Dlaczego tak mało sygnałów BUY?! Analiza labeli na rynku | Tradingbot #4

W poprzednim odcinku zaimplementowałem algorytm labelujący oparty na paperze. Teraz sprawdzam, jak zachowuje się po rozszerzeniu z jednej pary na szeroki rynek: przepuszczam go przez 600 najpopularniejszych par kryptowalutowych względem USDT. Celem nie jest jeszcze ocena jakości modelu, ale sprawdzenie, czy przyjęta matematyka działa podobnie poza BTC.

To jest Stage 2 budowy bota i przede wszystkim praca z danymi. W analizie wykorzystuję ponad 2,2 miliona czterogodzinnych świec. Zaczynam od problemów z API, krótkiej historii oraz odrzucania świeżych listingów, a kończę na wizualnym sprawdzeniu, czy etykiety odpowiadają temu, co rzeczywiście widać na wykresie.

Co zobaczysz

Najpierw pokazuję selekcję par przez funkcję Peak Symbols. Lista startuje od 600 pozycji, ale nie wszystkie nadają się do wspólnego zbioru. Część ma zbyt krótką historię, część zwraca błędy API Binance, a świeże listingi nie pozwalają zachować porównywalnego zakresu. Po oczyszczeniu zostaje 435 poprawnych par.

Następnie buduję Master Dataset. W opisie odcinka baza ma 2 GB, a jej przyrost jest pokazywany w czasie. Ten etap jest ważny, bo skalowanie algorytmu nie polega tylko na powtórzeniu obliczenia 600 razy. Trzeba jeszcze utrzymać spójność danych, odrzucać niepełne szeregi i wiedzieć, które obserwacje faktycznie trafiły do analizy.

Kolejna część wraca do logiki etykietowania. Wyjaśniam okna czasowe oraz globalne progi Alpha i Beta. Na interwale 4h Alpha wynosi około 4%, a Beta około 20% w opisie filmu. W istniejącej notatce wartości są zaokrąglone odpowiednio do około 5% i 25%, dlatego traktuję je jako przybliżenia, a nie dokładne parametry eksperymentu.

Pokazuję także histogramy, rozkłady i violin plots. Dzięki nim można zobaczyć wpływ długości okna na liczbę sygnałów. Osobno omawiam stablecoiny, ponieważ ich charakterystyka może zaburzać wspólny rozkład i psuć dataset przeznaczony dla różnych aktywów.

Kluczowe wnioski

Najbardziej widoczny wynik to dominacja HOLD. Około 70–80% przypadków nie otrzymuje etykiety BUY ani SELL. Nie musi to oznaczać błędu. Jeżeli Alpha oddziela ruch od strefy szumu, większość obserwacji może naturalnie pozostać poza silnym sygnałem.

Ta obserwacja zmienia sposób myślenia o bocie. System, który musi handlować bez przerwy, może generować transakcje tam, gdzie algorytm nie widzi wyraźnego ruchu. W notatce do odcinka wniosek jest praktyczny: koszty opłat przemawiają za cierpliwością, a HOLD ma uzasadnienie statystyczne w badanym zbiorze.

Ważna jest też generalizacja. Wynik z jednej pary nie wystarcza, żeby opisać rynek. Dopiero przejście przez setki aktywów pokazuje, jak mocno na rezultat wpływają historia, dostępność świec, stablecoiny i wybrane okno. To nadal nie jest ocena jakości predykcji, tylko sprawdzenie przygotowania danych i rozkładu etykiet.

Jak to odtworzyć

Workflow z odcinka składa się z selekcji par, pobrania i oczyszczenia danych z Binance, odrzucenia krótkich historii oraz problematycznych odpowiedzi API, zbudowania Master Dataset, wyznaczenia globalnych progów i analizy rozkładów. Na końcu wykonuję visual check na wykresach, w tym analizę przypadku mniejszego coina ZIL. Źródło nie podaje kompletnego zestawu komend uruchomieniowych, więc nie dodaję własnych.

Najczęstsze pytania

Dlaczego zostało 435 par, skoro startowałem od 600? Odrzucone zostały między innymi pary ze zbyt krótką historią, błędami API oraz świeżymi listingami.

Czy dominacja HOLD oznacza, że algorytm nie działa? Nie wynika to z samego rozkładu. Oznacza, że większość obserwacji mieści się w przyjętej strefie szumu; jakości modelu jeszcze tutaj nie oceniam.

Co jest następne? Kolejny etap to Feature Engineering i wskaźniki. Master Dataset ma być bazą do tej pracy.

Materiały

Źródło odcinka nie zawiera osobnych linków technicznych do repozytorium ani dokumentacji. W tej sekcji nie dodaję niepodanych adresów.

• Tradingbot #3: etykiety BTC i progi alfa/beta