Криптовалютный рынок: ведущие криптовалюты (Bitcoin, Ethereum) или токены с разной динамикой (Uniswap).

– Кросс-рыночный анализ: сочетание активов из разных рынков, например EUR/USD, S&P 500, Bitcoin, золото.

Для примера выберем: EUR/USD, GBP/USD, Bitcoin (BTC-USD), S&P 500 (^GSPC). Четыре актива обеспечивают баланс между информативностью и простотой анализа.

Шаг 2: Сбор данных

Для расчёта корреляций нужны данные о ценах активов, обычно цены закрытия или процентные изменения. Источники данных:

– MetaTrader 5: предоставляет данные по валютным парам и CFD.

– TradingView: поддерживает форекс, акции, индексы и криптовалюты.

– Yahoo Finance: бесплатный источник данных для акций, индексов и криптовалют.

– Binance API: данные по криптовалютам с высокой точностью.

Для нашего примера используем Yahoo Finance, загрузив дневные цены закрытия за 30 дней. Данные должны быть синхронизированы по времени и не содержать пропусков. Если пропуски есть, их можно заполнить интерполяцией или исключить соответствующие дни.

Шаг 3: Расчёт корреляций

Коэффициент корреляции Пирсона рассчитывается для каждой пары активов. Формула:

[ r = \frac{\sum (x_i – \bar{x})(y_i – \bar{y})}{\sqrt{\sum (x_i – \bar{x})^2 \sum (y_i – \bar{y})^2}} ]

Где ( x_i ) и ( y_i ) – значения цен (или изменений) активов, ( \bar{x} ) и ( \bar{y} ) – их средние. Ручной расчёт сложен, поэтому используются инструменты:

– MetaTrader: индикаторы, такие как Correlation Matrix, автоматически строят матрицы.

– TradingView: пользовательские скрипты в Pine Script создают матрицы для выбранных активов.

– Python: библиотека pandas упрощает расчёт.

Шаг 4: Визуализация

Визуализация в виде тепловой карты делает матрицу интуитивно понятной. Красный цвет обычно обозначает положительную корреляцию, синий – отрицательную, белый – нулевую. Инструменты для визуализации:

– TradingView: тепловые карты через Pine Script.

– Python: библиотеки seaborn и matplotlib.

– Excel: условное форматирование для таблиц.

Построение корреляционной матрицы в Python

Python – наиболее гибкий инструмент для построения корреляционных матриц, особенно для кросс-рыночного анализа. Рассмотрим пошаговый процесс с кодом для активов EUR/USD, GBP/USD, Bitcoin и S&P 500.

Код:

Результат: предположим, матрица показывает:

Интерпретация:

EUR/USD и GBP/USD: ( r = 0.92 ) – сильная положительная корреляция, подходящая для парного трейдинга.

Bitcoin и S&P 500: ( r = 0.75 ) – умеренная положительная корреляция, указывающая на связь с рисковыми настроениями.

EUR/USD и Bitcoin: ( r = 0.25 ) – низкая корреляция, полезная для диверсификации.

GBP/USD и S&P 500: ( r = 0.28 ) – почти нулевая корреляция, подходящая для снижения риска.

Торговая стратегия:

Парный трейдинг: Если GBP/USD отстаёт от EUR/USD (например, EUR/USD растёт на 1%, а GBP/USD на 0.2%), трейдер покупает GBP/USD и продаёт EUR/USD, ожидая восстановления корреляции.

Хеджирование: Длинная позиция по S&P 500 хеджируется короткой по золотом (предположим, корреляция с золотом ( r = -0.65 ) из отдельного анализа).

Диверсификация: Портфель из EUR/USD и Bitcoin снижает волатильность благодаря низкой корреляции.

Пример сделки:

1. Трейдер замечает, что GBP/USD упал до 1.20, а EUR/USD стабилен на 1.05, несмотря на ( r = 0.92 ).

2. Открывает длинную позицию по GBP/USD (1 лот) и короткую по EUR/USD (0.5 лота).

3. Через 5 дней GBP/USD растёт до 1.22, а EUR/USD падает до 1.04. Прибыль: 200 пунктов по GBP/USD (2000 долларов) и 100 пунктов по EUR/USD (500 долларов), итого 1.2% на счёте.

Анализ: Python позволил быстро построить матрицу и выявить торговую возможность. Трейдер использовал стоп-лоссы (30 пунктов для GBP/USD, 20 пунктов для EUR/USD) и проверил данные на пропуски. Успех обеспечило точное определение расхождения.