El trading de pares es una estrategia de inversión neutral en mercado introducida a mediados de la década de 1980 por un equipo de análisis cuantitativo liderado por Nunzio Tartaglia, un trader cuantitativo en el renombrado banco de inversión de Wall Street, Morgan Stanley. También conocido como arbitraje estadístico o estrategia neutral en mercado, es un enfoque de trading que tiene como objetivo obtener ganancias a partir de las diferencias de precio entre dos activos correlacionados. Comúnmente utilizado en los mercados financieros, especialmente en acciones, futuros, divisas o criptomonedas. La idea clave detrás del trading de pares es seleccionar dos activos altamente correlacionados y obtener ganancias a partir de divergencias temporales de precios comprando el activo subvalorado y vendiendo el sobrevalorado. Los traders suelen ver estas divergencias como fenómenos a corto plazo, esperando que los precios eventualmente vuelvan a su relación normal histórica.
El núcleo de la estrategia de negociación de pares radica en aprovechar las divergencias de precios a corto plazo entre dos activos correlacionados, utilizando cobertura para generar rendimientos adicionales (es decir, rendimientos Alpha). Esta estrategia se basa en una suposición fundamental: la diferencia de precios entre los activos emparejados volverá a la media con el tiempo. Esto significa que el fenómeno de reversión está estrechamente relacionado con los comportamientos irracionales de los operadores en el mercado.
Cuando muchos traders generalmente creen que ciertos activos se moverán en una dirección en particular, los precios a menudo muestran un impulso al alza. Este aumento suele carecer de soporte fundamental y, por lo tanto, retrocede rápidamente después de alcanzar un cierto punto máximo. Del mismo modo, los activos con precios a la baja también muestran un impulso a la baja. Cuando domina el comportamiento racional del mercado, los precios suelen volver a sus niveles originales. Al adoptar una estrategia de trading de pares, los traders pueden beneficiarse de la divergencia en los precios de estos dos tipos de activos.
En la práctica, el proceso de negociación de pares se puede resumir de la siguiente manera: Los inversores primero seleccionan un par de activos correlacionados. Cuando la diferencia de precio entre los dos se amplía, los traders compran el activo de menor precio y, al mismo tiempo, venden en corto el activo de mayor precio. Cuando la diferencia de precio se reduce, los traders cierran la posición en el activo infravalorado, poniendo fin a la operación.
En el trading de pares, encontrar pares de activos cointegrados es clave para el éxito. Estos pares de activos se caracterizan por diferencias de precios relativamente estables a largo plazo en lugar de depender únicamente de correlaciones a corto plazo. Por ejemplo, supongamos que un inversionista elige acciones de dos compañías tecnológicas: Compañía A y Compañía B. Si bien el sentimiento del mercado a corto plazo y los eventos de noticias pueden causar fluctuaciones de precios en estas dos acciones, su diferencia de precios tiende a fluctuar alrededor de un valor promedio a largo plazo.
En la operación práctica, el primer paso es limpiar los datos y luego utilizar el análisis de correlación para seleccionar pares de activos con tendencias de precios altamente correlacionadas. El coeficiente de correlación de Pearson se utiliza típicamente para medir la correlación entre los precios de dos activos, seleccionando pares con coeficientes de correlación altos como candidatos. A continuación, estos activos deben someterse a pruebas de cointegración para asegurar una relación estable a largo plazo entre sus precios. Los métodos de prueba comunes de cointegración incluyen el método de dos pasos de Engle-Granger y la prueba de Johansen, que pueden ayudar a confirmar si la diferencia de precios exhibe características de reversión a la media.
Además, realizar pruebas de estacionariedad sobre la diferencia de precios de pares de activos es crucial, típicamente utilizando la prueba de Dickey-Fuller aumentada (ADF) para determinar si la diferencia de precios fluctúa alrededor de una media. Si la serie de diferencias de precios es estacionaria, estos pares de activos son adecuados para el trading de pares. Finalmente, se necesitan pruebas de reversión a la media, como el análisis de la función de autocorrelación, para confirmar si la diferencia de precios tiende a revertir a la media. Los inversores pueden identificar mejor los pares de activos con potencial de arbitraje a largo plazo a través de esta serie de pasos.
En el trading de pares, encontrar pares de activos cointegrados es crucial para el éxito. La característica de estos pares de activos es que su diferencia de precio tiende a ser estable a largo plazo en lugar de depender únicamente de correlaciones a corto plazo. Por ejemplo, si un inversor elige acciones de dos compañías tecnológicas, Compañía A y Compañía B. Aunque los precios de estas dos acciones pueden fluctuar a corto plazo debido al sentimiento del mercado y eventos de noticias, su diferencia de precio típicamente fluctúa alrededor de un valor medio a largo plazo.
Aunque la estrategia de trading de pares tiene como objetivo capturar la regresión de la diferencia de precios, las tendencias del mercado no siempre se desarrollan como se espera. Cuando la diferencia de precios muestra una desviación excesiva, es necesario implementar un stop-loss oportuno para evitar mayores pérdidas. Cuando la diferencia de precios vuelve a la media, los beneficios deben asegurarse de manera decisiva. Al mismo tiempo, el tamaño de la posición debe gestionarse de forma razonable en función del tamaño del capital de la cuenta y la tolerancia personal al riesgo, evitando los riesgos derivados de inversiones demasiado concentradas. La estrategia debe ajustarse dinámicamente según los cambios del mercado y los resultados del backtesting histórico para mejorar su adaptabilidad y rentabilidad.
Además, los traders deben monitorear de cerca las noticias del mercado y los eventos importantes, utilizar coeficientes de correlación para evaluar la correlación de pares de activos y combinar indicadores técnicos para juzgar las tendencias del mercado y evaluar los riesgos, asegurando un completo entendimiento de los riesgos potenciales.
En el mercado de criptomonedas, el trading de pares es un método de arbitraje flexible y estratégico que puede ayudar a los inversores a encontrar oportunidades de beneficio estables en un mercado volátil. Los inversores deben elegir un par de activos criptográficos altamente correlacionados, como Bitcoin (BTC) y Ethereum (ETH), asegurándose de que tengan fluctuaciones y características técnicas similares en el mercado. A continuación, calculando el rendimiento y la diferencia de precio, se centran en las señales generadas cuando la diferencia de precio supera un umbral específico. Una vez que se captura tal oportunidad, los inversores pueden aplicar estrategias de trading de manera flexible: comprando el activo de menor precio mientras venden en corto el activo de mayor precio para lograr el arbitraje.
En el mercado de criptomonedas, varios pares de activos pueden mostrar relaciones de cointegración adecuadas para el trading de pares. Los pares de monedas principales como Bitcoin (BTC) y Ethereum (ETH) están entre las combinaciones más populares debido a su rendimiento en el mercado y a las tendencias que se influyen mutuamente. Bitcoin (BTC) y Bitcoin Cash (BCH) también suelen mostrar relaciones de cointegración debido a sus orígenes y antecedentes técnicos similares. En los proyectos DeFi, Uniswap (UNI) y SushiSwap (SUSHI), así como Aave (AAVE) y Compound (COMP), con frecuencia tienen precios de tokens impulsados por fuerzas de mercado similares, ya que son competidores importantes en plataformas de trading descentralizadas y protocolos de préstamos, respectivamente. Además, los pares de stablecoins principales como Tether (USDT) y USD Coin (USDC) suelen mantener precios relativamente estables. Sin embargo, sus diferencias de precio pueden fluctuar dentro de un rango pequeño en condiciones de mercado extremas.
Como las dos principales criptomonedas en el mercado de criptomonedas, BTC es considerado como el “oro digital”, mientras que ETH es el token nativo de la red Ethereum. Debido a su alta cuota de mercado, BTC y ETH sirven como “indicadores” del mercado y suelen mostrar una alta sincronización en la mayoría de los ciclos del mercado. Los cambios en el sentimiento del mercado, especialmente las opiniones sobre toda la industria de las criptomonedas, a menudo se reflejan simultáneamente en los precios de BTC y ETH. Aunque sus tecnologías y escenarios de aplicación son diferentes, sus fluctuaciones de precios suelen ser similares ya que ambos son activos principales en el mercado.
Un indicador importante al que a menudo hacen referencia los traders es la relación BTC/ETH. Cuando Bitcoin tiene un rendimiento sólido en relación con Ethereum, generalmente refleja un sentimiento de mercado más conservador, con inversores que tienden a elegir Bitcoin, que tiene una capitalización de mercado más grande y una volatilidad más baja, como un activo refugio. Por el contrario, si Ethereum tiene un rendimiento más sólido, implica un sentimiento de mercado más agresivo, con inversores que se centran más en el potencial del ecosistema de Ethereum, especialmente en aplicaciones descentralizadas (dApps), finanzas descentralizadas (DeFi) y NFTs.
Cuando la correlación entre BTC y ETH es alta, indica un sentimiento de mercado consistente y un riesgo concentrado. Cuando la correlación disminuye, las expectativas del mercado para las perspectivas de estos dos activos comienzan a divergir, lo que potencialmente brinda a los operadores oportunidades de inversión diferenciadas. Los operadores pueden gestionar el riesgo y cubrir operaciones en función de los cambios en la correlación. Si la correlación es baja, pueden realizar operaciones de arbitraje de pares a partir de las fluctuaciones en la diferencia de precios entre los dos. En casos de alta correlación, los operadores reducirían la exposición al doble riesgo en ambos en sus carteras.
Además, cuando la proporción BTC/ETH se desvía de su promedio histórico o muestra fluctuaciones anormales, generalmente indica un desequilibrio en la relación de precios entre ambos. En este momento, los operadores pueden utilizar estrategias de reversión a la media, realizando operaciones inversas cuando la proporción es demasiado alta o demasiado baja y esperando a que regrese a niveles normales, obteniendo así retornos estables.
Además de BTC y ETH, otros tokens de cadena pública también muestran diferentes grados de correlación.
Bitcoin Cash es un hard fork de Bitcoin destinado a mejorar la velocidad de las transacciones y reducir las tarifas. Debido a su fundamento técnico compartido, con BCH siendo una 'versión mejorada' de Bitcoin, su precio a menudo sigue las tendencias de Bitcoin. Cuando la red de Bitcoin se congestiona o las tarifas de transacción aumentan, BCH suele llamar la atención como alternativa. Las similitudes técnicas entre BTC y BCH permiten a los inversores hacer arbitraje utilizando sus fluctuaciones de precios, especialmente cuando las discusiones sobre escalabilidad y tarifas de transacción se intensifican en el mercado. En el último mes, la correlación entre BTC y BCH alcanzó 0.84, algo relacionado con la alta dominancia del mercado de BTC.
Estos dos importantes intercambios descentralizados en el espacio DeFi tienen altas similitudes en la demanda del mercado, la base de usuarios y la funcionalidad. Las opiniones generales del mercado sobre el sector DeFi suelen afectar los precios de ambos tokens simultáneamente, especialmente durante la minería de liquidez o la competencia de plataformas. Cuando se introducen incentivos de liquidez o nuevas características, los precios de UNI y SUSHI pueden mostrar diferencias de fluctuación, proporcionando oportunidades de arbitraje para los inversores. UNI y SUSHI mantuvieron un nivel de correlación de 0.83 durante los últimos siete días (a partir del 22/10), mientras que el coeficiente de correlación durante el último año fue de 0.64.
Aave y Compound son dos importantes plataformas descentralizadas de préstamos, con sus tokens AAVE y COMP proporcionando gobernanza e incentivos para la plataforma. La salud de la industria DeFi afecta directamente los precios de estos dos tokens, y cuando el mercado es alcista en préstamos descentralizados, AAVE y COMP suelen subir juntos. El coeficiente de correlación entre AAVE y COMP alcanzó 0.93 en los últimos 30 días, mientras que el coeficiente de correlación para el último año fue 0.03, lo cual se puede ignorar. Esto sirve como un recordatorio típico de que los resultados de las pruebas de correlación deben ser analizados en función de diferentes períodos de tiempo para problemas específicos.
Las stablecoins están ancladas al dólar estadounidense. Como stablecoins, su objetivo es mantener una paridad de 1:1 con el dólar, por lo que las fluctuaciones de precio suelen ser mínimas. Sin embargo, bajo condiciones extremas del mercado, cuando la liquidez es escasa o las regulaciones cambian, pueden producirse diferencias temporales de precio. Cuando surgen situaciones extremas en el mercado, las diferencias de precio a corto plazo entre USDT y USDC brindan oportunidades para arbitraje de bajo riesgo.
Importar bibliotecas requeridas
import yfinance as yf
import pandas as pd
Importar numpy como NP
import statsmodels.api as sm
from statsmodels.tsa.stattools import coint, adfuller
1. Obtener datos históricos de BTC y ETH
def get_crypto_data(tickers, start, end):
data = yf.download(tickers, start=start, end=end)[‘Adj Close’]
return data
Descargar datos de BTC y ETH
start_date = '2020-01-01'
end_date = ‘2024-01-01’
tickers = [‘BTC-USD’, ‘ETH-USD’]
data = obtener_datos_cripto(tickers, fecha_inicio, fecha_fin)
Prueba de cointegración
Prueba de cointegración Engle-Granger
def engle_granger_coint_test(y, x):
# Regresión y en xx = sm.add_constant(x)modelo = sm.OLS(y, x).fit()residuales = modelo.resid# Realizar prueba de raíz unitaria ADF en residuales de regresiónresultado = adfuller(residuales)p_valor = resultado[1]return p_valor
Realizar prueba de cointegración
p_value = engle_granger_coint_test(data['BTC-USD'], data['ETH-USD'])
print(f"Valor p de la prueba de cointegración: {p_value:.4f}")
Interpretar los resultados de las pruebas
si el valor de p < 0.05:
print(“BTC and ETH are cointegrated”)
else:
print("BTC y ETH no están cointegrados")
Vale la pena señalar que la correlación entre diferentes criptomonedas varía significativamente en diferentes períodos. Tomando BTC y ETH como ejemplo, durante períodos de alta correlación cuando el mercado en general está subiendo o bajando, los precios de BTC y ETH a menudo fluctúan de manera sincronizada, con coeficientes de correlación que suelen oscilar entre 0.6 y 0.9. Esto los convierte en un par de activos común en el trading de pares, ya que sus movimientos de precios tienen un alto grado de sincronicidad, lo que facilita el arbitraje basado en diferencias de precios. Sin embargo, durante períodos de baja correlación, como eventos específicos o extrema volatilidad del mercado, cuando una criptomoneda podría fluctuar de forma independiente debido a actualizaciones técnicas o noticias significativas, la correlación puede debilitarse temporalmente.
El trading de pares, una estrategia clásica de arbitraje estadístico, presenta ventajas y desafíos únicos cuando se aplica a la criptomoneda. A diferencia de los mercados tradicionales, la mayor volatilidad de las criptomonedas puede causar fluctuaciones rápidas de precios, lo que puede afectar la efectividad de la estrategia. La liquidez limitada en algunos activos criptográficos puede afectar el momento de entrada y salida de las operaciones, así como los costos. Las dificultades en la adquisición y análisis de datos pueden dar lugar a resultados poco confiables en las pruebas de correlación y cointegración. Además, las incertidumbres regulatorias y los cambios de políticas pueden perturbar el comportamiento del mercado, influyendo en las estrategias de trading. El mercado de criptomonedas también enfrenta riesgos técnicos más altos, como vulnerabilidades en los intercambios y ataques a la red, lo que podría resultar en pérdidas de inversión. En consecuencia, implementar el trading de pares en el mercado de criptomonedas requiere enfoques estratégicos más cautelosos y adaptables.
El trading de pares es una estrategia de inversión neutral en mercado introducida a mediados de la década de 1980 por un equipo de análisis cuantitativo liderado por Nunzio Tartaglia, un trader cuantitativo en el renombrado banco de inversión de Wall Street, Morgan Stanley. También conocido como arbitraje estadístico o estrategia neutral en mercado, es un enfoque de trading que tiene como objetivo obtener ganancias a partir de las diferencias de precio entre dos activos correlacionados. Comúnmente utilizado en los mercados financieros, especialmente en acciones, futuros, divisas o criptomonedas. La idea clave detrás del trading de pares es seleccionar dos activos altamente correlacionados y obtener ganancias a partir de divergencias temporales de precios comprando el activo subvalorado y vendiendo el sobrevalorado. Los traders suelen ver estas divergencias como fenómenos a corto plazo, esperando que los precios eventualmente vuelvan a su relación normal histórica.
El núcleo de la estrategia de negociación de pares radica en aprovechar las divergencias de precios a corto plazo entre dos activos correlacionados, utilizando cobertura para generar rendimientos adicionales (es decir, rendimientos Alpha). Esta estrategia se basa en una suposición fundamental: la diferencia de precios entre los activos emparejados volverá a la media con el tiempo. Esto significa que el fenómeno de reversión está estrechamente relacionado con los comportamientos irracionales de los operadores en el mercado.
Cuando muchos traders generalmente creen que ciertos activos se moverán en una dirección en particular, los precios a menudo muestran un impulso al alza. Este aumento suele carecer de soporte fundamental y, por lo tanto, retrocede rápidamente después de alcanzar un cierto punto máximo. Del mismo modo, los activos con precios a la baja también muestran un impulso a la baja. Cuando domina el comportamiento racional del mercado, los precios suelen volver a sus niveles originales. Al adoptar una estrategia de trading de pares, los traders pueden beneficiarse de la divergencia en los precios de estos dos tipos de activos.
En la práctica, el proceso de negociación de pares se puede resumir de la siguiente manera: Los inversores primero seleccionan un par de activos correlacionados. Cuando la diferencia de precio entre los dos se amplía, los traders compran el activo de menor precio y, al mismo tiempo, venden en corto el activo de mayor precio. Cuando la diferencia de precio se reduce, los traders cierran la posición en el activo infravalorado, poniendo fin a la operación.
En el trading de pares, encontrar pares de activos cointegrados es clave para el éxito. Estos pares de activos se caracterizan por diferencias de precios relativamente estables a largo plazo en lugar de depender únicamente de correlaciones a corto plazo. Por ejemplo, supongamos que un inversionista elige acciones de dos compañías tecnológicas: Compañía A y Compañía B. Si bien el sentimiento del mercado a corto plazo y los eventos de noticias pueden causar fluctuaciones de precios en estas dos acciones, su diferencia de precios tiende a fluctuar alrededor de un valor promedio a largo plazo.
En la operación práctica, el primer paso es limpiar los datos y luego utilizar el análisis de correlación para seleccionar pares de activos con tendencias de precios altamente correlacionadas. El coeficiente de correlación de Pearson se utiliza típicamente para medir la correlación entre los precios de dos activos, seleccionando pares con coeficientes de correlación altos como candidatos. A continuación, estos activos deben someterse a pruebas de cointegración para asegurar una relación estable a largo plazo entre sus precios. Los métodos de prueba comunes de cointegración incluyen el método de dos pasos de Engle-Granger y la prueba de Johansen, que pueden ayudar a confirmar si la diferencia de precios exhibe características de reversión a la media.
Además, realizar pruebas de estacionariedad sobre la diferencia de precios de pares de activos es crucial, típicamente utilizando la prueba de Dickey-Fuller aumentada (ADF) para determinar si la diferencia de precios fluctúa alrededor de una media. Si la serie de diferencias de precios es estacionaria, estos pares de activos son adecuados para el trading de pares. Finalmente, se necesitan pruebas de reversión a la media, como el análisis de la función de autocorrelación, para confirmar si la diferencia de precios tiende a revertir a la media. Los inversores pueden identificar mejor los pares de activos con potencial de arbitraje a largo plazo a través de esta serie de pasos.
En el trading de pares, encontrar pares de activos cointegrados es crucial para el éxito. La característica de estos pares de activos es que su diferencia de precio tiende a ser estable a largo plazo en lugar de depender únicamente de correlaciones a corto plazo. Por ejemplo, si un inversor elige acciones de dos compañías tecnológicas, Compañía A y Compañía B. Aunque los precios de estas dos acciones pueden fluctuar a corto plazo debido al sentimiento del mercado y eventos de noticias, su diferencia de precio típicamente fluctúa alrededor de un valor medio a largo plazo.
Aunque la estrategia de trading de pares tiene como objetivo capturar la regresión de la diferencia de precios, las tendencias del mercado no siempre se desarrollan como se espera. Cuando la diferencia de precios muestra una desviación excesiva, es necesario implementar un stop-loss oportuno para evitar mayores pérdidas. Cuando la diferencia de precios vuelve a la media, los beneficios deben asegurarse de manera decisiva. Al mismo tiempo, el tamaño de la posición debe gestionarse de forma razonable en función del tamaño del capital de la cuenta y la tolerancia personal al riesgo, evitando los riesgos derivados de inversiones demasiado concentradas. La estrategia debe ajustarse dinámicamente según los cambios del mercado y los resultados del backtesting histórico para mejorar su adaptabilidad y rentabilidad.
Además, los traders deben monitorear de cerca las noticias del mercado y los eventos importantes, utilizar coeficientes de correlación para evaluar la correlación de pares de activos y combinar indicadores técnicos para juzgar las tendencias del mercado y evaluar los riesgos, asegurando un completo entendimiento de los riesgos potenciales.
En el mercado de criptomonedas, el trading de pares es un método de arbitraje flexible y estratégico que puede ayudar a los inversores a encontrar oportunidades de beneficio estables en un mercado volátil. Los inversores deben elegir un par de activos criptográficos altamente correlacionados, como Bitcoin (BTC) y Ethereum (ETH), asegurándose de que tengan fluctuaciones y características técnicas similares en el mercado. A continuación, calculando el rendimiento y la diferencia de precio, se centran en las señales generadas cuando la diferencia de precio supera un umbral específico. Una vez que se captura tal oportunidad, los inversores pueden aplicar estrategias de trading de manera flexible: comprando el activo de menor precio mientras venden en corto el activo de mayor precio para lograr el arbitraje.
En el mercado de criptomonedas, varios pares de activos pueden mostrar relaciones de cointegración adecuadas para el trading de pares. Los pares de monedas principales como Bitcoin (BTC) y Ethereum (ETH) están entre las combinaciones más populares debido a su rendimiento en el mercado y a las tendencias que se influyen mutuamente. Bitcoin (BTC) y Bitcoin Cash (BCH) también suelen mostrar relaciones de cointegración debido a sus orígenes y antecedentes técnicos similares. En los proyectos DeFi, Uniswap (UNI) y SushiSwap (SUSHI), así como Aave (AAVE) y Compound (COMP), con frecuencia tienen precios de tokens impulsados por fuerzas de mercado similares, ya que son competidores importantes en plataformas de trading descentralizadas y protocolos de préstamos, respectivamente. Además, los pares de stablecoins principales como Tether (USDT) y USD Coin (USDC) suelen mantener precios relativamente estables. Sin embargo, sus diferencias de precio pueden fluctuar dentro de un rango pequeño en condiciones de mercado extremas.
Como las dos principales criptomonedas en el mercado de criptomonedas, BTC es considerado como el “oro digital”, mientras que ETH es el token nativo de la red Ethereum. Debido a su alta cuota de mercado, BTC y ETH sirven como “indicadores” del mercado y suelen mostrar una alta sincronización en la mayoría de los ciclos del mercado. Los cambios en el sentimiento del mercado, especialmente las opiniones sobre toda la industria de las criptomonedas, a menudo se reflejan simultáneamente en los precios de BTC y ETH. Aunque sus tecnologías y escenarios de aplicación son diferentes, sus fluctuaciones de precios suelen ser similares ya que ambos son activos principales en el mercado.
Un indicador importante al que a menudo hacen referencia los traders es la relación BTC/ETH. Cuando Bitcoin tiene un rendimiento sólido en relación con Ethereum, generalmente refleja un sentimiento de mercado más conservador, con inversores que tienden a elegir Bitcoin, que tiene una capitalización de mercado más grande y una volatilidad más baja, como un activo refugio. Por el contrario, si Ethereum tiene un rendimiento más sólido, implica un sentimiento de mercado más agresivo, con inversores que se centran más en el potencial del ecosistema de Ethereum, especialmente en aplicaciones descentralizadas (dApps), finanzas descentralizadas (DeFi) y NFTs.
Cuando la correlación entre BTC y ETH es alta, indica un sentimiento de mercado consistente y un riesgo concentrado. Cuando la correlación disminuye, las expectativas del mercado para las perspectivas de estos dos activos comienzan a divergir, lo que potencialmente brinda a los operadores oportunidades de inversión diferenciadas. Los operadores pueden gestionar el riesgo y cubrir operaciones en función de los cambios en la correlación. Si la correlación es baja, pueden realizar operaciones de arbitraje de pares a partir de las fluctuaciones en la diferencia de precios entre los dos. En casos de alta correlación, los operadores reducirían la exposición al doble riesgo en ambos en sus carteras.
Además, cuando la proporción BTC/ETH se desvía de su promedio histórico o muestra fluctuaciones anormales, generalmente indica un desequilibrio en la relación de precios entre ambos. En este momento, los operadores pueden utilizar estrategias de reversión a la media, realizando operaciones inversas cuando la proporción es demasiado alta o demasiado baja y esperando a que regrese a niveles normales, obteniendo así retornos estables.
Además de BTC y ETH, otros tokens de cadena pública también muestran diferentes grados de correlación.
Bitcoin Cash es un hard fork de Bitcoin destinado a mejorar la velocidad de las transacciones y reducir las tarifas. Debido a su fundamento técnico compartido, con BCH siendo una 'versión mejorada' de Bitcoin, su precio a menudo sigue las tendencias de Bitcoin. Cuando la red de Bitcoin se congestiona o las tarifas de transacción aumentan, BCH suele llamar la atención como alternativa. Las similitudes técnicas entre BTC y BCH permiten a los inversores hacer arbitraje utilizando sus fluctuaciones de precios, especialmente cuando las discusiones sobre escalabilidad y tarifas de transacción se intensifican en el mercado. En el último mes, la correlación entre BTC y BCH alcanzó 0.84, algo relacionado con la alta dominancia del mercado de BTC.
Estos dos importantes intercambios descentralizados en el espacio DeFi tienen altas similitudes en la demanda del mercado, la base de usuarios y la funcionalidad. Las opiniones generales del mercado sobre el sector DeFi suelen afectar los precios de ambos tokens simultáneamente, especialmente durante la minería de liquidez o la competencia de plataformas. Cuando se introducen incentivos de liquidez o nuevas características, los precios de UNI y SUSHI pueden mostrar diferencias de fluctuación, proporcionando oportunidades de arbitraje para los inversores. UNI y SUSHI mantuvieron un nivel de correlación de 0.83 durante los últimos siete días (a partir del 22/10), mientras que el coeficiente de correlación durante el último año fue de 0.64.
Aave y Compound son dos importantes plataformas descentralizadas de préstamos, con sus tokens AAVE y COMP proporcionando gobernanza e incentivos para la plataforma. La salud de la industria DeFi afecta directamente los precios de estos dos tokens, y cuando el mercado es alcista en préstamos descentralizados, AAVE y COMP suelen subir juntos. El coeficiente de correlación entre AAVE y COMP alcanzó 0.93 en los últimos 30 días, mientras que el coeficiente de correlación para el último año fue 0.03, lo cual se puede ignorar. Esto sirve como un recordatorio típico de que los resultados de las pruebas de correlación deben ser analizados en función de diferentes períodos de tiempo para problemas específicos.
Las stablecoins están ancladas al dólar estadounidense. Como stablecoins, su objetivo es mantener una paridad de 1:1 con el dólar, por lo que las fluctuaciones de precio suelen ser mínimas. Sin embargo, bajo condiciones extremas del mercado, cuando la liquidez es escasa o las regulaciones cambian, pueden producirse diferencias temporales de precio. Cuando surgen situaciones extremas en el mercado, las diferencias de precio a corto plazo entre USDT y USDC brindan oportunidades para arbitraje de bajo riesgo.
Importar bibliotecas requeridas
import yfinance as yf
import pandas as pd
Importar numpy como NP
import statsmodels.api as sm
from statsmodels.tsa.stattools import coint, adfuller
1. Obtener datos históricos de BTC y ETH
def get_crypto_data(tickers, start, end):
data = yf.download(tickers, start=start, end=end)[‘Adj Close’]
return data
Descargar datos de BTC y ETH
start_date = '2020-01-01'
end_date = ‘2024-01-01’
tickers = [‘BTC-USD’, ‘ETH-USD’]
data = obtener_datos_cripto(tickers, fecha_inicio, fecha_fin)
Prueba de cointegración
Prueba de cointegración Engle-Granger
def engle_granger_coint_test(y, x):
# Regresión y en xx = sm.add_constant(x)modelo = sm.OLS(y, x).fit()residuales = modelo.resid# Realizar prueba de raíz unitaria ADF en residuales de regresiónresultado = adfuller(residuales)p_valor = resultado[1]return p_valor
Realizar prueba de cointegración
p_value = engle_granger_coint_test(data['BTC-USD'], data['ETH-USD'])
print(f"Valor p de la prueba de cointegración: {p_value:.4f}")
Interpretar los resultados de las pruebas
si el valor de p < 0.05:
print(“BTC and ETH are cointegrated”)
else:
print("BTC y ETH no están cointegrados")
Vale la pena señalar que la correlación entre diferentes criptomonedas varía significativamente en diferentes períodos. Tomando BTC y ETH como ejemplo, durante períodos de alta correlación cuando el mercado en general está subiendo o bajando, los precios de BTC y ETH a menudo fluctúan de manera sincronizada, con coeficientes de correlación que suelen oscilar entre 0.6 y 0.9. Esto los convierte en un par de activos común en el trading de pares, ya que sus movimientos de precios tienen un alto grado de sincronicidad, lo que facilita el arbitraje basado en diferencias de precios. Sin embargo, durante períodos de baja correlación, como eventos específicos o extrema volatilidad del mercado, cuando una criptomoneda podría fluctuar de forma independiente debido a actualizaciones técnicas o noticias significativas, la correlación puede debilitarse temporalmente.
El trading de pares, una estrategia clásica de arbitraje estadístico, presenta ventajas y desafíos únicos cuando se aplica a la criptomoneda. A diferencia de los mercados tradicionales, la mayor volatilidad de las criptomonedas puede causar fluctuaciones rápidas de precios, lo que puede afectar la efectividad de la estrategia. La liquidez limitada en algunos activos criptográficos puede afectar el momento de entrada y salida de las operaciones, así como los costos. Las dificultades en la adquisición y análisis de datos pueden dar lugar a resultados poco confiables en las pruebas de correlación y cointegración. Además, las incertidumbres regulatorias y los cambios de políticas pueden perturbar el comportamiento del mercado, influyendo en las estrategias de trading. El mercado de criptomonedas también enfrenta riesgos técnicos más altos, como vulnerabilidades en los intercambios y ataques a la red, lo que podría resultar en pérdidas de inversión. En consecuencia, implementar el trading de pares en el mercado de criptomonedas requiere enfoques estratégicos más cautelosos y adaptables.