Python 告诉你:熊市将去,牛市要来!

漫漫熊市,这个行业显得极为浮躁。但要是营长告诉你,熊市即将结束,牛市马上到来,你信吗?

 

近来营长看到朋友圈中大咖集结、开启什么「熊市破冰之旅」,不得不说,甚是羡慕。但营长深知,“寒冬”不宜出远门,仍需在家埋头苦读,潜心钻研

 

前几天,偶然了解到一位传奇人物——沃伦·巴菲特的黄金搭档、现年94岁的美国投资家查理·芒格。在过去45年中,他和巴菲特联手创造了有史以来最优秀的投资纪录之一——伯克希尔公司股票价值以年均20.3%的复合收益率创造了投资神话,股票每股价格已从19美元狂飙到了84487美元(我勒个乖乖啊)。

在查理·芒格传奇的投资生涯中,老爷子始终将「invert,always invert」奉为屡试不爽、让人茅塞顿开的投资良言。营长思前想后、挠头顿塞,才深知其意,其大意就是「凡无头绪之事,思其反面,必有奇效」。今天,营长秉承查理老爷子的意志,和你们聊一聊比特币投资的那些事儿!

 

什么时期投资比特币可以赚钱?什么时期可能会赔钱?营长不会给你建议,也给不了建议(因为真不知道),但 Python 可以!(嘿哈,脑洞开始)

脑洞前的准备

 

1)需要安装 :

  • Python

  • Jupyter Notebook

 

2)及以下模块:

  • quandl

  • math

  • numpy

  • pandas

  • matplotlib

  • seaborn

  • collections

 

一切准备就绪之后,脑洞开始!

 

 

Python 是这么玩的

 

首先,你需要定义什么是「糟糕」的投资选择。

 

比如,从你开始投资(即购买比特币)当天算起,将365天后绝对收益值为负数的情况定义为「糟糕」投资。简单讲就是,如果你今天购买了比特币,但一年后你赔钱了,这种情况就是「糟糕」投资。

 

接下来,按照这个标准,绘制一个周期为365天的比特币收益图,从而确定未来一年内「糟糕」投资的时间段分布情况。(文中代码不全,文末有完整代码获取链接)

 

先来个程序员的标准姿势,先上代码,部分代码如下:

运行代码之后,如下图所示:

 

比特币收益曲线(周期为365天)

 

从图中可以看出,2011年第二季度的曲线值为负,2013年底和2014年的大部分时期也是如此,此外,2017年底也有一段曲线在收益零线之下。

 

接下来,按照年份分组统计「糟糕」投资的天数,部分代码如下:

 

可以发现,尽管2011年是迄今为止比特币币价下跌幅度最大(下降93%)的一年,但“糟糕”投资天数只有95天,而2013年和2014年的总和,这一数字达到了379天。

 

接下来,需要确定「糟糕」投资的开始与结束时间,部分代码如下:

运行以下代码成图:

下图显示了相关的时间段,红色则为「糟糕」投资时期。

可以看出,2011年对应的「糟糕」投资时期内,从35美元左右的高点到最终的10.30美元,总跌幅超过70%。

而2013年和2014年,从大约1151美元的高点到红色期末371美元左右,总跌幅为68%。

 

 

如今的熊市何时结束?

 

我们假设2018年的11月13日之前都是「糟糕」投资选择。

 

从11月13日算起,当时比特币价格约为6400美元,然后一路下跌至当前的3300美元左右。这意味着,2018年有316个「糟糕」投资日,加上2017年的41天,这次熊市共有357天。

 

这与2013年和2014年的总数非常接近。根据这一假设,2017年和2018年的「糟糕」投资曲线如下图:

而另一种假设的方式是,在前两个熊市中,从高点到红线末端的总跌幅都在70%左右,这次熊市也适用这样的规律。

 

如果我们使用19498美元作为2017年12月17日的高点,那么下跌70%后的价格为5849美元,这意味着假定红线将比上图显示的要晚几天结束。

 

以上能说明什么?说明我们正处于或接近于通过购买比特币就可以在未来一年获取正向收益的时期。如果你预设的周期为一年或更久,那么现在可能是买入的好时机。

以上内容纯属脑洞,大家看完后笑笑就忘掉哈。本文中的任何内容都不是投资建议,比特币价格受多方面因素影响而非常不稳定,投资需要三思而后行,谨慎再谨慎。

 

在区块链大本营后台留言"脑洞"二字,获取完整GitHub代码。

 

营长告诉你们,只有学习,只有学习才是低成本高回报的投资方式,投资自己才是上上策!

推荐阅读:

 

 

【Koopman】遍历论、动态模态分解和库普曼算子谱特性的计算研究(Matlab代码实现)内容概要:本文围绕【Koopman】遍历论、动态模态分解和库普曼算子谱特性的计算研究展开,重点介绍基于Matlab的代码实现方法。文章系统阐述了遍历理论的基本概念、动态模态分解(DMD)的数学原理及其与库普曼算子谱特性之间的内在联系,展示了如何通过数值计算手段分析非线性动力系统的演化行为。文中提供了完整的Matlab代码示例,涵盖数据驱动的模态分解、谱分析及可视化过程,帮助读者理解并复现相关算法。同时,文档还列举了多个相关的科研方向和技术应用场景,体现出该方法在复杂系统建模与分析中的广泛适用性。; 适合人群:具备一定动力系统、线性代数与数值分析基础,熟悉Matlab编程,从事控制理论、流体力学、信号处理或数据驱动建模等领域研究的研究生、博士生及科研人员。; 使用场景及目标:①深入理解库普曼算子理论及其在非线性系统分析中的应用;②掌握动态模态分解(DMD)算法的实现与优化;③应用于流体动力学、气候建模、生物系统、电力系统等领域的时空模态提取与预测;④支撑高水平论文复现与科研项目开发。; 阅读建议:建议读者结合Matlab代码逐段调试运行,对照理论推导加深理解;推荐参考文中提及的相关研究方向拓展应用场景;鼓励在实际数据上验证算法性能,并尝试改进与扩展算法功能。
本系统采用微信小程序作为前端交互界面,结合Spring Boot与Vue.js框架实现后端服务及管理后台的构建,形成一套完整的电子商务解决方案。该系统架构支持单一商户独立运营,亦兼容多商户入驻的平台模式,具备高度的灵活性与扩展性。 在技术实现上,后端以Java语言为核心,依托Spring Boot框架提供稳定的业务逻辑处理与数据接口服务;管理后台采用Vue.js进行开发,实现了直观高效的操作界面;前端微信小程序则为用户提供了便捷的移动端购物体验。整套系统各模块间紧密协作,功能链路完整闭环,已通过严格测试与优化,符合商业应用的标准要求。 系统设计注重业务场景的全面覆盖,不仅包含商品展示、交易流程、订单处理等核心电商功能,还集成了会员管理、营销工具、数据统计等辅助模块,能够满足不同规模商户的日常运营需求。其多店铺支持机制允许平台方对入驻商户进行统一管理,同时保障各店铺在品牌展示、商品销售及客户服务方面的独立运作空间。 该解决方案强调代码结构的规范性与可维护性,遵循企业级开发标准,确保了系统的长期稳定运行与后续功能迭代的可行性。整体而言,这是一套技术选型成熟、架构清晰、功能完备且可直接投入商用的电商平台系统。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论 10
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值