發生了，就不知道接下來歷史會不會重演呢？

下一集將分享怎麼用 trading view 來開啟hash rate 訊號買賣點！

如果喜歡我們的文章，也歡迎參考我們最新募資的線上課程「用 Python 理財：打造加密貨幣實戰策略」，在線上課程中，我們會更有系統、更完整地教您如何從無到有，打造10種加密貨幣實戰策略，並且能夠自動化雲端交易！有興趣的話，可以點此觀看課程介紹影片喔！

這篇文章接續前一篇，將來一探究竟，究竟這個最強指標怎麼看！

TradingView

介紹一款我覺得很好用的平台，TradingView，這並不是業配，只是真的滿好用的
以加密貨幣來說，我都會用它來看盤，可以在商品代碼中，輸入「BTCUSDT」來搜尋比特幣的價格！

並且按一下全功能圖表：

這時候就會跳出這檔商品的技術分析圖表，然後我們再上方功能列表，可以點選「fx」來添加技術指標：

這些是別人已經寫好，並且開源的技術指標，可以直接拿來用！

非常推薦的比特幣指標

# Hash Ribbons 指標

接下來，搜尋並點選「Hash Ribbon」就可以看到這個指標了！
你應該會看到以下的圖表：

可以看到「Hash Ribbon」這張圖表中，綠色像是階梯狀的數值，就是「Hash rate」，也就是「所有的挖礦機」的算力總和，也就是每秒可以暴力解多少次，可以參考之前的文章，瞭解更多原理的部分。

另外有兩條均線，分別是淺綠色跟灰色，分別是30日和60日均線，這些數字我們不用調整，用它預設的即可。

另外有紅色的區域，從均線的死亡交叉開始出現，代表 Miner Capitulation 發生的時刻，此時比特幣會進入超跌的狀態。最後當紅色區域的末稍，也就是均線黃金交叉時，代表礦工恢復運作，通常在這個時候買入，近三年的平均來說，會有約5000％的報酬！

當然歷史不代表未來，不論部落格提供怎麼樣的訊息，你還是得自己做決定！比特幣波動是非常大的，起床發現突然下跌 30％都是可能的。以長期投資而言，注重風險的讀者，真的不能下注太大呀！

看完了主觀交易的部分，讓我們回到正題，來做量化投資吧！

注：
另外假如要看 BTC 的長期價格，可以用 tradingview 搜尋 「BLX」，就可以找到了！

如果喜歡我們的文章，也歡迎參考我們最新募資的線上課程「用 Python 理財：打造加密貨幣實戰策略」，在線上課程中，我們會更有系統、更完整地教您如何從無到有，打造10種加密貨幣實戰策略，並且能夠自動化雲端交易！有興趣的話，可以點此觀看課程介紹影片喔！

必備的單元提要：

1. 環境設定：使用 colab 並且安裝相關 packages
2. 簡單回測：利用均線相交產生買賣訊號回測

要執行完上述兩個單元的程式碼，才能繼續接下來的單元喔！

我們將上次的回測程式改成以下的樣子，請大家來比較一下有什麼不同：

from backtesting import Backtest
from backtesting.lib import SignalStrategy
import pandas as pd

class Strategy(SignalStrategy):
    
    n1 = 20
    n2 = 60
    
    def init(self):
        super().init()
        
        # Precompute the two moving averages
        close = pd.Series(self.data.Close)
        sma1 = close.rolling(self.n1).mean()
        sma2 = close.rolling(self.n2).mean()
        
        # Precompute signal
        signal_long = (sma1 > sma2) & (sma1.shift() < sma2.shift())
        signal_short = (sma1 < sma2) & (sma1.shift() > sma2.shift())
        
        # combine signal
        signal = signal_long
        signal[signal_short] = -1
        
        # add signal
        self.set_signal(signal)

bt = Backtest(df, Strategy)
result1 = bt.run()
bt.plot()

沒錯，我們新增了7、8行的物件參數，分別代表兩條均線的參數，並且在15、16行，製作均線時，使用該參數來製作均線。

另外我們也在倒數第二行，將回測結果存到 result1，等等可以做比較。

你應該會看到跟上次一樣的結果：

接下來就可以自動最佳化了！

暴力枚舉

你可能以為要寫for迴圈，但其實 backtesting 已經幫你寫好了，我們只要將參數範圍傳入 bt.optimize，就可以了，非常方便：

result2 = bt.optimize(n1=range(5, 100, 5),
                      n2=range(5, 100, 5))

策略參數最佳化的結果

由於策略優化完後，參數會自動更新，所以我們可以用：

bt.plot()

來看優化後的績效就可以了！

三年半 20 倍，是不是很夢幻呀！而且還多空都賺，拿量化交易的方式交易比特幣，就像是拿大砲對付刀劍一樣，我們可以將優化前後的績效比對一下，真的差很多呢！

result1._trade_data.Equity.plot()
result2._trade_data.Equity.plot()

但隨著期貨市場的開放，這樣的績效，或許沒辦法重現，或許市場已經慢慢走向效率化，可以看到2019年以後，賺得比較少，但是加密貨幣又不是只有 BTC，一定有很多未開發的地帶，等著量化交易去開拓的，所以也不用太擔心！

這些單元的用意，就是在你在開江闢土時，提供你豐富的資源，讓你在開發策略事半功倍！

更新：很多人都躍躍欲試呢！我幫大家寫好完整的代碼，可以在線上直接運行喔！
請點此

下個階段，我們就可以來真的入金交易囉！

你可以到FinLab粉專，點選追蹤，或點讚，就可以收到我們的新單元囉！

如果喜歡我們的文章，也歡迎參考我們最新募資的線上課程「用 Python 理財：打造加密貨幣實戰策略」，在線上課程中，我們會更有系統、更完整地教您如何從無到有，打造10種加密貨幣實戰策略，並且能夠自動化雲端交易！有興趣的話，可以點此觀看課程介紹影片喔！

畢竟所有的指標都是參考用，我們處在瞬息萬變的世界，別想要預測市場，而是以最機械的方式來投資，才不會無所適從、舉棋不定。

這個單元中，要來介紹，我用哪些方法來投資比特幣，最主要是兩種，只是分享，非建議喔！

1. 長線投資

記得在2013年的時候，有一個大學生問：
「我現在有1萬元，要投資什麼比較好？」

有人回答：
「買入比特幣，不要管它，等你畢業了再換成現金」

要是當時真的照這個方法操作，畢業後，基本上就已經財富自由了！

這個故事告訴我們，有時候，挑好商品，買了放著，不要亂動，其實也滿好的！

買入的原因

買 BTC，一定是有價格以外的原因，就像是去菜市場買菜，為什麼買這顆蘋果？因為它顏色鮮豔、比較大顆、看起來比較甜…等，而不是因為這顆蘋果最近上漲（沒人這樣買蘋果吧？）

買 BTC 一樣要有理由，而不是覺得大家都在買，就跟著買，不然就是大家都再賣，就跟著賣，很容易就賠錢了。

我的買入原因

我的買入理由，就是：BTC市值當時跟黃金比，不到1/50，BTC 有著優越的貨幣的特性，理論上應該是很有潛力的！

設定一個出場條件，然後嚴格執行，

出場條件

例如我的出場條件就是：
BTC 到達跟黃金市值平起平坐，不過世界上哪有一定準確的預言？

所以保險起見可以設定：
「比特幣：黃金」
「市值 1：10」
「市值 1：5」
「市值 1：2」
「市值 1：1」
分別出場，這並不是投資建議，只是我自己的規劃而已，一定要做賣出條件，因為
「不要愛上任何投資的標的」
「沒有永遠都上漲的商品」

達成這個條件之前，我是分批慢慢買入。

買入條件

直到金額到達自己投資「單項商品的上限」為止，不要壓身家，不要壓身家，不要壓身家！

畢竟這種超長線，最怕的就是買在高點！而很少人可以準確預測未來股價，所以平均分攤風險，是比較建議的。

用以上的方法，價格高高低低，心情也會受影響，所以為何不用「量化投資」來幫助我們獲利呢？

2. 量化投資

量化投資，也就是利用程式機械式的操作，來避免不必要的風險！

例如前一篇文章所介紹的策略

回測跑得好，策略得開始運轉吧？

但架設server，還是有一定的難度，為了幫助大家做一個簡單的自動化交易系統，接下來的文章，首先我們會介紹 BTC 如何入金，也就是正式開始投資 BTC，然後呢，我們會用AWS，也就是Amazon推出的雲端伺服器，將前一篇文章所介紹的策略真實上線使用，重點是：成本為0，完全免費！
詳情請看：雲端建置交易信號

如果喜歡我們的文章，也歡迎參考我們最新募資的線上課程「用 Python 理財：打造加密貨幣實戰策略」，在線上課程中，我們會更有系統、更完整地教您如何從無到有，打造10種加密貨幣實戰策略，並且能夠自動化雲端交易！有興趣的話，可以點此觀看課程介紹影片喔！