Hash Hedge stosuje modelowanie predykcyjne na rynkach kryptowalut i przekłada wyniki na rekomendacje dostosowane do budżetu studenckiego. Celem nie jest szybkość ani rozgłos, ale zdyscyplinowany, oparty na danych sposób określania wielkości pozycji i zrozumienia związanego z nią ryzyka przed zaangażowaniem kapitału.
Pojedynczy dzień handlowy na głównych parach kryptowalut generuje więcej danych o cenach, wolumenie i nastrojach, niż jedna osoba może rozsądnie przejrzeć. W większości to szum: krótkotrwałe reakcje nie mające wpływu na średnioterminowy kierunek.
Modele Hash Hedge są przeszkolone w zakresie oddzielania tego szumu od sygnałów, na podstawie których warto podjąć działania, a następnie przekształcania wyniku w dostosowaną do potrzeb rekomendację, a nie ogólny alert dotyczący kupna lub sprzedaży. Dla studenta zarządzającego ograniczoną ilością kapitału to rozróżnienie ma większe znaczenie niż sama szybkość.
Każda rekomendacja publikowana przez Hash Hedge przeszła ten sam powtarzalny proces. Zrozumienie etapów pomaga wyjaśnić, dlaczego sugestia wygląda tak, a nie inaczej.
Dane rynkowe na całym świecie — księgi zamówień, działania w łańcuchu i źródła nastrojów społecznych — są przetwarzane w sposób ciągły i normalizowane do wspólnego formatu w celu porównania różnych aktywów.
Modele rozpoznawania wzorców, w tym sieci neuronowe dostrojone pod kątem zmian nastrojów, porównują odebrane sygnały z historycznymi zachowaniami cenowymi, aby oszacować prawdopodobne krótkoterminowe zakresy.
Każde wyjście jest powiązane z sugerowaną wielkością pozycji i notą zabezpieczającą, więc zalecenie odzwierciedla zarówno szansę, jak i związaną z nią wadę.
Hash Hedge powstał na podstawie obserwacji, że większość narzędzi kryptograficznych przeznaczonych dla handlu detalicznego jest zaprojektowana do ciągłej aktywności, a nie do przemyślanych decyzji. Nasi analitycy i inżynierowie zajmujący się modelami opierają się na prostszym założeniu: mniej, lepiej uzasadnionych rekomendacji lepiej służy ograniczonemu kapitałowi i ograniczonemu czasowi studenta niż ciągły strumień sygnałów.
Każdy produkowany model jest udokumentowany, a każda opublikowana rekomendacja jest opatrzona datą przed jakimkolwiek ruchem rynkowym, do którego się odnosi. Ta kolejność – najpierw opublikuj, potem sprawdź – stanowi podstawę poniższego dziennika przejrzystości.
Hash Hedge nie edytuje ani nie usuwa rekomendacji po publikacji. Poniższy dziennik ilustruje format: zasób, model, kierunek i sygnatura czasowa, w której zarejestrowano rekomendację. Wyniki załącza się po zakończeniu okresu referencyjnego, niezależnie od tego, czy zaproszenie było trafne, czy nie.
| Para aktywów | Modelka | Zalecenie | Stan |
|---|---|---|---|
| BTC/EUR | Mieszanka pędu i nastrojów | Zmniejszona ekspozycja, zasugerował Hedge | Zalogowano |
| ETH/EUR | Trend skorygowany o zmienność | Utrzymać pozycję, bez zmian | Zalogowano |
| SOL/EUR | Model wzorca ważony sentymentem | Skalowane wejście, wystawiane przez dwa tygodnie | Oczekiwanie na wynik |
Format pokazany na ilustracji; wpisy na żywo są oznaczone datą publikacji.
Poproś o dostęp do dziennika →Celem dziennika jest spójność matematyczna, a nie marketingowa. Każdy, kto przegląda rekomendację, może prześledzić rekomendację dokładnie na podstawie sygnałów, które ją wygenerowały. W ten sposób należy budować zaufanie do modelu – poprzez widoczny zapis, a nie twierdzenia promocyjne.
Ograniczony budżet nie musi oznaczać niezdywersyfikowanego i niemonitorowanego budżetu. Trzy poniższe scenariusze odzwierciedlają, w jaki sposób to samo podejście do modelowania dostosowuje się do mniejszych rozmiarów pozycji.
Modele ponownie ważą sugerowane alokacje w oparciu o bezwzględną wielkość pozycji, a nie tylko wartości procentowe, zatem portfel o wartości 200 euro nie jest proszony o dywersyfikację tak, jakby wynosił 20 000 euro. Rekomendacje uwzględniają minimalne wartości giełdowe i opór kosztów transakcji.
Kiedy modele predykcyjne wykryją wzrost krótkoterminowej zmienności, system wystawia notę zabezpieczającą, a nie wezwanie kierunkowe. Celem jest zmniejszenie ryzyka, że pojedynczy ostry ruch zniszczy wartość zaoszczędzonego kapitału w ciągu semestru.
Zamiast zachęcać do częstych transakcji, platforma proponuje przywracanie równowagi w określonych odstępach czasu, w oparciu o odchylenia od docelowej alokacji. Dzięki temu portfel jest zgodny z pierwotnym profilem ryzyka, nie zachęcając do ciągłej aktywności.
Modele są szkolone na podstawie historycznych szeregów cenowych, głębokości księgi zamówień i danych nastrojów społecznych, wykorzystując kombinację modeli wzmocnionych gradientem do krótkoterminowego rozpoznawania wzorców i sieci neuronowych do klasyfikacji nastrojów. Zestawy szkoleniowe są odświeżane w sposób ciągły, a nie ustalane w jednym momencie, co pomaga modelom dostosowywać się do zmian struktury rynku.
Hash Hedge przetwarza dane dotyczące kont i portfeli zgodnie z wymogami obowiązującymi użytkowników z Niemiec i całej UE. Dane rynkowe wykorzystywane do szkolenia modeli pochodzą z publicznych kanałów i nie zawierają danych osobowych. Dane na poziomie konta są wykorzystywane wyłącznie do ustalania rozmiaru rekomendacji dla pojedynczego portfela, a nie do wpływania na modele bazowe.
Tak. Progi ryzyka można konfigurować przed wygenerowaniem jakichkolwiek rekomendacji. Niższy próg skłania model w stronę ochrony kapitału i mniejszych sugerowanych rozmiarów pozycji; wyższy próg umożliwia rekomendacje o szerszych oczekiwanych zakresach. Próg jest widoczny obok każdej zarejestrowanej rekomendacji, więc wcześniejsze wyniki można interpretować w kontekście.
Swobodny dostęp do warstwy analitycznej Hash Hedge umożliwia przeglądanie wyników modelu i dziennika przezroczystości przed podjęciem decyzji, czy i ile przydzielić. Nie ma obowiązku dokonywania transakcji w oparciu o jakąkolwiek przedstawioną rekomendację.