比特币情绪 - 价格相干性指标：小波分析实操教程

你可能听说过比特币价格和投资者情绪之间有关系，但到底怎么找出这种关系呢？今天我就用最接地气的方式，教你用小波分析这个工具来研究比特币情绪和价格之间的联系。

为什么要研究情绪和价格的关系？

比特币市场特别容易被情绪影响。一条推文、一个新闻、甚至某个大佬的言论，都能让价格大起大落。但问题是，这种影响是即时的还是有延迟的？是短期的还是长期的？小波分析就能帮我们回答这些问题。

什么是小波分析？

简单说，小波分析就像是一把"数学放大镜"。它能让我们同时看到数据在不同时间尺度上的变化规律。传统的分析方法只能看到整体趋势，而小波分析可以告诉我们：这种关系在短期内是怎样的？中期内是怎样的？长期内又是怎样的？

想象一下你在听一首交响乐。小波分析能让你既能听懂整首曲子的旋律，又能分辨出小提琴、大提琴各自在什么时间、以什么节奏在演奏。

准备工作：需要哪些数据？

要做这个分析，我们需要两类数据：

  1. 比特币价格数据：可以从CoinMarketCap、比特币交易所或者金融数据提供商那里获取，最好是日度或小时度的数据。

  2. 情绪指标数据：这类数据来源很多，比如：

    • Twitter上关于比特币的推文情绪分析
    • Google搜索趋势
    • 恐慌贪婪指数
    • 社交媒体上的讨论热度

我个人的经验是用Fear & Greed Index（恐慌贪婪指数），因为它比较容易获取，而且已经综合了多个情绪指标。

实操步骤

第一步：数据预处理

首先，确保两种数据的时间序列是对齐的。比如，如果价格数据是每天的，情绪数据也得是每天的。如果有缺失值，需要填补或者删除。

# 这里只是示例代码，实际使用时需要调整
import pandas as pd

# 加载数据
price_data = pd.read_csv('bitcoin_price.csv')
sentiment_data = pd.read_csv('fear_greed_index.csv')

# 合并数据，确保日期对齐
merged_data = pd.merge(price_data, sentiment_data, on='date')

第二步：小波变换

现在开始做小波变换。我们会用到Python的PyWavelets库。

import pywt
import numpy as np

# 选择小波类型，我常用'db4'，但你也可以尝试其他
wavelet = 'db4'

# 对价格和情绪数据分别做小波变换
price_coeffs = pywt.wavedec(merged_data['price'], wavelet)
sentiment_coeffs = pywt.wavedec(merged_data['sentiment'], wavelet)

第三步：计算相干性

相干性是衡量两个信号在不同频率上关联程度的指标，值在0到1之间，越接近1表示关系越强。

def compute_coherency(coeffs1, coeffs2):
    # 简化的相干性计算方法
    coherency = []
    for i in range(min(len(coeffs1), len(coeffs2))):
        # 计算每个分解级别的相干性
        corr = np.corrcoef(coeffs1[i], coeffs2[i])[0, 1]
        coherency.append(abs(corr))  # 取绝对值
    return coherency

coherency_results = compute_coherency(price_coeffs, sentiment_coeffs)

第四步：解读结果

小波分析的结果通常需要可视化才能更好地理解。我们可以画出不同时间尺度上的相干性。

import matplotlib.pyplot as plt

# 假设我们有5个分解级别，对应不同时间尺度
scales = ['2^1', '2^2', '2^3', '2^4', '2^5']
plt.bar(scales, coherency_results)
plt.title('比特币价格与情绪在不同时间尺度上的相干性')
plt.xlabel('时间尺度')
plt.ylabel('相干性')
plt.show()

结果解读

如果图表显示短期尺度（如2^1, 2^2）的相干性高，说明情绪对价格的影响是快速的、即时的。如果是长期尺度（如2^4, 2^5）的相干性高，说明情绪和价格之间存在长期关系。

我之前做过的分析发现，比特币市场通常在短期尺度上情绪和价格相关性较高，特别是市场恐慌时期。这可能是因为短期交易者更容易受情绪影响，频繁买卖。

实际应用

这种分析方法有什么用呢？

  1. 交易策略：如果发现情绪变化领先于价格变化，可以把情绪指标作为交易信号。

  2. 风险管理：当情绪指标显示市场极度恐慌或贪婪时，可能是市场转折点，可以提前调整仓位。

  3. 市场研究：理解不同市场条件下情绪和价格关系的变化，比如牛市和熊市中这种关系是否不同。

注意事项

小波分析虽然强大，但也有局限性：

  1. 小波类型的选择会影响结果，不同的小波可能得到不同的结论。
  2. 数据长度和频率也很重要，太短或频率太低的数据可能得不到可靠结果。
  3. 相关性不等于因果性，即使发现情绪和价格相关，也不一定是情绪导致价格变化。

如果你想深入了解小波分析在金融领域的应用，可以参考以下资料：

  1. Aguiar-Conraria, L., & Soares, M. J. (2014). The continuous wavelet transform: Moving beyond uni-and bivariate analysis. Journal of Economic Surveys, 28(2), 344-375.
  2. Vacha, L., & Barunik, J. (2012). Co-movement of energy commodities revisited: Evidence from wavelet coherence analysis. Energy Economics, 34(1), 241-247.
  3. Rua, A. (2012). Money growth and inflation in the euro area: A time-frequency view. Oxford Bulletin of Economics and Statistics, 74(6), 875-885.

小波分析是个强大的工具，但不是万能的。把它当作你工具箱中的一件利器，结合其他分析方法，才能更全面地理解比特币市场和情绪之间的复杂关系。