分析交易簇团以预测比特币交易中的价格波动

像世界上的很多相互作用一样，金融市场常常是自激励的。换句话说，在一个数据集里面的事件可以刺激更多相同的事件发生，以致到一个相当大的程度。用于分析自激励的统计模型，被用于理解观测结果的独立性和因果依赖，在比如地震学、犯罪学，最近更多的是被使用算法的交易员们用来理解金融市场。随着比特币市场已经逐渐成长到能够提供充分的数据，自激励和它与比特币价格的关联现在可以很好的被观察到。

在比特币交易中的激励

一般而言，交易并不是以均匀的间隔出现的，而是在时间上簇团。类似的，同样的交易信号倾向于簇团到一起，同时导致一系列的买单或者卖单。对此的多种解释都是可能的，比如说基于算法的交易员把他们的订单细分成更小的块，或者交易系统对某些兑换时机有反应。

为了分析在比特币市场上激励性对价格的影响，我们查看了来自Bitstamp的9月4到5日的那段波动特别剧烈的交易的数据，那次比特币价格在20小时以内跌了11.5%。通过观察波动剧烈的时间段，我们可能最清楚的接触到激励性对价格的影响。

在这段时间里，每分钟的平均交易计数是6.8，然而我们可以找到一系列的这个数字超过100的例子。通常来说，较高的交易强度持续了几分钟，然后就再次向平均值掉下来。在统计学里，Hawkes过程，或者说自激励过程，目标就是解释这样的簇团。

Hawkes过程

Hawkes过程建模时分强度，或者说一个过程中的时间发生率，这是部分的由过程的历史数据所决定的。下图是一个Hawkes过程的实现的例子。

自激励性是可以在时间标记2之前的首四个事件中看到。它们在短时间内连续发生，带来了一个更大的强度峰值，出现在第四个事件中。每一个事件的发生增加了另一个的发生的可能性，这导致了时间的簇团。第五个数据点到了时间标记4才出现，与此同时，这导致了整体强度的一次指数级的下降。

过去事件如何影响到当前事件的统计学分析，提供了一个条件密度的定量测量。从条件强度的测量，我们可以同时得到其他两个感兴趣的量值，期望强度，在比特币这个案例里，将描述一个给定时间段的交易强度。我们还可以计算分支比，或者说内源性产生（也就是说，作为另外一个交易的结果）的交易的比例。

下面的图表说明，Hawkes过程看起来与在上面提到的Bitstamp交易数据相吻合。尽管不是完美的吻合，但它的确是说明，交易簇团以及相关的影响，可能证明至少在一定程度上是可被预测的。

对比特币交易的影响

激励性和交易簇团可能还对比特币的价格有着显著的影响，特别是在价格波动大的时间段。通过查看分支比（内源性交易相对于总交易量的比值），我们可以得到关于什么时候市场到底部了的感觉。

下面的图表显示的是，源自Hawkes过程计算的分支比，与Bitstamp在这篇文章中使用到的交易数据。在这个案例里，分支比是在一个滚动的基础上计算的，每500次交易就更新一次。如你将注意到的那样，分支比和价格在同一个时间点达到了最低点。换句话说，当内源性交易作为一个总交易数的分数的比率，到了一个边缘低点的时候，它可能意味着高度反动的交易正在结束，并且价格有机会恢复。