用pandas进行加密货币基金的投资分析

免责声明：投资有风险。 本文仅提供思路，不承担任何投资成败的后果。

灰度资本及其比特币基金GBTC日前在朋友圈被提及。 几个有兴趣的朋友问我要不要用养老金投资GBTC，怎么投资。 对于此类问题，我一般的回答是：投资有风险，入市需谨慎。

也就是说，因为我真的打算把我Roth IRA的20%投入到一个加密货币基金中，所以我在圣诞假期用pandas做了一点不太成熟的研究。

在阐述我的研究成果和策略之前，我想说：

如果你长期不看好主流加密货币，那么这篇文章应该算是一篇技术文章，里面的思路也适用于其他金融产品的分析。

如果你长期看好主流加密货币，并愿意自己持有加密货币（在自己的钱包里或在可信赖的交易所），那么你应该选择合适的机会自己购买加密货币，而不是灰度资本基金发行的加密货币. 这篇文章作为技术文章也不错。

如果你长期看好主流加密货币，但由于税收原因不愿持有或增持加密货币或担心持有风险，想看看相关基金gbtc股票代码，那么本文的思路可能是对你有帮助。

❗

注：比特币目前处于历史高位，美国证券交易委员会最近对瑞波进行了重击。 整个加密货币市场存在较大的短期回调风险。 不要投入太多资金去追高。

背景知识

Grayscale Capital 是一家专门投资加密货币的基金。 其管理的基金产品可在其官网查看：

其中，管理规模最大、知名度最高的当属Grayscale Bitcoin Trust。 基金投资者可以选择在投资锁定期结束后（目前为6个月）通过在二级市场（OTC）出售所持有的GBTC退出。 从上图可以看出，GBTC在12/24/2020的收盘价为27.32美元，每个GBTC包含0.00095059个比特币（NAV - Net Asset Value Per Share）。 从BTC-USD实时收盘价来看，为22.56美元（Greyscale官网计算为22.36美元，因为BTC是24小时交易，而GBTC跟随纳斯达克的交易时间交易，所以BTC的“收盘价”不同于雅虎财经），大约溢价 17.5%。 Grayscale Bitcoin Trust 募集的所有资金（或比特币），除扣除管理费外，将直接购买比特币，不会购买其他资产，因此理论上 GBTC 的交易价格应该围绕 NAV 波动，不会偏离太多.

可能有人会质疑，我直接买BTC不好吗？ 为什么买GBTC还要收近1/5的智商税？ 这里有很多原因：

交易风险。 就像你可以在私人交易中购买比特币，得到的价格比在 Binance 和 Coinbase 等交易所要低得多，但你仍然愿意支付更高的价格在这些交易所进行交易。

可购买性。 有些投资账户里的钱不能直接购买加密货币，比如你的个人养老金账户。

税。 任何在美国的投资收益都会被课以重税。 如果买卖不超过一年，税金和其他收入将作为所得税计算，可以随意超过25%。

❗

注意：GBTC 不是 ETF。 目前灰度发行的任何可以在二级市场交易的基金都不是ETF，其投资风险非常高。

好的，这就是背景。 更多详情请谷歌或到灰度官网查看。 我和灰度资本没有任何关系，我也没有持有任何灰度基金。 我只是出于实验目的在二级市场购买它们。 一点GBTC。

GBTC有哪些好的交易机会？

作为一个硬汉程序员，看到这样的问题，自然会想：那我们把所有的历史数据都拿出来，看看NAV和币价有什么关系？

实现这样的代码非常简单，我们需要一个python库：yfinance，用于获取雅虎财经上某只股票（基金、加密货币）的历史数据：

import yfinance as yf
def get_ticker_history(ticker, period='3y'):    t = yf.Ticker(ticker)    return t.history(period=period)

然后，你可以在 Jupyter 中调用它来获取 BTC 的历史价格（返回一个 pandas DataFrame）：

可以使用 mplfinance 库将此数据直接可视化为流行的烛台图表：

同样，我们也可以将 GBTC 数据可视化：

可以看出，这两种趋势之间存在很强的相关性。 简单计算收盘价与两者涨跌的相关性：

def get_close_prices(crypto, stock):    df = pd.DataFrame({'Crypto Close': crypto['Close'], 'Stock Close': stock['Close']}).dropna()    comp = df.pct_change().dropna()    return pd.DataFrame({'Crypto Close': df['Crypto Close'],                         'Stock Close': df['Stock Close'],                         'Crypto Percent': comp['Crypto Close'],                         'Stock Percent': comp['Stock Close'],                         'Stock Gain': comp['Stock Close'] - comp['Crypto Close'],                         'Stock Outperform': comp['Stock Close'] > comp['Crypto Close'],                        }).dropna()

可以得到价格（收盘价）的相关系数为0.962，相关性很强，涨跌相关系数为0.7097，相关性比较强。

你可能想知道，GBTC 比 BTC 好还是坏？ 五年的数据告诉我们，GBTC的增速高于BTC的天数有599天，低于BTC的天数有659天。 但GBTC的平均增长率比BTC高0.05%。 一般来说，没有太大区别。

OK，我们现在先来看看BTC和GBTC的相关性。

开胃之后，让我们进入正题：找到GBTC NAV和GBTC之间的关系。 从Grayscale的官网上，我们可以得出这样一个公式：

资产净值 = 比特币 * 0.00095059

我们只需要对齐BTC和GBTC的数据，计算出NAV和溢价比例：

import pandas as pd
def get_crypto_and_stock(crypto_ticker, stock_ticker, crypto_per_share, period='3y'):    crypto = get_ticker_history(crypto_ticker, period=period)    stock = get_ticker_history(stock_ticker, period=period)            df = pd.DataFrame({'Value': crypto['Close'] * crypto_per_share})    df1 = pd.DataFrame({'Percent': (stock['Close'] - df['Value']) / stock['Close']})    df2 = stock.join([df, df1]).dropna()
    # align crypto data and stock data to the same start date    return (crypto[crypto.index >= df2.index[0]], df2)

让我们调用它来查看数据：

该代码获取BTC和GBTC的历史数据，在GBTC的原始数据之上添加Value，对应NAV，Percent，对应GBTC对NAV的溢价占GBTC价格的百分比。

有了这些数据，我们只需使用 matplotlib 将其可视化：

本图上半部分为GBTC收盘价与NAV的对比。 两条线中间的部分是溢价区gbtc股票代码，时高时低。 下半年是溢价百分比，五年来最高达到59.5%，最低3%，25th-percentile 18.5%，75th-percentile 40.2%（我们在文章开头计算过，平安夜是17.5% , 低于 25%，记住这个数字）。

我很好奇，历史极佳的买入点（min）和历史极佳的卖点（max）在哪里：

果然，BTC的17年高位也是GBTC最疯狂的时刻，溢价接近60%； 而今年4月1日是历史最佳买入点，溢价仅为3.3%。 其实我们查一下数据可以发现，历史级别的好买点今年几乎都出来了（或者说2020年是十年一遇的投资机会），最后一个溢价低于8%的买入点是10月。 七号，你是不是觉得错过了一个亿？

从统计的角度来看（假设 BTC 长期看涨 5-10 年），如果我们以低于 18.6%（第 25 个百分点）的溢价买入，我们将获得不错的回报。 为了证明这个假设，让我们看看如果我们以低于 18.6% 的所有历史溢价买入并持有到今年的回报率是多少（为了比较，我们还计算了与 SP500 相比的回报率）。 代码还是很简单的：

def buy_at_25(df, df_sp500, cost=10000):    buy_point = df['Percent'] <= df['Percent'].describe()['25%']    cur_price = df.iloc[-1]['Close']    cur_price_sp = df_sp500.iloc[-1]['Close']        shares = cost / df[buy_point]['Close']    shares_sp = cost / df_sp500[buy_point]['Close']    values = cur_price * shares    values_sp = cur_price_sp * shares_sp        df1 = pd.DataFrame({'Shares': shares,                        'Values': values,                        'Values SP': values_sp,                        'Percent': (values - cost) / cost,                        'Percent SP': (values - values_sp) / values_sp                       })    return df1

运行一下（我选择了投资SP500的ETF基金SPY作为参考）：

（这张图相对于SP500的回归有一个负数，所以我用了line而不是area）

可见，历史上所有的买点都获利了（废话）。 同样的买入点，与 SPY 的收益相比，25th-percentile 的收益高出 124%。 最糟糕的买入点出现在 2017/12/07，这是我们策略唯一输给 SPY 的策略。

抛开2017年导致超额回报（十倍、二十倍）的“上古时代”不谈，我们来看2019年初至今：

出现的225个买入点，相对标普500都有惊人的回报。 其中，2019 年 2 月 5 日至 6 日，甚至有机会相对于 SP500 的回报率高出 400%。 即使是表现最差的买入点，2020/12/14，也比 SP500 上涨了 20.8%。

事实上，直到今年 12 月，在 25 个百分点的买入点买入 GBTC 的回报率超过 100%。 就连12月出现的5个买点，回报也惊人：

有没有突然发现12/24平安夜有个好买点？ 当天 GBTC 的交易溢价“仅”17.5%，低于 25 个百分点。 我们将在几个月后回来查看它与 SP500 的比较情况。

再次声明，以上所有计算都是基于比特币长期看涨的前提。 如果遇到熊市，比如现在的价格就是今年3月18日的崩盘价：

那么，我们用同样的策略之后，会发现，从2019年6月开始，几乎所有的买入行为都会导致亏损，甚至是非常严重的亏损，几乎是难以挽回的。 这也是为什么前几波总会告诉我们：投资有风险，入市需谨慎。

那么，ETHE等可交易基金，有哪些好的交易机会呢？

在一开始的图片中，我们可以看到灰度资本还有其他场外基金。 比如ETHE对应以太坊，BCHG对应比特币现金，LTCN对应莱特币等。其中，除了流通量大的ETHE外，其他板块很小，二级市场交易量为甚至更少，因此不建议触摸它。

我们还拿 ETH 的历史价格走势：

以及ETHE的历史价格走势：

似乎两者之间的相关性很弱。 计算表明，交易价格相关系数为0.45，涨跌相关系数为-0.068。

让我们看看 ETHE 相对于 ETH NAV 的溢价：

第 25 个百分位数的溢价为 48%，相当惊人。 然而，即使在这种溢价下，收益率也比 SPY 好得多：

再看看2020年的买入点，最差的时候比标普500强79%。 刚好翻了一倍多的收益，9月底到10月初还有很多票：

但10月以来，ETHE与ETH NAV背离过大，近期溢价超过60%，买入风险很大，建议观望为主。

因为ETHE的溢价一直处于历史较高水平，所以25th-percentile是48%。 实在难以想象二级市场的投资者为何会承受这样的溢价。 黑格尔说：存在就是理性。 先不讨论为什么会有这么高的溢价。 从统计的角度来看，溢价48%算是一个不错的买入点。

概括

本文介绍如何使用pandas进行投资分析。 感兴趣的朋友可以尝试运行文中描述的代码。 本文使用的策略（在加密货币基金二级市场交易价格溢价的25%以内买入）仅供初学者使用，您可以使用更保守的策略，例如15%，或更激进的策略策略，例如：30th-percentile。

GBTC 和 ETHE 的潜在买入价：

注：我根据BTC 24694和ETH 626计算出对应基金的潜在买入价； 50th-percentile 是一个非常不明智的购买价格，与掷骰子无异，在此发布以供比较。

再次，如果你长期看好加密货币，但是因为各种原因买不到加密货币，只能退而求其次买灰度基金，这是一种在统计上可以长期赚钱的策略感觉。 但并不代表它在短期内可以赚钱，也不代表它是一个更好的策略（例如：它的表现肯定不如“比特币价格低于10000美元时买入GBTC”） )，但这似乎是一种更有效的策略。 可行的策略。

圣人时刻

我说的都是错的。 作为一个有统计基础，会写代码的程序员，应该自己计算验证。 另外，市场上99%的基金经理都不能长期跑赢SP500（>10年），别自以为聪明； 自己计算和验证自己的想法，那么你就可以克服这个市场上大部分的盲目和不开心。

如果您认为这篇文章对您有所启发，请捐赠。 大家圣诞快乐，新年快乐！